Farklı Kurutma Şartlarında Muz (Musa cavendishii) Meyvesinin Kurutulması ve Kurutma Kinetiğinin Yapay Sinir Ağları ile Modellenmesi
Çalışma kapsamında muz meyveleri 0,5-1 ve 1,5 cm dilim kalınlığında 50º, 60º ve 70ºCkurutma havası sıcaklığında kurutulmuştur. Araştırma sonuçlarına göre kuruma performansı,kuruma kinetiği, yapay sinir ağları yöntemi ile matematiksel modellemesi, renk analizi ve SÇKM(suda çözünebilir kuru madde) analizi yapılmıştır. Denemelerde en kısa kurutma işlemi 70°C’ de 0,5cm dilim kalınlığında 6 saat, en uzun ise 50°C’ de 1,5 cm dilim kalınlığında 42 saat olarakbelirlenmiştir. Modelleme sonuçlarına göre en yüksek R² değerleri YSA ile modellemede eldeedilmiştir. Muz için en önemli renk parametresi olan “b” sarılık değerinin taze ürüne en yakın değeri14,95 ile 60°C sıcaklıkta 1 cm dilim kalınlığında olduğu tespit edilmiştir. Yapılan SÇKM analizlerindeise 50°C’ de 0,5 ve 1 cm dilim kalınlıkları hariç diğer bütün yöntemler ile kurutma işlemlerinde farkgörülmemiştir. Sonuç olarak elde edilen bulgular ışığında muz meyvesinin 60°C’ de kurutulması50°C ve 70°C kurutma sıcaklığına göre daha uygun olduğu belirlenmiştir.
___
- Akkaya, G., 2007. Yapay Sinir Ağları ve Tarım
Alanlarındaki Uygulamaları. Atatürk Üniversitesi
Ziraat Fakültesi. 38(2), 195-202.
- Anonim, 2015. TUİK istatistikleri, Tarih:19/05/2015
- Cemeroğlu, B., 1992. Meyve ve Sebze İşleme
Endüstrisinde Temel Analiz Metotları. Biltav
Üniversite Kitapları Serisi No: 02-2. Ankara, 381.
- Erentürk, K., Erentürk, S., Tabil, L. G., 2004. A
Comparative Study for The Estimation of
Dynamical Drying Behavior of
EchinaceaAngustifolia: Regression Analysis and Neural
Network. Computers and Electronics in
Agriculture. 45(2004), 71-90.
- Farkas, I., Remengi, P., Biro, A., 2000. A Neural
Network Topology for Modelling Grain Drying.
Computer and Electronics in Agriculture. 26(2000).
147-158.
- Hegan, M. T., Menhaj, M. B., 1994. Training
Feedforvard Networks with the Marquardt
Algorithm. IEEE Transactions on Neural Networks.
6(5). 989-993.
- Jena, S., Das, H., 2007. Modeling for Vacuum Drying
Characteristics of Coconut Presscake. Journal of
Food Engineering 79. 92-99.
- Lertworasirikul, S., Tipsuwan, Y., 2008. Moistrure
Content and Water Activity Prediction of Semifinished
Cassava Crackers from Drying Proces with
Artificial Neural Network. Journal of Food
Engineering. 84(2008). 65-74.
- McGuire, R.G., 1992. Reporting of objective color
measurements. HortScience, 27, 1254-1255
- Menlik, T., Özdemir, M. B., 2010. Determinations od
Freeze-drying Behaviors of Apples by Artificial
Neural Networks. Expert Systems with Aplications
37(2010). 7669-7677.
- Midilli A, Küçük H, Yapar Z. 2002. A New Model for
Single-Layer Drying. Drying Technol, 20(2002),
1503-1513.
- Nazgelichi, T., Anghbaslo, M., Kianmehr, M. H., 2011.
- Optimization of An Artificial Neural Network
Topology Using Copled Response Surface
Methodology and Genetic Algorithm for Fluidized
Bed Drying. Computers and Electronics in
Agriculture. 75(2011). 84-91.
- Page G (1949). Factors Influencing The Maximum
Rates of Air-drying Shelled Corn in Thin Layer.
Doktora Tezi, Department of Mechanical
Engineering, Purdue University, West Lafayette,
Amerika Birleşik Devletleri.
- Şahinbaşkan, T., Köse, E., 2010. Modelling of Time
Related Drying Changes on Matte Coated Paper
with Artificial Neural Networks. Expert Systems
with Aplications. 37(2010). 3140-3144.
- Yağcıoğlu, A., 1999. Tarım Ürünleri Kurutma Tekniği.
EÜ Ziraat Fakültesi, İzmir
- Yıldız, A.K., Tarhan, S. ve Özgüven, M.M., 2013.
Tarımda Yapay Zekâ Uygulamaları,, 28. Tarımsal
Mekanizasyon Kongresi, 4-6 Eylül Konya, S:191-
196.