مدل سازی راندمان انکپسولاسیون و پایداری کورکومین موجود در پیکرینگ امولسیون سلولز با استفاده از الگوریتم های شبکه عصبی مصنوعی (ANN) و درخت طبقه بندی و رگرسیون (CART)

  • سال انتشار: 1402
  • محل انتشار: مجله علوم و صنایع غذایی ایران، دوره: 20، شماره: 136
  • کد COI اختصاصی: JR_FSCT-20-136_004
  • زبان مقاله: فارسی
  • تعداد مشاهده: 139
دانلود فایل این مقاله

نویسندگان

hoda fahim

PhD student, Department of Food Science and Technology, Sari Agricultural Sciences and Natural Resources University, Sari, Mazandaran, Iran

Ali Motamedzadegan

professor, department of Food Science and Technology, Sari Agricultural Sciences and Natural Resources University

Reza Farahmandfara

Department of Food Science and Technology, Sari Agricultural Sciences and Natural Resources University, Sari, Mazandaran

Nader Ghaffari Khaligh

Nanotechnology and Catalysis Research Center, Institute for Advanced Studies (IAS), University of Malaya, Kuala Lumpur, Malaysia

چکیده

پایداری کورکومین و راندمان انکپسولاسیون آن در امولسیون از جمله مهمترین فاکتورهای تعیین کننده زیست دسترس پذیری و جذب آن در بدن است. به این منظور در پژوهش حاضر پارامترهای موثر بر این دو فاکتور شامل زمان، pH و غلظت سلولز به عنوان متغیرهای ورودی و پایداری کورکومین و راندمان انکپسولاسیون به عنوان متغیر پاسخ در شبکه عصبی مصنوعی و الگوریتم درخت تصمیم استفاده شد. در این راستا نانوکریستال سلولز حاصل از هیدرولیز اسیدی برای تهیه پیکرینگ امولسیون کورکومین با نسبت روغن:آب ۹۵:۵ و غلظت سلولز ۱، ۵/۱، ۲، ۵/۲، و ۳ درصد وزنی/حجمی استفاده شد و راندمان انکپسولاسیون روغن حاوی کورکومین و پایداری آن در طول ۸ روز اندازه گیری شد. نتایج نشان داد که با افزایش  غلظت سلولز راندمان انکپسولاسیون به صورت معنی داری افزایش یافته و همچنین راندمان انکپسولاسیون در pH ۷ بالاتر از pH ۲ بود (۰۵/۰p≤). کورکومین موجود در امولسیون های تهیه شده در pH ۲ در طول نگهداری به شدت کاهش یافت این درحالی بود که میزان کورکومین موجود در امولسیون های با pH ۷ در طول ۸ روز نگهداری به خوبی پایدار بود. مدل سازی برای دو پارامتر پایداری کورکومین و راندمان انکپسولاسیون با آماره های R۲ و RMSE% به ترتیب نشان داد ۱-۶- ۳ MLP (۰۰/۱۰RMSE%= و ۹۹/۰ R۲=) و ۱-۶-۲ RBF  (۹۹/۹RMSE%= و ۹۹/۰ R۲=) دارای دقت بالاتری است. در نهایت نتایج نشان داد استفاده از الگوریتم شبکه عصبی مصنوعی نسبت به درخت تصمیم برای پیشبینی این دو پارامتر عملکرد بهتری داشت.

کلیدواژه ها

Artificial neural network (ANN), Cellulose, Classification and regression tree (CART), Curcumin, Decision tree, Pickering emulsion, پیکرینگ امولسیون, درخت تصمیم, سلولز, شبکه عصبی مصنوعی, کورکومین

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.