محبوبه فضایلی - استادیار بخش علوم و صنایع غذایی، دانشگاه شیراز
زهرا امام جمعه - استاد علوم و مهندسی صنایع غذایی، دانشگاه تهران
محمدسعید یارمند - دانشیار علوم و مهندسی صنایع غذایی، دانشگاه تهران.

جهت پیشبینی خصوصیات پودر بستنی شاتوت از پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا در محیط NeuroSolutions استفاده شد. ورودیهای شبکه شامل دمای هوای ورودی (120 ،140 و 160 درجه سانتیگراد)، سرعتماده ورودی به خشککن (5 ،10 و 15 ،(%میزان ثعلب (3/0 ،6/0 و 9/0 ،(%میزان جایگزینی ثعلب با کاپا کاراگینان (5 ،10 و 15 (%و میزان آبشاتوت (15 ،30 و 45 (%میباشند. در این مطالعه تاثیر ورودیهای شبکه را بر خصوصیاتی از پودر بستنی ونمونههای حاصل از بازسازی مجدد پودر بستنی شامل راندمان، میزان افزایش حجم، سرعت ذوب، میزان آنتوسیانین کل، ویسکوزیته ظاهری و سختی بافت مورد بررسی قرار گرفت. برای ارزیابی کارایی مدل شبکه عصبی از آمارههای ضریب R ،(جذر میانگین مربع خطا (RMSE (و میانگین خطای مطلق (MAE (استفاده شد. در نهایت شبکه (6:10:5 (2 همبستگی ( R بالاتر 2 با کمترین میانگین مربع خطا و بزرگترین ضریب همبستگی به عنوان مدل بهینه انتخاب شد. مدل بکار برده شده با از 908/0 خصوصیات پودر بستنی را پیشبینی کرد.

خشک کردن پاششی، شبکه عصبی مصنوعی، پودر بستنی، شاتوت، دمای هوای ورودی، سرعت ماده ورودی