این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و صنایع غذایی ایران، جلد ۱۸، شماره ۱۱۳، صفحات ۷۷-۹۰
عنوان فارسی بررسی کارایی شبکه‌های عصبی مصنوعی در پیش‌بینی ویژگی‌های فیزیکی، رئولوژیکی و رنگ‌سنجی نانوذرات کیتوزان
چکیده فارسی مقاله تشکیل نانوذرات کیتوزان با پایداری بالا به منظور استفاده در سیستم‌های تحویل مواد مغذی و دارویی، همچنان یک چالش عمده در صنایع غذایی و دارویی است. همچنین متغیرهای زیادی می‌توانند اندازه، مورفولوژی و سایر ویژگی‌های نانوذرات کیتوزان را در طی فرایند ژله‌ای شدن یونی و با استفاده از سدیم تری‌پلی‌فسفات (به عنوان متداول‌ترین عامل اتصال عرضی)، تحت تأثیر قرار دهند. لذا در این پژوهش، پس از تولید نانوذرات کیتوزان تحت تأثیر متغیرهای مستقل غلظت کیتوزان، غلظت سدیم تری‌پلی‌فسفات و نسبت کیتوزان به سدیم تری‌پلی‌فسفات، در گام بعدی، ویژگی‌های فیزیکی، رئولوژیکی، کدورت و رنگ‌سنجی نانوذرات تولیدی مورد اندازه‌گیری قرار گرفتند. در نهایت، از دو شبکه عصبی مصنوعی مدل پرسپترون چند لایه و شبکه تابع پایه‌‌ی شعاعی با یک لایه پنهان و با توابع آستانه، الگوریتم‌های یادگیری و ... مختلف، به منظور پیش‌بینی ویژگی‌های نانوذرات کیتوزان استفاده شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه برای ویژگی‌های فیزیکی، ویسکوزیته، شاخص b* و chroma و شبکه تابع پایه شعاعی برای دیگر ویژگی‌های مورد بررسی (با بکارگیری الگوریتم یادگیری لونبرگ- مارکوارت و تعداد تکرار 1000)، قادر به پیش‌بینی آن‌ها با ضرایب تعیین بسیار بالا و میانگین مربعات خطای پایین بود. ضرایب تعیین برای اندازه نانوذرات، شاخص پراکندگی، پتانسیل زتا، ویسکوزیته و ضریب هدایت الکتریکی سوسپانسیون‌های نانوذرات کیتوزان به ترتیب برابر با 9881/0، 9534/0، 9431/0، 9212/0 و 9636/0 بودند. این در حالی بود که شبکه‌ی تابع پایه شعاعی با یک لایه پنهان، چیدمانی با 3 ورودی، 4 نرون در لایه پنهان و 3 خروجی، با تابع انتقال سیگموئید- سیگموئید، بهترین نتیجه را برای پیش‌بینی ویژگی‌های L*، ΔE و WI سوسپانسیون‌های نانوذرات کیتوزان داشت. ضرایب تعیین برای پیش‌بینی L*، ΔE و WI نانوذرات کیتوزان به ترتیب برابر با 9586/0، 9775/0 و 9457/0بودند. همچنین شاخص رفتار جریان سوسپانسیون‌های نانوذرات‌ کیتوزان کمتر از 1 بود که نشان دهنده رفتار سودوپلاستیک نمونه‌ها بود.
کلیدواژه‌های فارسی مقاله نانوذرات کیتوزان،مدل پرسپترون چند لایه،مدل تابع پایه شعاعی،ویژگی‌های فیزیکی،پارامترهای رنگ‌سنجی
عنوان انگلیسی Evaluating the performance of artificial neural networks (ANNs) for predicting the physical, rheological, and colorimetric properties of chitosan nanoparticles (CSNPs)
چکیده انگلیسی مقاله The formation of chitosan nanoparticles (CSNPs) with a high stability still remains a main challenge in terms of applying the produced particles in the field of nutraceutical and drug delivery systems. Giving that there are many variables parameters which could affect the size, morphology, and other properties of fabricated CSNPs during ionic gelation process along with using sodium tripolyphosphate (STPP) as the most common cross-linking agent. In this study, after the production of CSNPs under the influence of various independent variables such as chitosan (CS) concentration, STPP concentration, and CS to STPP ratio, in the next step, the physical, rheological, turbidity, and colorimetric properties of the produced nanoparticles were measured. Finally, two artificial neural networks (ANNs) – multilayer perceptron (MLP) and radial basis function (RBF) – with a single hidden layer and different threshold functions, learning algorithms, etc. were employed to predict the CSNPs properties. The results revealed that MLP for the physical, viscosity, b*, and chroma properties and RBF for other properties – with a Levenberg-Marquardt (LM) learning algorithm of 1000 epochs – well predict them with a very high determination coefficients (R2) and low mean square error (MSE). R2 for nanoparticle size, poly dispersity index (PDI), zeta potential, viscosity, and electrical conductivity of CSNPs suspensions were determined 0.9881, 0.9534, 0.9431, 0.9212, and 0.9636, respectively. However, RBF with a single hidden layer comprising a set of 3 inputs, 4 neurons in hidden layer, and 3 outputs with the SigmoidAxon- SigmoidAxon transfer function presented the best results for predicting the L*, ΔE, and WI properties of CSNPs suspensions. In addition, R2 for L*, ΔE, and WI of CSNPs were calculated 0.9586, 0.9775, and 0.9457, respectively. Also, the flow behavior index of CSNPs suspensions was determined less than 1, which indicates the pseudoplastic behavior of the samples.
کلیدواژه‌های انگلیسی مقاله Chitosan nanoparticles (CSNPs),Multilayer perceptron (MLP) model,Radial base function (RBF) model,Physical properties,Colorimetric parameters.
نویسندگان مقاله الهام آل‌حسینی | Elham Alehosseini
Department of Food Materials and Process Design Engineering, Faculty of Food Science and Technology, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
گروه مهندسی مواد و طراحی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

سید مهدی جعفری | Seid Mahdi Jafari
Professor, Department of Food Materials and Process Design Engineering, Faculty of Food Science and Technology, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
استاد، گروه مهندسی مواد و طراحی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

هدی شهیری طبرستانی | Hoda Shahiri Tabarestani
Assistant Professor, Department of Food Chemistry, Faculty of Food Science and Technology, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
استادیار، گروه شیمی مواد غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

نشانی اینترنتی http://fsct.modares.ac.ir/browse.php?a_code=A-10-14423-1&slc_lang=fa&sid=7
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات