Thesis

اثر پایدارکننده ها بر خصوصیات فیزیکی خامه قنادی و پیش بینی این خواص با استفاده از شبکه عصبی مصنوعی

Abstract(in Persian; no English abstract is available)

هدف از انجام این پژوهش، یافتن تاثیر صمغ زانتان، پودر ثعلب و موسیلاژ دانه قدومه شهری و شرایط مختلف تولید بر خواص فیزیکی خامه قنادی و پیش بینی این تاثیرات با استفاده از شبکه عصبی مصنوعی بود. پس از بررسیهای به عمل آمده، درصدهای مختلف هر صمغ و شرایط تولید مختلف تعیین شدند. مواد اولیه این تحقیق شامل خامه، شیر پس چرخ، شکر، لسیتین، صمغ زانتان، ثعلب و دانه قدومه شهری بودند. جهت بررسی تاثیر انواع صمغ های مختلف، سطوح آن ها و شرایط مختلف تولید، 52 تیمار تشکیل شدند و آزمون های فیزیکی (درصد افزایش حجم، مقدار آب اندازی، درصد افت ارتفاع) بلافاصله پس از تولید انجام شدند. بعد از 24 ساعت نگهداری خامه در دمای 5 درجه سانتی گراد مقدار گرانروی اندازه گیری شد و از چهار مدل مستقل از زمان توان، هرشل-بالکی، کاسون و بینگهام، جهت تعیین خواص رئولوژیکی خامه قنادی استفاده شد. در نهایت مدل توان به عنوان مدل مناسب جهت توصیف رفتار رئولوژیکی نمونه‏ ها انتخاب شد. ویژگی های بافتی نمونه ها، 24 ساعت پس از تولید و با انجام آزمون اکستروژن برگشتی، مورد ارزیابی قرار گرفت. در نهایت امکان پیش بینی خواص فیزیکی خامه قنادی در شرایط مختلف تعریف شده، به وسیله شبکه عصبی مصنوعی مورد ارزیابی قرار گرفت. نتایج نشان داد که هر صمغ، در شرایط مختلف تولید، رفتار متفاوتی از خود را نشان می دهد که ضرورت استفاده از یک مدل بر پایه نتایج آزمایشی را نشان می دهد. شبکه عصبی مصنوعی توانست، به خوبی رابطه بین ورودی ها و خروجی های تعریف شده را تشخیص بدهد و یک روش مناسب جهت تخمین خصوصیات فیزیکی خامه قنادی می باشد.

Supervisors and advisors

زهرا امام جمعه، محمد الهی، محبت محبی، حسن جودکی

Similar theses

Similar items

  • مقایسه توانایی پیش بینی مدل های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی- فازی انطباقی(ANFIS) و تبدیل موجک-عصبی: قیمت سبد نفت خام اوپک

    پیشبینی قیمت نفتخام از مهمترین موضوعات فرا روی اقتصاد انیرژی اسیت. پییش بینیی مناس قیمت نفت و آنهم قیمت نفتخام اوپک، به دلیل درگیر بودن تعدادی از کشورهای در حال توسعهی این سازمان با قیمت نفت، میتواند در برنامهریزیهای سازمان و کشورهای عضیو آن، اهمیت ویژهای داشته باشد. برآورد و پیش

  • اندازه گیری درجه تثبیت تاب نخ بر مبنای تعریف ذاتی تاب و پیش بینی آن توسط شبکه عصبی مصنوعی

    Article2024علوم و فناوری نساجیمهران دادگر

    تثبیت تاب بخش مهمی از تولید نخ به دو روش تاب دادن مجازی یا واقعی است. روش مرسوم برای تثبیت تاب، انجام عملیات حرارتی نخ است. در حال حاضر تثبیت تاب بر اساس تثبیت مقدار ترکیبی از میزان تثبیت خمش، کرنش، گشتاور طبق روش های رایج محاسبه میشود. در حالی که مبنای تاب نخ، اعمال نیروی پیچشی

  • پیش بینی خواص فیزیکی پسته با استفاده از شبکه های عصبی مصنوعی در طی فرآوری

    Articleنوآوری در علوم و فناوری غذایی

    شناخت خواص فیزیکی مغز پسته در فرآیندهای انتقال، خشک کردن، فرآوری، جداسازی، درجه بندی و ذخیره این محصول ارزشمند نقش اساسی ایفاء می کند. در این مطالعه، خواص فیزیکی پسته توسط مدل های مختلف شبکه ی عصبی شبیه سازی گردید. مدل های مختلف شبکه ی عصبی همراه با تابع های آستانه ی مختلف در پیش

  • پیش بینی هوشمندانه خصوصیات تخته خرده چوب با استفاده از شبکه عصبی مصنوعی

    Article2014فصلنامه تحقیقات علوم چوب وکاغذ ایرانزهرا جهانی لمر، سعید رضا فرخ پیام، محمد شمسیان

    چکیده شبکه های عصبی در دهه ی اخیر به عنوان ابزار قدرتمندی جهت پیش بینی در حوزه های مختلف مورد استفاده قرار گرفته اند. در این تحقیق از شبکه عصبی پیشخور پرسپترون چند لایه (mlp) با یادگیری پس انتشار از الگوریتم آموزش انتشار به عقب (bp)، با تکنیک بهینه سازی عددی لونبرگ- مارکوات (lm)،

  • پیش‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎بینی بقای بیماران مبتلا به سرطان پستان با استفاده از دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی

    Articleمجله اپیدمیولوژی ایرانآذر اسد آبادی، a asadabadi msc, department of biostatistics & epidemiology, school of health, kerman university of medical sciences, iranکارشناس ارشد آمار زیستی، گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت و مرکز تحقیقات مدل سازی در سلامت دانشگاه علوم پزشکی کرمان، کرمان، ایران عباس بهرامپور، a bahrampour professor, phd, modeling of health research center, department of biostatistics & epidemiology, school of health, kerman university of medical sciences, iranاستاد گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت و مرکز تحقیقات مدل سازی در سلامت دانشگاه علوم پزشکی کرمان، کرمان، ایران علی اکبر حقدوست، aa haghdoost associate professor, phd, modeling of health research center, department of biostatistics & epidemiology, school of health, kerman university of medical sciences, iranاستاد گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت و مرکز تحقیقات مدل سازی در سلامت دانشگاه علوم پزشکی کرمان، کرمان، ایران

    مقدمه و اهداف: در سال‎های اخیر، توجه قابل ملاحظه‎ای به مدل‎های آماری برای طبقه‎بندی داده‎های پزشکی با توجه به بیماری‎های مختلف و پیامدهای آن‎ها شده است. شبکه‎های عصبی مصنوعی به دلیل عدم نیاز به پیش فرض با موفقیت برای تشخیص الگو و پیش‎بینی در برخی از مطالعه های بالینی استفاده شده‎

  • کاربرد شبکه عصبی مصنوعی در پیش بینی هدایت هیدرولیکی اشباع با استفاده از پارامترهای فیزیکی خاک

    Article2009تحقیقات مهندسی کشاورزیبهزاد قنبریان علویجه، عبدالمجید لیاقت، سمانه سهرابی

    ویژگی­های هیدرولیکی خاک همچون هدایت هیدرولیکی اشباع و غیراشباع در مطالعات زیست محیطی نقش مهمی را ایفا می­نمایند. از آنجائی­که اندازه­گیری مستقیم این قبیل ویژگی­های هیدرولیکی خاک امری وقت­گیر و هزینه­بر است روش­های غیرمستقیمی چون توابع انتقالی و شبکه­های عصبی مصنوعی بر مبنای پارام