| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,208 |
| تعداد مقالات | 35,560 |
| تعداد مشاهده مقاله | 53,006,024 |
| تعداد دریافت فایل اصل مقاله | 92,289,730 |
مدل سازی ویژگی های فیزیکوشیمیایی پنیر فتای فراپالایشی کم چرب تولید شده با جایگزین های چربی و استارتر الحاقی به روش شبکه عصبی مصنوعی | ||
| تحقیقات مهندسی صنایع غذایی | ||
| مقاله 4، دوره 23، شماره 1 - شماره پیاپی 76، شهریور 1403، صفحه 31-48 اصل مقاله (927.97 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/fooder.2024.364066.1377 | ||
| نویسندگان | ||
| ساره آشکار1؛ وحید حکیم زاده* 2؛ حسن رشیدی3؛ سینا ایروانی کازار4 | ||
| 1دانش آموخته ی مقطع ارشد گروه علوم و صنایع غذایی دانشگاه آزاد اسلامی واحد قوچان | ||
| 2گروه علوم وصنایع غذایی، واحد قوچان، دانشگاه آزاد اسلامی، قوچان، ایران. | ||
| 3عضو هیئت علمی | ||
| 4دانشجوی مقطع دکتری گروه علوم و صنایع غذایی دانشگاه آزاد اسلامی واحد قوچان | ||
| چکیده | ||
| مشکلات تغذیه ای ناشی از مقادیر بالای چربی در برخی از پنیرها سبب شده تا استفاده از جایگزینهای چربی در این محصولات مورد بررسی قرار گیرد. مدل سازی سختی، مقدار آب پنیر تولید شده و pH پنیر فتای فراپالایش کمچرب با سه سطح از لسیتین در مقدارهای صفر، 1 و 2 گرم بر کیلوگرم، سه سطح صفر، 10 و 20 گرم بر کیلوگرم از پودر آب پنیر، صمغ زانتان در مقادیر صفر، نیم و 1 گرم بر کیلوگرم و استارتر الحاقی لاکتوباسیلوس پاراکازئی در دو مقدار 1 و 3 گرم بر لیتر با شبکه عصبی مصنوعی به منظور تعیین بهترین نوع تابع انتقال، نوع قانون یادگیری و درصد دادههای مورد استفاده برای مرحله تربیت، ارزیابی و آزمون بر اساس کمترین خطا و بیشترین ضریب همبستگی انجام پذیرفت. نتایج نشان داد که بهترین مدل برای پیشگویی تغییرات سختی پنیر الگوریتمی با یک لایه پنهان و تعداد 7 نرون، تحت تابع انتقال سیگموئید با قانون یادگیری لونبرگ بود که توانست ضریب همبستگی مناسبی (985/0) را نشان دهد. برای مقادیر آب پنیر خروجی از دلمه نیز مدلی با یک لایه پنهان، تعداد 3 نرون و تابع انتقال تانژانت و قانون یادگیری لونبرگ بهترین الگوریتم را با ضریب همبستگی 908/0 ایجاد کرد. همچنین pH پنیر توسط مدلی با یک لایه پنهان، تعداد 8 نرون و تابع انتقال سیگموئید تحت قانون یادگیری لونبرگ و ضریب همبستگی 8493/0 پیشگویی شد. بهترین درصد داده ها برای تربیت، ارزیابی و آزمون مقادیر سختی، آب پنیر و pH به ترتیب 60/ 35/5 ، 60/10/30 و 35/20/45 بدست آمد | ||
| کلیدواژهها | ||
| تانژانت؛ سیگموئید؛ شبکه عصبی مصنوعی؛ فراپالایش؛ لاکتوباسیلوس پاراکازئی | ||
| عنوان مقاله [English] | ||
| Modeling the physicochemical characteristics of ultra-refined low-fat feta cheese produced with fat substitutes and additional starter by artificial neural network method | ||
| نویسندگان [English] | ||
| sareh Ashkar1؛ Vahid Hakimzadeh2؛ Hasan Rashidi3؛ Sina iravani Kazar4 | ||
| 1Qucahn | ||
| 2Department of Food Science and Technology, Quchan Branch.Islamic Azad University, Quchan, Iran | ||
| 3AREEO | ||
| 4Quchan | ||
| چکیده [English] | ||
| Nutritional problems according to high amounts of fat in some cheeses have caused the use of fat substitutes to be investigated. Modeling the hardness, whey and pH of UF low-fat feta cheese with three levels of lecithin at zero, 1 and 2 g/kg, three levels of zero, 10 and 20 g/kg of whey powder, xanthan gum. in amounts of zero, half and 1 g/kg and additional starter of Lactobacillus paracasei in two amounts of 1 and 3 g/l with artificial neural network in order to determine the best type of transfer function, type of learning law and percentage of data used for training, evaluation and the test was performed based on the lowest error and the highest correlation coefficient. The results showed that the best model for predicting cheese hardness changes was an algorithm with a hidden layer and the number of 7 neurons, under the sigmoid transfer function with Levenberg's learning law, which could show a good correlation coefficient (0.985). For whey, a model with a hidden layer, the number of 3 neurons and the tangent transfer function and Levenberg's learning law created the best algorithm with a correlation coefficient of 0.908. Also, the pH of cheese was predicted by a model with a hidden layer, the number of 8 neurons and the sigmoid transfer function under Levenberg's learning law and the correlation coefficient was 0.8493. The best percentage of data for education, evaluation and testing of hardness, whey and pH values were obtained 5.35.60, 30.10.60 and 45.20.35 respectively | ||
| کلیدواژهها [English] | ||
| Tangent, sigmoid, artificial neural network, Ultrafiltration, lactobacillus paracasei | ||
| مراجع | ||
|
Almeida, K. E. D., Tamime, A. Y., & Oliveira, M. N. D. (2009). Influence of total solids contents of milk whey on the acidifying profile and viability of various lactic acid bacteria. LWT-Food Science and Technology, 42(2), 672-678. Awad, S. (2006). Texture and flavour development in Ras cheese made from raw and pasteurised milk. Food chemistry, 97(3), 394-400. Banks, J. M. (2004). The technology of low‐fat cheese manufacture. International Journal of Dairy Technology, 57(4), 199-207. Da Cruz, A. G., Walter, E. H. M., Cadena, R. S., Faria, J. A. F., Bolini, H. M. A., & Fileti, A. F. (2009). Monitoring the authenticity of low-fat yogurts by an artificial neural network. Journal of Dairy Science, 92(10), 4797-4804. Danesh, E., Jooyandeh, H., Samavati, V., & Goudarzi, M. (2017). Effect of enzymatic transglutaminase treatment on textural and sensory properties of low-fat UF-Feta cheese incorporated with whey proteins using response surface optimization. Iranian Food Science and Technology Research Journal, 13(2), 282-294. Fox, P. F., Guinee, T. P., Cogan, T. M., & McSweeney, P. L. (2017). Fundamentals of cheese science. Hakimzadeh, V. (2020). Modeling of Saffron Drying with Oven by Artifical Neural Network. Journal of Saffron Research, 8(1), 115-126. Hesarinejad, M. A., Arefkhani, A., Rafe, A., Javidi, F., & Sadeghian, A. (2021). Investigating the qualitative, textural and sensory characteristics of low fat Iranian white cheese containing a mixture of basil seed gum with xanthan or guar. Jalilzadeh, A., Hesari, J., Peighambardoust, S. H., & Javidipour, I. (2018). The effect of ultrasound treatment on microbial and physicochemical properties of Iranian ultrafiltered feta-type cheese. Journal of Dairy Science, 101(7), 5809-5820. Lteif, L., Olabi, A., Baghdadi, O. K., & Toufeili, I. (2009). The characterization of the physicochemical and sensory properties of full-fat, reduced-fat, and low-fat ovine and bovine Halloumi. Journal of dairy science, 92(9), 4135-4145. Lucca, P. A., & Tepper, B. J. (1994). Fat replacers and the functionality of fat in foods. Trends in Food Science & Technology, 5(1), 12-19. Manolaki, P., Katsiari, M. C., & Alichanidis, E. (2006). Effect of a commercial adjunct culture on organic acid contents of low-fat Feta-type cheese. Food chemistry, 98(4), 658-663. Omrani Khiabanian, N., Motamedzadegan, A., Naghizadeh Raisi, S., & Alimi, M. (2020). Chemical, textural, rheological, and sensorial properties of wheyless feta cheese as influenced by replacement of milk protein concentrate with pea protein isolate. Journal of texture studies, 51(3), 488-500. Qods Rihani, M., Mortazavi, A., Mazaheri Tehrani, M., Razavi, S.M.A. (2009). Investigating the effect of process conditions on the physical, chemical and sensory characteristics of ultra-refined feta cheese produced from a mixture of cow's milk and soy milk. PhD thesis, Ferdowsi University Mashhad [in Persia]. Rashidi, H., Mazaheri-Tehrani, M., Razavi, S. M. A., & Ghods-Rohany, M. (2018). Improving Textural and Sensory Characteristics of L ow-Fat UF Feta Cheese Made with Fat Replacers. Saint-Eve, A., Lauverjat, C., Magnan, C., Déléris, I., & Souchon, I. (2009). Reducing salt and fat content: Impact of composition, texture and cognitive interactions on the perception of flavoured model cheeses. Food chemistry, 116(1), 167-175. Salari, S., Zanganeh, M., Fadavi, A., & Ahmadi, Z. (2017). Effect of xanthan gum and carboxymethyl cellulose on physical properties of cream cheese. International Journal of Advancements in Technology, 8(1), 1-5. Sofu, A., & Ekinci, F. Y. (2007). Estimation of storage time of yogurt with artificial neural network modeling. Journal of Dairy Science, 90(7), 3118-3125. Zarifpoor, M., & Hakimzadeh, V. (2018). Investigating of artificial neural network potential to predict the properties of refined raw sugar beet juice by electrocoagulation process. Ukrainian food journal, (7, Issue 4), 682-691.
| ||
|
آمار تعداد مشاهده مقاله: 277 تعداد دریافت فایل اصل مقاله: 269 |
||