مدل سازی مقایسه ای سینتیک خشک کردن برش های سیب زمینی: روش های مبتنی بر هوش مصنوعی در مقایسه با روش های تجربی و نیمه تجربی

خشک کردن یکی از روش های حیاتی نگهداری در صنعت غذا است که با کاهش رطوبت، کیفیت محصول را حفظ کرده و ماندگاری آن را افزایش می دهد. این فرآیند شامل مکانیزم های پیچیده انتقال حرارت و جرم بوده و به مدل های پیش بینی دقیقی نیاز دارد. در این مطالعه، روش های مختلف مدل سازی شامل مدل های رگرسیون، مدل های نیمه تجربی، و روش های مبتنی بر هوش مصنوعی (AI) برای شبیه سازی فرآیند خشک کردن برش های سیب زمینی مورد مقایسه قرار گرفتند. آزمایش های خشک کردن در دماهای ۴۰، ۵۰ و ۶۰ درجه سانتی گراد، با و بدون استفاده از مواد تغییر فازدهنده (PCM) و تابش مادون قرمز (IR) انجام شد. مدل های هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) با استفاده از داده های تجربی آموزش دیده و اعتبارسنجی شدند. عملکرد این مدل ها با مدل های سنتی و نیمه تجربی از نظر ضریب تعیین (R۲)، ریشه میانگین مربع خطا (RMSE)، میانگین قدرمطلق خطا (MAE) و خطای میانگین بایاس (MBE) مقایسه شد. نتایج نشان داد که شبکه عصبی مصنوعی (ANN) با دقت پیش بینی بسیار بالا (R۲= ۰.۹۹۸, RMSE= ۰.۰۶۵۶) بهترین عملکرد را داشته و از سایر مدل ها دارای دقت بیشتری است. روشSVM  نیز قابلیت پیش بینی مناسبی نشان داد، در حالی که RF عملکردی اندکی ضعیف تر داشت. در میان مدل های نیمه تجربی، مدل میدیلی (Midilli) بهترین برازش را داشت، اما نسبت به مدل های مبتنی بر هوش مصنوعی دقت کمتری نشان داد. این یافته ها برتری روش های مبتنی بر هوش مصنوعی، به ویژه ANN، را در بهینه سازی فرآیند خشک کردن در صنعت غذا برجسته می سازد.

کلیدواژه ها:

جنگل تصادفی ، مدل های نیمه تجربی ، مدل سازی هوش مصنوعی ، نرخ خشک کردن ، SVM