文摘

南瓜子在振动流化床干燥机干燥(VFBD)在不同的温度下优化振动强度4.26和4米/秒风速。干燥特性映射采用半经验模型和人工神经网络(ANN)。南瓜种子的干燥行为预测是使用半经验模型,其中,一个是首选,因为它表示最好的统计指标。连任两届模型显示,最适合的数据R2−0.999,最低χ2−1.03×10−4和MSE 7.55×10−5。Levenberg-Marquardt训练前馈反向传播人工神经网络模型的训练与2-10-2拓扑算法使用TANSIGMOID激活函数。安的性能评估显示更好的干燥行为预测R2= 0.9967和MSE = 5.21×10−5水分含量,R2= 0.9963和MSE = 2.42×10−5水分比数学模型。一般来说,干燥动力学和其他干燥参数的预测更精确的安技术相比半经验模型。毕奥数,扩散系数h米增加从1.12×10−9±3.62×10−101.98×10−9±4.61×10−10米2/秒,0.51±0.01,0.60±0.01,和1.49×10−7±4.89×10−83.10×10−7±7.13×10−8m / s,分别从40到60°C温度升高。阿伦尼乌斯方程被用来获得活化能的32.71±1.05焦每摩尔。

1。介绍

南瓜属于葫芦科家庭和世界各地广泛生长在温暖的地区。全球生产南瓜,南瓜和葫芦(MT)在2017年是2700万吨。印度是第二大生产国,约占总数的20%(5.56吨)的全球生产(1]。南瓜含有肉(72 - 76%),皮副产品(2.6 - -16%),和种子(3.2 - -4.4%)2]。南瓜加工工业分离有用的部分水果的副产品,构成皮和种子(3]。南瓜种子是一种重要的生物活性成分,如脂肪来源,至关重要的蛋白质,维生素,植物甾醇,角鲨烯,维生素e和类胡萝卜素色素,4,5]。它被几个国家的小吃,和石油一般用于烹饪和制药应用。南瓜种子高水分;因此,他们非常容易受到微生物的腐败和化学蚀变(6]。

对南瓜种子的需求增加的高营养和功能特性。这可能鼓励调查采后加工和工业副产品利用率的影响,防止退化的品质。干燥是最合适的技术来阻止微生物变质,延长种子的存储7]。此外,它还可以减少运输和存储成本。然而,身体和营养的变化可能发生在食品材料包括一些质量特征,如纹理、颜色和味道(8]。因此,选择合适的干燥技术在食品加工是一个特别重要的一步。

机械vibration-assisted流化床也是一个潜在的先进干燥技术来改善这种颗粒的流化(9]。鼓风机和振动电机所消耗的电能在振动流化床干燥机(VFBD)据报道,约55%的电能风机的定期监测(10]。此外,通过诱导振动流化床,均匀温度循环可以实现(11),固体颗粒的聚集可以预防和流化速度和压降可以减少12,13]。

在干燥传热传质同时发生由于其复杂性。因此,优化干燥工艺条件是很重要的,为此,数学建模是一个特殊的工具(14]。此外,建模应用于找出干燥时间和干燥的一般性质。设计和选择烘干机,干燥行为的知识是非常重要的。有几项研究报告在文献中预测或开发最适合干燥动力学的数学模型。一般来说,预测农产品的干燥行为不同的数学模型,即经验、半经验的,和理论,使用。在大多数的干燥实验,经验模型验证数据的特殊配件,但忽略了干燥过程的基础。在理论模型证明扩散机制或传热传质机制(15),有几个调查在南瓜种子干燥动力学的数学模型对自然和强制对流太阳能干燥器(6隧道)、太阳能干燥器(16),托盘干燥(17],流化床干燥[17- - - - - -20.),和红外干燥器(21]。然而,没有研究发现南瓜种子使用振动流化床干燥器干燥。

生物样品的干燥是一个复杂的方法和场合,不得使用传统的模型来解释。为此,神经网络方法也试图在这项研究中考虑到小说干燥过程的本质。人工神经网络(ANN)是一种机器学习方法应用于预测复杂的输入和输出之间的相关性的干燥条件和非线性问题(22]。许多研究人员使用安解释水分,干燥,水分比例,有效扩散系数,能量消耗率为不同农业产品(23- - - - - -25]。阿尔瓦雷斯et al。26)成功地使用安相关传热传质参数和振动参数(振幅、频率和垂直运动)罂粟种子在振动流化床干燥器干燥。Kumar et al。27)使用前馈反向传播人工神经网络模型来预测喂养干燥温度和时间的水分比作为输入参数。根据我们的密集的文献检索,没有工作报告南瓜种子的干燥动力学的建模VFBD安及其与半经验的干燥模型来我们所知。此外,信息传质参数南瓜种子干燥使用VFBD不可用。这些参数是有用的在设计烘干设备和优化工业干燥过程,因此被调查。

因此,目前的工作的目的是执行南瓜种子干燥在各种干燥参数连同VFBD干燥传质参数的确定。的预测和比较研究还涉及使用半经验的南瓜种子的干燥行为建模和安。

2。材料和方法

2.1。样品制备

南瓜(Cucurbita最大值Narela)从市场采购,新德里,印度,在夏天季节。减少了一半的南瓜手动删除种子紧随其后。未开发的种子被移除和种子表现出相同的大小与去离子水清洗,然后筛,删除的纸浆。洗种子被储存在低密度聚乙烯(LDPE)密封袋−10°C和受到干燥治疗24 h内的存储。热空气炉方法被用来估计初始水分含量在105°C 24小时(28]。三次读数都是复制的准确性。

2.2。实验装置

电子电动振动流化床干燥机是制作食品工程系,NIFTEM,哈里亚纳邦,印度,如图1。的组件和规范VFBD展示在表1。


图1
振动流化床干燥机的原理图。
表1
振动流化床干燥机的设计规范。
2.3。振动强度

振动强度(Γ)使用以下公式计算29日]: 在哪里一个振幅,mm; 重力加速度,mm / s2;和f振动的频率,赫兹。Pakowski et al。30.)推荐的最佳范围Γ适当结构床,干燥速率为1 - 6。

2.4。干燥实验

实验在不同条件如表所示2。流化气流速度选择是4 m / s的Kaveh et al。7为南瓜种子。在每个实验之前,三个烘干机运行30分钟在空载条件下完成选择干燥室的操作参数。干燥,南瓜种子约200 g放在VFBD的穿孔筛。水分的重量记录时间间隔为5分钟。干燥是一直持续到0.007 - -0.009公斤H2O /公斤dm水分保持在示例中,它是high-oil-content种子的安全储存水分。干样品在干燥器的冷却环境温度(27°C)为15分钟,然后填充低密度聚乙烯袋额外的调查。

表2
VFBD实验参数。
2.5。干燥动力学和数学建模

干燥过程中水分率是计算使用标准方程(巴巴et al ., 2020)。

南瓜种子的干燥实验数据拟合六薄层干燥模型如表所示3。模型的参数估计使用非线性回归过程。选择最合适的模型来描述薄层干燥,决定系数(R2)、卡方(χ2)和均方误差(MSE)。这些参数计算使用标准方程(18,31日]。

表3
最常用的半经验的说明种子的干燥动力学模型。
2.6。ANN建模

安模仿人脑神经元的功能。它适应新的知识和识别模式模糊和不准确的数据。在这部作品中,建模的实验数据也由一个神经网络多层FFBP使用MATLAB的神经网络工具箱v。2012年(美国MathWorks Inc .)。提供的ANN模型不同的空气温度和干燥时间数据作为输入,而MC和先生作为输出(监督培训)与一个隐藏层,降低模型的复杂度。准确的干燥数据预测的最佳安基础设施是在反复试验的基础上完成的。有很多反向传播训练算法等比例共轭梯度(SCG) Polak-Ribiere共轭梯度(本金保证产品),bfg拟牛顿(整编)Levenberg-Marquardt (LM),弹性(Rprop),梯度下降股票指数型基金(简称eft)(反向传播,等等。32]。从这些,Levenberg-Marquardt训练算法(TRAINLM)之前使用,因为它证明了干燥的效率数据预测(33]。

模型发展,70%是用于培训和30%的剩余的数据进行测试和验证,分别。TANSIGMOID激活函数执行关联的信号输入和输出的每一层,减少处理时间。所提出的Dorofki et al。34),作为一个近似函数,PURELIN传递函数应用到输出层。迭代的数量限制在1000个减少同时确保适当的模型验证时间终止(实现误差目标)。对于模型的性能指标,MSE和相关系数(R)记录。

接收到的信号从输入层到第一个HL是表示如下22]:

神经元的输出信号可以表示使用下面的方程,分别为:

输出层将得到10的信号霍奇金淋巴瘤,使用下列方程表示:

PURELIN函数是用来接收输出层的神经元获得ANN模型的结果如下:

选择的目标和输出之间的误差反向传播模型估计和最小可接受的水平,通过调整结构的重量。

2.7。估计的有效水分扩散系数(Deff)和活化能(E一个)

的估值Deff、板几何被认为是对南瓜种子,由于其小的厚度与其他维度(35]。一个假设是微不足道的收缩由于干燥发生均匀分布的初始MC。菲克定律是用来计算Deff南瓜种子的16),线性化所显示Golpour et al。36]。使用阿仑尼乌斯活化能确定函数,它表达的关系Deff和温度。

2.8。传质参数

毕奥数等参数(B我)和传质系数(h米)是由方程由Dincer和侯赛因37]。B我无量纲数,代表了内部和外部对流传热之间的相关性(38]。它还指定了在产品和水分传输的阻力是影响干燥介质和产品类型。B我被计算为

气流速度和加热和冷却系数之间的关系由Dincer提供号码(D我)。D我是表示使用

此外,对流质量传递系数是决定使用以下方程: 在哪里 气流速度,m / s;H种子的厚度,米,k是干燥常数(取自最佳模型)。

3所示。结果与讨论

3.1。干燥特性

南瓜种子的初始水分含量测定为1.52±0.013公斤H2O /公斤干物质减少到0.08±0.01公斤H2O /公斤干物质。干南瓜种子的干燥曲线VFBD在不同的温度下如图所示2。减少水分含量与观察时间的南瓜种子干燥条件,如图2(一个)。含水率下降表明,扩散机制是由传质内种子(阿什蒂亚尼等。)39]。从图2 (b),这是观察到没有恒速期;这可能是由于薄层干燥的南瓜种子,这是无法提供充足的水分而干燥。干燥所得,自由表面水分蒸发表面水分不足时,水分扩散发生的核心种子表面也解释了下降,先生,观察图2 (c)。因此,减少干燥速度随时间和观察的起始速度下降。另一个可能的原因速度从南瓜种子水分扩散其平面几何表现出大团。从更大的表面水的迁移到周围的种子在较小的表面要快得多。

(一)
(一)
(b)
(b)
(c)
(c)
图2
南瓜种子的干燥特点VFBD: (a)含水率的变化,干燥速率(b)和(c)水分的干燥时间。

干燥速率被发现从0.0063增加到0.0091公斤H2O /公斤dm.最小值与温度的上升从40到60°C。结果表明,升高温度会增加周围空气之间的热梯度和种子,这刺激随后较高的干燥速率,从而减少干燥时间(40]。干燥曲线类似的结果中发现了蓖麻油种子(萝藦)[31日],西瓜种子[41),南瓜种子(17),麻风树l .种子(42),和大蒜瓣43,44]。Stakić和Urošević45)干VFBD罂粟籽和报道,随着温度的上升,提高干燥速率和干燥时间减少。利马et al。46)还得出结论,得到了适当的水分蒸发和同质性在振动流化床干燥比传统流化床干燥。

3.2。数学建模

实验数据的结果拟合半经验模型和模型系数测定和展示在表4。选择是基于最大的最佳模型R2和MSE和最小值χ2。的范围R2、MSE和χ2所有的实验都是0.9923到0.9990,7.55×10−57.77×10−4和8.48×10−56.48×10−4,分别。实验数据被安装在所有的模型R2大于0.99。但最高的两届模型特别适合R2−0.999,最低χ2−1.03×10−4和MSE 7.55×10−5在一个温度60°C。(即验证的最佳模型。,two-term) was also conducted using MATLAB curve fitting tool. The goodness of validation as predicted parameters are SSE: 0.00113 and RMSE: 0.00870. It was observed that drying rate constant (k)显著( )提高温度的上升。剩余土地的水分比例呈现在图3 (b)。剩余的情节是最佳观测模型的异方差性,这表明该模型预测是好的,和数据质量高。一般来说,预计剩余非线性回归模型的异方差性。

表4
统计参数和系数的南瓜种子在VFBD干。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图3
(一)连任两届模型拟合图。随着时间的推移,(b)残差的变化。(c)的残差正态概率图。(d)异方差性情节。
3.3。安性能

ANN模型被TRAINLM成功训练算法与10个神经元的霍奇金淋巴瘤。相关系数(R)ANN模型的训练、测试和验证了0.9999,0.9997和0.9999,分别均方误差为2.12×10−4如图4。最终的重量和偏见安地形对南瓜种子干燥VFBD如表所示5。


图4
与2输入训练神经网络生成的性能(温度和干燥时间),10个隐层神经元,2输出(水分含量和水分比例)。
表5
为获得神经网络权重和偏见。

预测的水分含量(R2= 0.9967;MSE = 5.29×10−5)和水分率(R2= 0.9963;MSE = 2.42×410−5)的最优网络结构拓扑(2-10-2)预计TANSIGMOID如图5。Kaveh [35)发现安model-FFBP提供最好的水分比(外推R2= 0.9944)的南瓜种子干燥的定期监测。贾法里et al。23)确定与TRAINLM FFBP网络,TANSIGMOID激活功能,2-5-1拓扑显示R2为0.9996,最小均方误差为3.94×10−5预测的水分比洋葱在流化床干燥器干燥。的报道工作是类似于我们的发现南瓜种子。


图5
模拟生成的神经网络的性能随着误差变异图显示安学习(随机误差表明适当的培训)。
3.4。比较评估的半经验的和人工神经网络模型

连任两届模型被发现与最大最充分符合实验数据R2和最小均方误差。随后,连任两届的模型选择与ANN模型进行比较。展示在表比较的统计指标6。安提供了一个相对合理的适合在干燥条件下,在最大的范围R2和最小均方误差值的半经验模型。这说明安更有能力的相关所有内部和外部变量和更有可能在其他看不见的工艺条件提供准确的预测22,23]。

表6
半经验的和ANN模型的比较分析。
3.5。水分扩散系数和活化能

的Deff从斜率估计获得从显示的图在图吗6(一)VFBD。相同的值显示在表中7。结果表明Deff值从1.12 va10改变的南瓜种子−9±3.62 .610−102.28到−9±1.43 .410−10米2/ s的温度范围在VFBD 40到60°C,分别。获得的值在这个分析范围内的食品材料,通常在10−11到10−9米2/秒(47]。

(一)
(一)
(b)
(b)
图6
(一)实验ln先生时间在不同的温度下。(b)情节活化能的测定。
表7
D eff,E 一个传质限制的南瓜种子在不同干燥温度。

这是观察到的水分扩散系数显著( )提高温度上升。正如前面所解释的那样,增加温度降低边界层的外部阻力,加速传热表面和中心之间的种子的一部分。由于高温,种子内蒸汽压力增加导致更快的水分迁移到表面,导致增加Deff。不同材料的扩散系数取决于它们的结构,温度,水分含量(48]。

对数水分比ln的图形表示Deff与T−1南瓜种子在不同温度下干燥的图所示6 (b)VFBD。E一个被确定为32.71±1.05的南瓜种子在VFBD焦每摩尔。根据Bezerra et al。49),如果E一个更大,从样品的表面蒸发的水分缓慢是由于强烈结合水分与其他化合物。的价值E一个发现在这个报告的范围内E一个获得食品和低价值相比在先前的研究报告(18,19]。

3.6。传质参数

B我代表了干燥过程中水分扩散率。的B我和h米总结在表值7。正如预期,B我数量和h米明显( )从0.51±0.01,0.60±0.01,增加台端面应与2.42−7±9.24 .210−87.45到10−7±5.52 .510−8m / s,分别随着温度的增加从40°C到60°C。B我可以分类如下:B我< 0.1;0.1 <B我< 100;和B我> 100。如果B我< 0.1,那么就更少的内部阻力和更多的外部水分扩散阻力通过流体边界层内的产品。如果0.1 <B我< 100,它指定是内部和外部阻力的存在,如果B我> 100,这表明最大内部和外部水分扩散阻力非常少的产品由于干燥50]。的值B我在目前的调查是第二类,揭示了存在的内部和外部阻力除去水分。访问的增加热能食品材料由于高温刺激水分子,导致高传质速率(51]。类似的趋势也发生在cocoyam干对流干燥机(52),苹果(简历。金冠苹果)干的真空干燥温度从50°C到70°C(升级53],辣木属叶vacuum-dried在40°C到60°C (22]。

4所示。结论

南瓜种子在VFBD干40岁,50岁和60°C以恒定气流速度的4 m / s, 4.26 (一个= 10毫米, = 10.3 Hz)振动强度。这是指出,空气温度显著南瓜种子的干燥特性的影响。在所有六个半经验模型、两届模型更精确地拟合与最大临床实验的数据R2−0.999,最低χ2−1.03×10−4和MSE 7.55×10−5。连任两届模型预测和安之间的比较评估。安了一个更好的整体预测干燥特性的统计指标。的价值Deff,B我,,h米的南瓜种子干燥温度的增加而增加。活化能计算阿仑尼乌斯方程表明,适量的能量;也就是说,32.71±1.05焦每摩尔开始干燥至关重要。干燥的南瓜种子60°C 1.15 h在VFBD建议4 m / s振动强度为4.26的气流速度。

数据可用性

用于这项工作的所有数据是可用在手稿。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢食品工程系,NIFTEM (Sonipat)为他们的设施,支持和鼓励。第一作者由于部落事务,印度政府提供奖学金见批准号201718 - nfst mah - 02452。