تعیین و مقایسۀ مقدار بهینۀ چربی و صمغ دانۀ بالنگو در ماست تازه با دو روش الگوریتم ازدحام ذرات چندهدفه و سطح پاسخ
تعیین و مقایسۀ مقدار بهینۀ چربی و صمغ دانۀ بالنگو در ماست تازه با دو روش الگوریتم ازدحام ذرات چندهدفه و سطح پاسخ
عنوان فارسی :
تعیین و مقایسۀ مقدار بهینۀ چربی و صمغ دانۀ بالنگو در ماست تازه با دو روش الگوریتم ازدحام ذرات چندهدفه و سطح پاسخ
عنوان انگلیسی :
Determining and Comparing the Optimal Amount of Fat and Balangu Seed Gum in Fresh Yogurt Using Two Methods of Multiple Objective Particle Swarm Algorithm and Response Surface Methodology
چکیده:
در این تحقیق اجزاء مخلوط ماست تازۀ کم‌چرب حاوی صمغ دانۀ بالنگو مدل‌سازی و بهینه‌یابی شد. برای‌این‌منظور ابتدا متغیرهای مستقل مقادیر صمغ دانۀ بالنگو (0 تا 0/1 درصد) و چربی (0 تا 2 درصد) به روش کاملاً تصادفی در قالب طرح مرکب مرکزی مدل‌سازی شدند و هریک از متغیرهای پاسخ (آب‌اندازی، pH، امتیاز طعم، رنگ، بافت و پذیرش کلی) در قالب مدل رگرسیون چندجمله‌ای به‌صورت تابعی از متغیرهای مستقل ارائه شدند. نتایج تحقیق نشان داد که با افزایش صمغ دانۀ بالنگو آب‌اندازی و pH نمونه‌ها کاهش و امتیاز طعم و مزه، بافت، رنگ و پذیرش کلی نمونه‌ها افزایش یافت. افزایش چربی نیز فقط منجربه‌کاهش آب‌انداری نمونه‌ها شد. سپس مدل‌های به‌دست‌آمده، توسط الگوریتم ازدحام ذرات چندهدفه و الگوریتم بهینه‌یابی عددی به روش سطح پاسخ، بهینه گردید، به‌طوری‌که آب‌اندازی حداقل و امتیازهای طعم، بافت و پذیرش کلی حداکثر درنظرگرفته شدند. نتایج مقایسۀ میانگین سه‌نقطۀ بهینۀ به‌دست‌آمده از دو الگوریتم نشان داد که به‌طورکلی در بهینه‌یابی اجزاء مخلوط ماست کم‌چرب حاوی صمغ دانۀ بالنگو، الگوریتم ازدحام ذرات چندهدفه از عملکرد بهتری نسبت به الگوریتم بهینه‌یابی عددی به روش سطح پاسخ برخوردار است. میانگین میزان بهینۀ صمغ دانۀ بالنگو و چربی در روش الگوریتم ازدحام ذرات چندهدفه به‌ترتیب 0/85 و 1 درصد و در روش الگوریتم بهینه‌یابی عددی به روش سطح پاسخ 0/89 و 1/94 درصد به‌دست آمد.
چکیده انگلیسی:
In this study, the formulation of fresh low-fat yogurt containing Balangu seed gum was modeled and optimized. In this study, first the independent variables of balangu seed gum (0 to 0.1%) and fat (0 to 2%) were modeled completely randomly in the form of a central composite design and each of the response variables (syneresis, pH, flavor, color, texture, and overall acceptance) were presented in the form of a polynomial regression model as a function of independent variables.The results showed that with increasing balangu seed gum, syneresis and pH of the samples decreased and the flavor, color, texture, and overall acceptance of the samples increased. Also, the increase in fat only decreased the syneresis of the samples. Then, the obtained models were optimized by multi objective particle swarming algorithm and numerical optimization algorithm in response surface methodology, so that minimum syneresis and maximum texture, flavor, color and general acceptance scores were obtained. The results of comparing the mean of three optimal points of the two algorithms showed that in general, in optimizing the formulation of low-fat yogurt containing balangu seed gum, the multi-objective particle swarming algorithm has a better performance than the numerical optimization algorithm in response surface method. The average optimal amount of balangu seed gum and fat in the multi-objective particle swarm algorithm was 0.85 and 1%, respectively, and in the method of optimization algorithm in response surface methodology, was 0.89 and 1.94%.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
