تعداد نشریات | 161 |
تعداد شمارهها | 6,533 |
تعداد مقالات | 70,506 |
تعداد مشاهده مقاله | 124,125,136 |
تعداد دریافت فایل اصل مقاله | 97,233,643 |
طراحی سیستم فازی ارزیابی حسی برای برشهای سیب خشکشده با پرتودهی مادون قرمز | ||
مهندسی بیوسیستم ایران | ||
مقاله 7، دوره 50، شماره 1، فروردین 1398، صفحه 77-89 اصل مقاله (1.35 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijbse.2018.228212.664913 | ||
نویسندگان | ||
حسن صباغی* 1؛ امان محمد ضیائی فر2؛ مهدی کاشانی نژاد3 | ||
1دانش آموخته دکتری مهندسی مواد و طراحی صنایع غذایی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
2دانشیار گروه مهندسی مواد و طراحی صنایع غذایی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
3استادگروه مهندسی مواد و طراحی صنایع غذایی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
چکیده | ||
در صنایع غذایی، کاربرد سیستمهای نظارت و ارزیابی کیفیت با هدف بازدهی و مطلوبیت بیشتر محصول رو به افزایش است. منطق فازی ابزار مناسبی را در طراحی سیستمهای تصمیمگیرنده برپایه تجربیات انسانی فراهم کرده است. در این پژوهش، سیستم فازی جهت ارزیابی حسی برشهای سیب طی خشککردن با پرتودهی مادون قرمز طراحی شد. بدین منظور، برشهای سیب در سه ضخامت 5 (نازک)، 9 (متوسط) و mm 13 (ضخیم) تهیه شدند. عملیات پرتودهی متناوب در سه دمای ثابت 70 (پایین)، 75 (متوسط) و °C 80 (بالا) تا دستیابی به سطح رطوبت 15 (کم)، 20 (متوسط) و kg/kg, wb 25 % (زیاد) انجام شد. ارزیابی ویژگیهای حسی شامل رنگ، آروما، طعم، بافت و پذیرش کلی توسط 10 نفر ارزیاب آموزشدیده به روش لفظی و هدونیک انجام گرفت. تجزیه و تحلیل شباهت میان خصوصیات حسی از نظر اهمیت و آنالیز آماری تاثیر شرایط فرآیند روی مطلوبیت نمونهها انجام شد. در نهایت مدل فازی تنظیم گردید. نتایج نشان داد که، در ارزیابی حسی دو عامل رنگ و بافت با ثابت همبستگی پیرسون (PCC) برابر با 981/0، از اهمیت مشابهی برخوردار بودند. کیفیت حسی برشهای سیب در ضخامت کم، دمای پایین و رطوبت متوسط مطلوبتر بود. مدل فازی با میانگین درصد خطای مطلق (MAPE) برابر با 54/14 درصد، پیشبینی عددی مطلوبی از متوسط نمرات ارزیابی داشت. | ||
کلیدواژهها | ||
منطق فازی؛ ارزیابی حسی؛ سیب؛ مادون قرمز؛ تجزیه و تحلیل شباهت | ||
مراجع | ||
Acevedo, N. C., Briones, V., Buera, P., & Aguilera, J. M. (2008). Microstructure affects the rate of chemical, physical and color changes during storage of dried apple discs. Journal of Food Engineering, 85(2), 222-231. AOAC. (2000). Official methods of analysis. 17th ed., Association of Official Analytical Chemists, Washington, DC, Unites States. Barrett, D. M., Beaulieu, J. C., & Shewfelt, R. (2010). Color, flavor, texture, and nutritional quality of fresh-cut fruits and vegetables: desirable levels, instrumental and sensory measurement, and the effects of processing. Critical reviews in food science and nutrition, 50(5), 369-389. Birle, S., Hussein, M., & Becker, T. (2013). Fuzzy logic control and soft sensing applications in food and beverage processes. Food Control, 29(1), 254-269. Brown, R., Rothwell, T., & Davidson, V. (2001). A fuzzy controller for infrared roasting of cereal grain. Canadian Biosystems Engineering, 43, 3.9-3.16. Chatterjee, D., Bhattacharjee, P., & Bhattacharyya, N. (2014). Development of methodology for assessment of shelf-life of fried potato wedges using electronic noses: Sensor screening by fuzzy logic analysis. Journal of Food Engineering, 133, 23-29. Chaturvedi, D. K. (2009). Modeling and simulation of systems using MATLAB and Simulink: CRC Press. Chen, H.-W., Wang, Z.-C., Kuo, S.-Y., & Chou, Y.-H. (2015). A Novel Method for Stock Forecasting based on Fuzzy Time Series Combined with the Longest Common/Repeated Sub-sequence. arXiv preprint arXiv:1506.06366. Christensen, R. H. B. (2015). Statistical methodology for sensory discrimination tests and its implementation in sens R. Debjani, C., Das, S., & Das, H. (2013). Aggregation of sensory data using fuzzy logic for sensory quality evaluation of food. Journal of food science and technology, 50(6), 1088-1096. Haug, M. T., King, E. S., Heymann, H., & Crisosto, C. H. (2013). Sensory Profiles for Dried Fig (Ficus carica L.) Cultivars Commercially Grown and Processed in California. Journal of Food Science, 78(8), S1273-S1281. Kilimann, K., Hartmann, C., Delgado, A., Vogel, R., & Gänzle, M. (2005). A fuzzy logic-based model for the multistage high-pressure inactivation of Lactococcus lactis ssp. cremoris MG 1363. International Journal of Food Microbiology, 98(1), 89-105. Klir, G., & Yuan, B. (1995). Fuzzy sets and fuzzy logic (Vol. 4): Prentice hall New Jersey. Kruskal, J. B. (1964). Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika, 29(1), 1-27. Kupongsak, S., & Tan, J. (2006). Application of fuzzy set and neural network techniques in determining food process control set points. Fuzzy Sets and Systems, 157(9), 1169-1178. Lao, S., Choy, K. L., Ho, G. T., Yam, R. C., Tsim, Y., & Poon, T. (2012). Achieving quality assurance functionality in the food industry using a hybrid case-based reasoning and fuzzy logic approach. Expert Systems with Applications, 39(5), 5251-5261. Lazim, M., & Suriani, M. (2009). Sensory evaluation of the selected coffee products using fuzzy approach. World Academy of Science, Engineering and TechnologyTechnol, 50, 717-720. Liu, Y., Zhu, W., Luo, L., Li, X., & Yu, H. (2014). A mathematical model for vacuum far-infrared drying of potato slices. Drying Technology, 32(2), 180-189. Mukhopadhyay, S., Majumdar, G., Goswami, T., & Mishra, H. (2013). Fuzzy logic (similarity analysis) approach for sensory evaluation of chhana podo. LWT-Food Science and Technology, 53(1), 204-210. Nowak, D., & Lewicki, P. P. (2005). Quality of infrared dried apple slices. Drying Technology, 23(4), 831-846. Odetunji, O. A., & Kehinde, O. O. (2005). Computer simulation of fuzzy control system for gari fermentation plant. Journal of Food Engineering, 68(2), 197-207. Perrot, N., Ioannou, I., Allais, I., Curt, C., Hossenlopp, J., & Trystram, G. (2006). Fuzzy concepts applied to food product quality control: A review. Fuzzy Sets and Systems, 157(9), 1145-1154. Rywotycki, R. (2002). The effect of fat temperature on heat energy consumption during frying of food. Journal of Food Engineering, 54(3), 257-261. Seth, K., Sharma, A., & Seth, A. (2009). Component Selection Efforts Estimation–a Fuzzy Logic Based Approach. International Journal of Computer Science and Security,(IJCSS), 3(3), 210-215. Singh, K., Mishra, A., & Mishra, H. (2012). Fuzzy analysis of sensory attributes of bread prepared from millet-based composite flours. LWT-Food Science and Technology, 48(2), 276-282. Sivanandam, S., Sumathi, S., & Deepa, S. (2007). Introduction to fuzzy logic using MATLAB (Vol. 1): Springer. Tsekouras, G., Sarimveis, H., Raptis, C., & Bafas, G. (2002). A fuzzy logic approach for the classification of product qualitative characteristics. Computers & chemical engineering, 26(3), 429-438. Xie, G., Xiong, R., & Church, I. (1998). Comparison of kinetics, neural network and fuzzy logic in modelling texture changes of dry peas in long time cooking. LWT-Food Science and Technology, 31(7-8), 639-647. Zhu, Y., Pan, Z., McHugh, T. H., & Barrett, D. M. (2010). Processing and quality characteristics of apple slices processed under simultaneous infrared dry-blanching and dehydration with intermittent heating. Journal of Food Engineering, 97(1), 8-16. | ||
آمار تعداد مشاهده مقاله: 786 تعداد دریافت فایل اصل مقاله: 517 |