مدل سازی هیدراتاسیون برنج (Oryza Sativa) توسط مدل های تجربی و انتشار
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 99
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FSCT-20-134_007
تاریخ نمایه سازی: 30 آبان 1402
چکیده مقاله:
در این مطالعه ویژگی های جذب آب برنج سفید در حین خیساندن در دمای ۲۵-۶۵ درجه سانتی گراد تعیین شد. در مرحله بعد، کارایی مدل های بنیادی و تجربی برای پیش بینی میزان رطوبت دانه در حین خیساندن مورد ارزیابی و مقایسه قرار گرفت. مدل های بنیادی با استفاده از حل تحلیلی و عددی قانون دوم انتشار فیک بر اساس اشکال منظم (مکعب و استوانه) و هندسه واقعی برنج سفید به ترتیب توسعه داده شدند. ۵ مدل تجربی نیز (مدل هندرسون و پابیس، مدل نمایی، مدل پیج، مدل پیج اصلاح شده و مدل نمایی دو جمله ای) برای توضیح رفتار خیساندن برنج نیز مورد مطالعه قرار گرفت. نتایج مدل های مورد مطالعه نشان داد که مدل عددی به طور قابل توجهی از مدل تحلیلی در توصیف منحنی های جذب آب دقیق تر است. دقت بالاتر مدل عددی را می توان به این دلیل نسبت داد که این مدل شکل مناسبی را برای نشان دادن دانه های برنج در مدل ریاضی انتخاب کرد. مقدار متوسط ضریب نفوذ موثر در دامنه درجه حرارت ۲۵-۶۵ درجه سلسیوس ۱۱-۱۰× ۸۳/۸ (متر مربع بر ثانیه) با روش کمینه سازی خطا بین داده های تجربی و مدل به دست آمد. در بین مدل های تجربی، مدل نمایی دو جمله ای بهتر از سایر تغییرات رطوبت نمونه در طول خیساندن را پیش بینی کرد. به طور کلی، اگرچه هر دو رویکرد در مدل سازی قادر به پیش بینی تغییرات رطوبت نمونه در طول خیساندن بودند، مدل عددی مناسب تر بود، زیرا درک جامع تری از فیزیک فرآیند را ارائه داد و پارامترهای مدل مستقیما با مقادیر فیزیکی قابل اندازه گیری مرتبط هستند.
کلیدواژه ها:
Rice ، Hydration ، Analytical model ، Numerical model ، Empirical model ، برنج ، جذب آب ، مدل تحلیلی ، مدل عددی ، مدل تجربی
نویسندگان
mohsen Dalvi-Isfahan
Assistant professor, Department of Food Science and Technology, Faculty of Agriculture, Jahrom University, Jahrom, Iran. TEL:۰۷۱۵۴۳۴۴۴۴۵. Email: mohsen.dalvi@gmail.com- dalvi@jahromu.ac.ir
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :