Modelling moisture diffusivity of pomegranate seed cultivars under fixed, semi fluidized and fluidized bed using mathematical and neural network methods

• Autorzy: Chayjan R. A. , Salari K. , Barikloo H.

Warianty tytułu

PL

Modelowanie współczynnika dyfuzji wody w warstwie nieruchomej, półfluidalnej i fluidalnej nasion granatu z wykorzystaniem metod matematycznych i sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

Background. Modelling moisture diffusivity of pomegranate cultivars is considered to be a major aspect of the drying process optimization. Its goal is mainly to apply the optimum drying method and conditions in which the final product meets the required standards. Temperature is the major parameter which affects the moisture diffusivity. This parameter is not equal for different cultivars of pomegranate. So modelling of moisture diffusivity is important in designing, optimizing and adjusting the dryer system. Material and methods. This research studied thin layer drying of three cultivars of pomegranate seeds (Alak, Siah and Malas) under fixed, semi fluidized and fluidized bed conditions. Drying process of samples was implemented at 50, 60, 70 and 80°C air temperature levels. Second law of Fick in diffusion was utilized to compute the effective moisture diffusivity (Z) ) of the seeds. Linear and artificial neural networks (ANNs) also were used to model D „of seeds. Results. Maximum and minimum values of the D were related to malas and alak cultivars, respectively. Three linear models were found to fit the experimental data with average R2 = 0.9350, 0.9320 and 0.9400 for Alak, Siah and Malas cultivars, respectively. The best results for neural network were related to feed forward neural network with training algorithm of Levenberg-Marquardt was appertained to the topology of 3-4-3-1 and threshold function of LOGSIG. By the use of this structure, R2= 0.9972 was determined. Conclusion. A direct relationship was found between Deff „and thickness of fleshy section of the seeds. The Siah cultivar has the highest value of Deff. This is due to higher volume of fleshy section of the siah cultivar. Cultivar type and air velocity have the highest and the least effect on Deff respectively.

PL

Wstęp. Modelowanie współczynnika dyfuzji wody w nasionach granatu różnych odmian jest podstawą optymalizacji suszenia nasion. Cele optymalizacji to przede wszystkim wyznaczenie najlepszej metody i parametrów suszenia, które zapewnią właściwą jakość suszu. Na dyfuzję wody w nasionach najbardziej wpływa temperatura. Najkorzystniejsza wartość tego parametru jest różna dla różnych odmian granatu. Dlatego modelowanie współczynnika dyfuzji wody jest istotne z punktu widzenia projektowania, optymalizacji i regulacji suszarek. Materiał i metody. W badaniach analizowano suszenie w cienkiej warstwie nieruchomej, półfluidalnej i fluidalnej nasion granatu z trzech odmian (Alak, Siah i Malas). Próbki suszono powietrzem o temperaturze 50, 60, 70 i 80°C. Do wyznaczania wartości współczynnika dyfuzji wody (Deff) wykorzystano drugie prawo dyfuzji Ficka. Do modelowania Deff zastosowano również zależność liniową oraz sztuczne sieci neuronowe. Wyniki. Maksymalne i minimalne wartości Deff są związane z odmianami odpowiednio Malas i Alak. Trzy modele liniowe dopasowano do danych eksperymentalnych, uzyskując wartości R2 równe 0,9350, 0,9320 i 0,9400 odpowiednio dla odmian Alak, Siah i Malas. Najlepsze wyniki modelowania z użyciem sztucznych sieci neuronowych uzyskano dla sieci o działaniu wyprzedzającym z algorytmem uczącym Levenberga- -Marquardta o typologii 3-4-3-1 z funkcją progową LOGSIG. Ta struktura dała dopasowanie z R2 równym 0,9972. Wnioski. Znaleziono zależność funkcyjną między Deff a grubością części miękkiej nasion. Siah ma największą wartość Deff ze względu na większą objętość części miękkiej tej odmiany nasion. Rodzaj odmiany oraz prędkość przepływu powietrza suszącego mają odpowiednio największy i najmniejszy wpływ na Deff.

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Technologia Alimentaria
• Rocznik: 2012
• Tom: 11
• Numer: 2
• Opis fizyczny: p.137-149,fig.,ref.

Twórcy

autor

Chayjan R. A.

• Department of Agriculural Machinery, Faculty of Agriculture, Bu-Ali Sina University 6517833131, Hamedan, Iran

autor

Salari K.

autor

Barikloo H.

Bibliografia

• Aghbashlo M., Kianmehr M.H., Arabhosseini A., Nazghelichi T., 2011. Modeling the carrot thin-layer drying in a semi-industrial continuous band dryer. Czech J. Food Sci. 28, 531-537.
• Aghbashlo M., Kianmehr M.H., Samimi-Akhijahani H., 2008. Influence of drying conditions on the effective moisture diffusivity, energy of activation and energy consumption during the thin-layer drying of beriberi fruit (Berberidaceae). Energy Conv. Manage. 49,2865-2871.
• Alibas I., 2007. Microwave, air and combined microwaveair-drying parameters of pumpkin slices. LWT 40, 1445-1451.
• Amiri Chayjan R., Amiri Parian J., Esna-Ashari M., 2011. Modeling of moisture diffusivity, activation energy and specific energy consumption of high moisture com in a fixed and fluidized bed convective dryer. Span. J. Agric. Res. 9, 28-40.
• Amiri Chayjan R., Khoshtaghaza M.H., Montazer G.H., Minaee S., Alizadeh M.R., 2009 a. Estimation of head rice yield using artificial neural networks for fluidized bed drying of rough rice. J. Agr. Sci. Tech. 13, 285-299 [in Farsi],
• Amiri Chayjan R., Khoshtaghaza M.H., Amiri Parian J., 2009 b. Variables estimation and important order determination of effective factors in fixed bed drying of rough rice by using artificial neural networks. J. Food Ind. Res. 19, 55-73 [in Farsi].
• AOAC, 2002. Official methods of analysis. Association of Official Analytical Chemists Arlington, USA.
• Arumuganathan T., Manikantan M.R., Rai R.D., Anandakumar S., Khare V., 2009. Mathematical modeling of drying kinetics of milky mushroom in a fluidized bed dryer. Int. Agrophys. 23, 1-7.
• Bialonska D., Kasimsetty S.G., Schrader K., Ferreira D., 2009. The effect of pomegranate (Punica granatum L.) byproducts and ellagitannins on the growth of human gut bacteria. J. Agric. Food Chem. 57, 8344-8349.
• Chayjan R.A., Esna-Ashari M., 2011. Effect of moisture content on thermodynamic characteristics of grape: mathematical and artificial neural network modeling. Czech J. Food Sci. 29,250-259.
• Chayjan R.A., Parian J.A., Salari K., Abedi Q., 2012. Modeling some drying characteristics of high moisture potato slices in fixed, semi fluidized and fluidized bed conditions. J. Agric. Sci. Tech. [in press].
• Demuth H., Beale M., Hagan M., 2007. Neural network toolbox 5. The MathWorks, Natick, MA, USA.
• Doymaz I., 2007. Air-drying characteristics of tomatoes. J. Food Eng. 78, 1291-1297.
• Doymaz I., Pala M., 2002. Flot air drying characteristics of red pepper. J. Food Eng. 55, 331-335.
• Gazor H.R., Mohsenimanesh A., 2010. Modeling drying kinetics of canola in fluidized bed dryer. Czech J. Food Sci. 28, 531-537.
• Hashemi G., Mowla D., Kazemeini M., 2009. Moisture diffusivity and shrinkage of broad beans during bulk drying in an inert medium fluidized bed dryer assisted by di- electric heating. J. Food Eng. 92, 331-338.
• Khoshnam F., Tabatabaeefar A., Vamamkhasti M.G., Borghei A., 2007. Mass modeling of pomegranate (Punica granatum L.) fruit with some physical characteristics. Sci. Flort. 114, 21-26.
• Khoshtaghaza M.H., Chayjan R.A., 2007. Effect of some physical properties on fluidisation stability of grain products. Biosyst. Eng. 98, 192-197.
• Kingsly A.R.R, Goyal R.K., Manikantan M.R., Ilyas S.M., 2007. Effects of pretreatments and drying air temperature on drying behavior of peach slice. Int. J. Food Sci. Technol. 42, 65-69.
• Kingsly A.R.R, Singh D.B., 2007. Drying kinetics of pomegranate arils. J. Food Eng. 79, 741-744.
• Kingsly A.R.R, Singh D.B., Manikantan M.R., Jain R.K., 2006. Moisture dependent physical properties of dried pomegranate seeds (Anardana). J. Food Eng. 75,492-496.
• Kunii D., Levenspiel O., 1991. Fluidization engineering. Butterworth-Heinemann Stoneham, USA.
• Mansouri Y.S., Khazaei J., Hassan Beygi S.R., Mohtasebi S.S., 2010. Statistical modeling of pomegranate (Punica granatum L.) fruit with some physical attributes. J. Food Proc. Technol. 1, 1-4.
• Mohapatra D., Rao P.S., 2005. A thin layer drying model of parboiled wheat. J. Food Eng. 66, 513-518.
• Sacilik K., 2007. Effect of drying methods on thin-layer drying characteristics of hull-less seed pumpkin (Cucurbita pepo L.). J. Food Eng. 79, 23-30.
• Zhang Q., Yang S.X., Mittal G.S., Yi S., 2002. Prediction of performance indices and optimal parameters of rough rice drying using neural network. Biosyst. Eng. 83, 281-290.

Uwagi

Rekord w opracowaniu