مدلسازی سینتیک خشک کردن ورقه های موز

در این مطالعه، خصوصیات خشک شدن ورقه های نازک موز در خشک کن آزمایشگاهی، مورد بررسی قرار گرفت. آزمایش ها در چهار سطح دمایی 50، 60، 70 و 80 درجه سلسیوس و سه ضخامت 2، 4 و 6 میلی متر و سه سرعت هوای 5/0، 0/1 و 5/1 متر بر ثانیه با سه تکرار انجام گرفت. 12 مدل ریاضی خشک شدن بر داده های آزمایشگاهی برازش داده شده و بر اساس دو شاخص آماری ضریب تبیین (r2) و ریشه متوسط مربع خطای داده ها (rmse) با هم مقایسه شدند. طبق نتایج به دست آمده، مدل پیج و پیج اصلاح شده، خشک شدن ورقه های موز را نسبت به مدل های دیگر بهتر پیش بینی کردند. نتایج آزمایشات نشان داد که مقدار ضریب انتشار موثر رطوبت در دماهای بین 50 تا 80 درجه سلسیوس، از10-10×73394/1 تا 10-10×0061/27 متر بر ثانیه تغییر می کند. همچنین، با استفاده از رابطه آرنیوس، انرژی لازم برای فعالسازی در محدوده 24/21 تا kj/mol 17/30 تعیین گردید. علاوه بر این موارد، مقدار انرژی مورد نیاز در دماها و سرعت های مختلف هوای خشک کن و ضخامت های مختلف نیز محاسبه شد. کمترین انرژی برای خشک شدن ورقه های موز با ضخامت 2 میلی متر با wh 4323 و بیشترین انرژی برای خشک کردن ورقه های با ضخامت 6 میلی متر با wh 9775 مصرف شد. همچنین، تغییر رنگ موز در هنگام خشک شدن در چهار سطح دمایی 50، 60، 70 و 80 درجه سلسیوس و سه سرعت هوای ورودی 5/0، 1 و 5/1 متر بر ثانیه و ضخامت 4 میلی متر بر اساس پارامترهای رنگ هانترلب شامل l (روشنایی و تیرگی)، a (سبزتا قرمز) و b (آبی تا زرد) مورد بررسی قرار گرفت. با توجه به مقادیر شاخص های رنگ سنجی، با افزایش دما مقدار شاخص های l و b کاهش ولی شاخص a افزایش یافت. در این تحقیق توانایی تخمین روش سطح پاسخ و بهینه کردن مطلوبیت در خشک شدن ورقه های موز مورد بررسی قرار گرفت. تاثیرات ضخامت ورقه های موز، زمان، دما و سرعت هوای خشک شدن بر محتوای رطوبتی و نرخ خشک شدن به روش سطح پاسخ به صورت توابع درجه دوم مدل شد. بیشترین مطلوبیت به مقدار 91/0 به منظور کمینه کردن محتوای رطوبتی و بیشینه کردن نرخ خشک شدن، در دمای °c 80، سرعت هوای m/s 5/1، زمان min 100 و ضخامت mm 2 به دست آمد. از شبکه عصبی مصنوعی نیز برای شبیه سازی استفاده شد. ورودی شبکه عبارت از زمان خشک کردن، دما و سرعت هوای خشک کن و خروجی شبکه، محتوای رطوبتی و نرخ خشک شدن ورقه-های موز بود. از شبکه پس انتشار پیشخور با الگوریتم های یادگیری لونبرگ- مارکوارت استفاده شد و نتایج نشان داد که شبکه پس انتشار پیشخور با توپولوژی 2-15-3 با الگوریتم آموزش لونبرگ- مارکوارت بهترین توپوگرافی شبکه بوده و با ضریب همبستگی 9984/0 داده های آزمایشگاهی را پیش بینی نمود.