فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، صفحه ٤٣-٣١، تابستان ١٣٩٦

بررسی کارایی شبکه هاي عصبی مصنوعی در پیش بینی تأثیر غلظت پلیمر و ولتاژ فرایند الکتروپاشش بر ویژگی هاي فیزیکی ذرات

، بهروز قرآنی3، رسول کدخدایی4، ساواکن وانگ ساسوالك5 علی آل حسینی1، محبوبه سرابی جماب2*

1. دانشجوي دکتري، مهندسی مواد و طراحی صنایع غذایی، گروه نانوفناوري مواد غذایی، پژوهشکده علوم و صنایع غذایی، مشهد 2.استادیار، گروه زیست فناوري مواد غذایی، پژوهشکده علوم و صنایع غذایی، مشهد

3. استادیار، گروه نانوفناوري مواد غذایی، پژوهشکده علوم و صنایع غذایی، مشهد4. دانشیار، گروه نانوفناوري مواد غذایی، پژوهشکده علوم و صنایع غذایی، مشهد

5. استادیار، گروه مهندسی مواد غذایی، دانشگاه کینگ مونگکات، بانکوك

(تاریخ دریافت: 95/8/11، تاریخ پذیرش: 95/9/28)چکیده

با توجه به حساسیت ترکیبات زیست فعال، به تازگی استفاده از روش نوین پاشش الکتروهیدرودینامیکی جهت ریزپوشانی این ترکیبات پیشنهاد شده است. پارامترهاي مؤثر بر اندازه و مورفولوژي ذرات تولیدي به دلیل تأثیري که بر حفاظت ترکیبات زیست فعال و رهایش کنترل شده آن ها در مکان و زمان مناسب دارند، از اهمیت فراوانی برخوردار هستند. از این رو در مطالعه حاضر ابتدا اثرات میزان غلظت کنسانتره پروتئین آب پنیر، صمغ عربی، شیر خشک و ولتاژ روي برخی از ویژگی هاي فیزیکی محلول الکتروهیدرودینامیکی تعیین شد و سپس توسط مدل شبکه عصبی مصنوعی اندازه ذرات تولیدي به روش پاشش پلیمري و پرسپترون چند الیه و شبکه با تابع پایه شعاعی شبیه سازي گردید. این دو مدل همراه با توابع آستانه مختلف در پیش بینی مقادیر ویسکوزیته، کشش سطحی، هدایت الکتریکی محلول پلیمري و اندازه کپسول هاي تولیدي مورد استفاده قرار گرفتند. نتایج نشان داد که مدل شبکه پرسپترون چند الیه متشکل از چیدمانی با پنج ورودي و یک الیه مخفی حاوي 4 نرون با تابع فعال سازي تانژانت هیپربولیک که با استفاده از الگوریتم یادگیري لونبرگ-مارکوارت و تعداد تکرار 1000 آموزش دیده بود، بهترین نتیجه را براي پیش بینی این ویژگی ها در مقایسه با شبکه تابع پایه شعاعی به دست داد. ضرایب تبیین اندازه ذرات تولیدي، ویسکوزیته، آنالیز حساسیت مقادیر بودند. 0/967 با 0/958، 0/991، 0/996 و برابر به ترتیب الکتریکی محلول کشش سطحی و هدایت پیش بینی شده توسط شبکه عصبی پرسپترون چند الیه در برابر مقادیر تجربی حاکی از قرار گرفتن داده ها به طور تصادفی در اطراف خط رگرسیونی با ضریب تبیین باال بود که دلیلی بر دقت باالي شبکه عصبی در پیش بینی داده هاي خروجی می باشد. شایان ذکر است که اندازه ذرات تولیدي، ویسکوزیته و هدایت الکتریکی محلول پلیمري با باال رفتن غلظت پلیمرهاي به کار رفته افزایش یافت و تمامی سطوح اختالف آماري معنی دار (p<0/05) داشتند. نتایج به دست آمده در این مطالعه، به منظور پیش بینی انتخاب مناسب ترین ترکیب تولیدي در جهت فیزیکی محلول هیدروکلوئیدي و ذرات بر ویژگی هاي اثرات عوامل اشاره شده

دیواره، با در نظر داشتن هدف از ریزپوشانی ترکیب زیست فعال، اهمیت کاربردي دارند.

واژ ه هاى کلیدي: پاشش الکتروهیدرودینامیکی، شبکه عصبی، مدل پرسپترون چند الیه، مدل تابع پایه شعاعی، ویژگی هاي فیزیکی.

m.sarabi@rifst.ac.ir :نویسنده مسئول *

DOI: http://dx.doi.org/10.22104/jift.2016.409

فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، تابستان ١٣٩٦

1- مقدمهنگه دارنده هاي و افزودنی ها پذیرش عدم به دلیل امروزه شیمیایی از یک سو و آگاهی و تمایل روز افزون مصرف کنندگان به خرید محصوالتی که داراي اثرات سالمت بخشی هستند از فعال1 فراورده هاي حاوي ترکیبات زیست سوي دیگر، توسعه و طبیعی رنگدانه هاي ویتامین ها، آنتی اکسیدان ها، هم چون اهمیت دارویی و غذایی صنایع در پروبیوتیکی باکتري هاي از این رو در صنایع غذایی و دارویی فراوانی یافته است [1]. صرفه عالوه بر که هستند ریزپوشانی روش هــاي به دنبال اقتصادي، به صورتی مؤثر، میزان پایداري این دسته از ترکیبات را در حین فرایند نمودن مواد غذایی، نگه داري طوالنی مدت و یا در طی عبور از دستگاه گوارش انسان افزایش دهند [2]. در اصل، مفهوم ریزپوشانی در صنایع غذایی و دارویی عبارت است به دور ترکیب مورد نظر و از به کارگیري ماده پوشش دهنده محصور کردن آن به منظور تفکیک از محیط نامساعدي که در آن قرار دارد؛ به صورتی که آزادسازي هدفمند در مکان و زمان پوشش دهنده ماده .[5-3] باشد داشته دنبال به را مناسب باید داراي ویژگی هایی از قبیل حاوي اجزایی با درجه غذایی2 (به طور کلی ایمن)3، سازگار با ترکیب یا میکروارگانیسم مورد نظر، پایداري در محیط، فاقد مزه نامطلوب، غیرجاذب الرطوبه،

اقتصادي و داراي قابلیت رهایش مناسبی باشند [4].از برخی که ــد داده ان نشان گرفته صورت پژوهش هاي زیست ترکیبات ریزپوشانی در پوشش به عنوان که ترکیباتی فعالی هم چون باکتري هاي پروبیوتیکی به کار می روند، پوشش محسوب انسان گــوارش دستگاه در آن ها براي مناسبی انسان حساس به شرایط اسیدي معده براي نمونه نمی شوند. می باشند. براي مثال آلژینات زمانی که به تنهایی به کار می رود [6]. این در حالی است که در میان انواع پوشش ها، برخی از ترکیبات پروتئینی مانند کنسانتره پروتئین آب پنیر4 به خوبی قادر هستند، سلول هاي باکتریایی زنده را به روده تحویل دهند [7]. پروتئین ها به دلیل دارا بودن گروه هاي عاملی در ساختار پلی پپتیدي خود، داراي توانایی هاي ویژه اي براي تعامل با طیف از سوي دیگر هیدرولیز دیواره بوده و از ترکیبات گسترده اي

1. Bioactive Compounds2. Food Grade3. Generally Recognized as Safe (GRAS)4. Whey Protein Concentrate (WPC)

پروتئینی توسط آنزیم هاي گوارشی، باعث تولید پپتیدهاي فعال زیستی می شود که اثرات فیزیولوژیکی منحصر به فردي در بدن دارند [8]. کنسانتره پروتئین آب پنیر، محصولی به رنگ سفید تا کرم روشن و طعم مالیم است که از حذف مواد معدنی و الکتوز از آب پنیر به دست می آید [9, 10]. استفاده از ترکیبات تقویت کننده رشد پروبیوتیک ها منجر به تحریک رشد و فعالیت این دسته از باکتري ها در دستگاه گوارش و به خصوص روده می شود. این اجزاء، اغلب حاوي ترکیبات کربوهیدراتی هستند. محققین مختلف بیان کرده اند که شیر خشک و صمغ عربی به عنوان یک عوامل برابر در پروبیوتیکی باکتري هاي براي حفاظتی عامل نامساعد محیطی عمل نموده و به طور گسترده در ریزپوشانی ارتباط، این در .[13-11] می شوند استفاده پروبیوتیک ها روده به بدون هضم که است ترکیباتی جمله از عربی صمغ بزرگ رسیده و قادر به افزایش انتخابی باکتري هاي پروبیوتیک براي حفاظتی عامل یک به عنوان ترکیبات این .[14] است باکتري هاي پروبیوتیک در برابر عوامل نامساعد محیطی عمل تحت را پروبیوتیک باکتري هاي زنده مانی می توانند و نموده

شرایط فیزیولوژیکی روده بهبود بخشند [11، 12]. برخی از رایج ترین روش هاي ریزپوشانی شامل خشک کردن پاششی1، خشک کردن انجمادي2، سردکردن پاششی و خنک و سازي5 توده لیپوزوم4، در انداختن دام به پاششی3، کردن عالوه بر شده اشاره روش هاي از یک هر هستند. اکستروژن6 مزایا، داراي یک سري معایب نیز می باشند. از جمله این معایب می توان به استفاده از درجه حرارت هاي باال، ایجاد خلل و فرج قطر با ذرات تولید در محدودیت تولیدي، ذرات سطح روي حالل کامل تبخیر عدم ریزپوشانی، پایین راندمان مشابه، اشاره باال تولید هزینه و فرایند بودن پیچیده استفاده، مورد نمود [4، 5، 18-15]. در این خصوص، با توجه به حساسیت ترکیبات زیست فعال، به تازگی استفاده از روش نوین پاشش مؤثر و آسان ساده، روشی به عنوان الکتروهیدرودینامیکی جهت ریزپوشانی و حفظ این دسته از ترکیبات پیشنهاد شده نیروهاي از 19]. به صورت کلی، در این روش 18و ،2] است

1. Spray Drying2. Freeze Drying3. Spray Cooling & Spray Chilling4. Liposome Entrapment5. Coacervation6. Extrusion

32

33علي آل حسيني و همکاران کاربرد شبکه های عصبی مصنوعی در فرايند الکتروپاشش

در الکتریکی باردار جت هاي ایجاد براي الکترواستاتیکی محلول هاي پلیمري استفاده می شود که پس از تبخیر حالل، در می گردد. تولید کوچکی یا نازك فوق العاده ساختارهاي الیاف به دست آید، این فرایند اشاره شده صورتی که در طی فرایند الکتروریسی1 نامیده می شود و زمانی که به جاي تشکیل الیاف، محلول پلیمري باردار شده در میدان الکتریکی به قطرات ریزي شکسته شود (اتمایز شدن قطرات در میدان الکتریکی)، توجه با می گردند که تولید مختلف قطرهاي با کپسول هایی به ماهیت غیرمستمر فرایند تولید و ساختار به دست آمده، در اصطالح به آن فرایند الکتروپاشش2 اطالق می شود [20-22]. مطابق شکل (1)، طی فرایند الکتروپاشش، امولسیونی متشکل از ترکیب مورد نظر (براي نمونه باکتري هاي پروبیوتیکی) و ماده امولسیون تهیه می شود. سپس به همراه حالل پوشش دهنده مختلف) قطرهاي با (سوزن هایی باریکی نازل از شده اشاره از و پس قرار دارد خارج باالیی الکتریکی که تحت پتانسیل شکل دهی مخروط تیلور3، به سمت بخش جمع کننده4 پرتاب

شده و روي آن جمع آوري می گردد [21، 23].

شکل (1) شماتیک فرایند پاشش الکتروهیدرودینامیکی

باال، کارایی با ریزپوشانی به می توان روش این مزایاي از رهایش ثابت و پایدار مواد ریزپوشانی شده و در نتیجه افزایش زمان نگه داري اشاره نمود. هم چنین حفاظت مواد فعال زیستی تبخیر سریع باال، نیرو هاي برشی تخریب شیمیایی، حذف از

1. Electrospinning2. Electrospraying (ES)3. Taylor cone4. Collector

قابلیت و ارزانی سادگی، فرایند، بودن مرحله اي تک حالل، انجام در دما و فشار محیط (فرایند سرد)، از دیگر امتیازات این زمینه، محققین این 23]. در و 22 ،17 ،4] می باشند روش نشان داده اند که مواد فعال زیستی ریزپوشانی شده در ذرات الکتروپاشش شده در مقایسه با سایر روش ها، ثبات و عملکرد بهتر و بیش تري را دارا می باشند [19، 21، 23 و 24]. هم چنین برخی از پارامترها هم چون غلظت پلیمرهاي به کار رفته، میزان تهیه محلول و کشش سطحی ویسکوزیته الکتریکی، هدایت شده و ولتاژ اعمال شده در طی فرایند الکتروپاشش، روي اندازه و مورفولوژي ذرات تولیدي مؤثر است [4]. براي نمونه می توان با کاهش کشش سطحی از طریق به کارگیري یک سورفکتانت مناسب، از میزان ولتاژ کم تري به منظور انجام الکتروپاشش بهره ذرات اندازه ولتاژ، کاهش با قاعده کلی یک به عنوان جست. و پرز [21]. در مطالعه اي که توسط افزایش می یابد تولیدي همکاران انجام شد، تولید ذرات کوچک پروتئین سویا در طی عملیات الکتروپاشش را به کاهش ویسکوزیته و تغییر هدایت هم چنین .[25] دادند نسبت رفته، به کار محلول الکتریکی کپسول هاي مورفولوژي و اندازه که داده اند نشان محققین از حفاظت به دلیل رفته، به کار بیوپلیمرهاي نوع و تولیدي ترکیبات زیست فعال، عدم تأثیرگذاري در کیفیت حسی مواد غذایی و رهایش کنترل شده در مکان و زمان مناسب، داراي به بسته دیگر، سوي از .[26 ،24 ،7] است فراوانی اهمیت نوع یا اندازه ترکیب زیست فعال و هدف از ریزپوشانی، اندازه ذرات تولیدي داراي اهمیت می باشد [7، 21، 27]. براي نمونه می توان به اهمیت اندازه کپسول نهایی در ریزپوشانی باکتر هاي پروبیوتیکی به منظور حفاظت از آن ها در برابر شرایط محیطی .[28 ،13 ،2] نمود اشاره انسان گوارش دستگاه از عبور و هم چنین با افزایش غلظت، تمایل به شکل گیري الیاف به جاي نشان نمونه، براي .[27] می یابد افزایش کپسول) (یا مهره1 داده شده است که با افزایش غلظت پلی ونیل الکل2 از 5 به 10 درصد در محلول نهایی و در طی فرایند تولید، به جاي کپسول، الیاف تولید می شود [25]. زي و همکاران، روش الکتروپاشش را به طور موفقیت آمیزي به منظور تولید میکرو و نانوذرات پلیمرياسید کوگلیکولیک الکتیک پلی تخریب پذیر زیست

1. Bead2. Polyvinyl Alcohol (PVOH)

فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، تابستان ١٣٩٦ 34

ایده آل و مورد انتظار را دارند [33]. شبکه عصبی پرسپترون چند الیه یکی از رایج ترین انواع شبکه هاي عصبی است. در این حالت، تعداد نرون هاي الیه ورودي با تعداد عناصر بردار ورودي بردار خروجی نرون هاي الیه خروجی با تعداد عناصر و تعداد برابر در نظر گرفته می شوند [34]. به صورت کلی برآورد دقیق تعداد نرون هاي الیه میانی پیچیده است و تعداد نرون هاي الیه میانی تابعی از عناصر برداري ورودي می باشند. تعداد نرون هاي (1) رابطه می آید. به دست تجربی به طور عموماً مخفی الیه

شیوه محاسبه خروجی هر نرون را نشان می دهد [35].

(1)

f، تابع آستانه نرون j ام؛ pi، مقدار خروجی از نرون iام الیه قبل؛ bj، وزن مربوط به بایاس براي نرون jام؛ a، مقدار خروجی از نرون jام؛ wj,i، مقدار وزن اتصال بین نرون jام الیه مذکور با نرون iام الیه قبل است که بیانگر اهمیت ارتباط بین دو نرون

در دو الیه متوالی می باشد. یکی دیگر از انواع شبکه عصبی مصنوعی، شبکه با تابع پایه شعاعی1 است. در این نوع از شبکه سیگنال هاي ورودي به طور فعالیت توابع و می شوند مخفی الیه وارد سلول هاي مستقیم تعداد از شبکه، نوع این در این شبکه ها محلی می باشند. در سلول هاي الیه خروجی برابر با تعداد خروجی ها است. به منظور فعالیت توابع مرکز و وزن ها تنظیم به نیاز این شبکه ، تعلیم کم ترین تعیین اساس بر که نزولی گرادیان روش از و است مجموع مربعات خطا تنظیم می گردد، استفاده می شود. تکنیک توابع پایه شعاعی شامل انتخاب یک تابع F به فرم رابطه (2)

می باشد [31]:

(2)

φ(||x - xi||) / N ،… ،2 ،1 =i مجموعه اي از N تابع غیرخطی

نرم بردار می باشد که بیانگر پایه شعاعی)، ||•|| (توابع می باشد N ،… ،2 ،1 =i ،به صورت فاصله اقلیدسی در نظر گرفته می شود

و مراکز توابع پایه شعاعی.دارد. وجود رایج روش دو شبکه ها اعتبارسنجی به منظور 1. Radial Basis Function (RBF)

(PLGA)1 به کار گرفتند و اثرات پارامترهاي محلول مانند غلظت پلیمر، افزودن سورفاکتانت و نمک آلی و هم چنین پارامتر هاي دستگاهی را در اندازه و مورفولوژي ذرات پلیمر مورد بررسی قرار دادند. آن ها گزارش کردند که با تغیر پارامترهاي مختلف فرایند، شکل و اندازه ذرات قابل کنترل است [29]. در مطالعه اي دیگر، پرز و همکاران تأثیر غلظت هاي مختلف چند پلی ساکارید شامل دکستران، نشاسته مقاوم، مالتودکسترین و صمغ پولوالن را روي ویژگی هاي محلول تولیدي شامل ویسکوزیته، کشش عملیات انجام امکان پذیري نیز و الکتریکی هدایت سطحی، نانو همکاران، و بخشی .[25] کردند بررسی الکتروپاشش را سدیم آلژینات در شده ریزپوشانی فولیک اسید از ذراتی ولتاژ و اثرات و تولید کردند الکتروپاشش از روش استفاده با بررسی تولیدي ذرات ساختار و اندازه روي را جریان شدت کردند. آن ها نشان دادند، شکل و نوع جریان تولیدي در نوك سوزن، توسط نرخ جریان مایع و ولتاژي که به آن اعمال شد، به شدت تحت تأثیر قرار گرفت [30]. با توجه به موارد اشاره شده، آگاهی از پارامترهاي مؤثر بر عملیات الکتروپاشش داراي شبکه هاي از می توان خصوص این در است. زیادي اهمیت کاربردهاي عصبی شبکه هاي جست. بهره مصنوعی2 عصبی عمده اي در پیش بینی پارامترهاي کلیدي، مدل کردن کنترل فرایند، مدل سازي غیر خطی، بهینه سازي محصوالت و طراحی شبکه یک .[31] می باشند دارا کیفیت بازرسی سیستم هاي به هم ویژه پردازشی عناصر زیادي شمار از مصنوعی عصبی پیوسته به نام نرون تشکیل شده است. در شبکه هاي عصبی مصنوعی، اولین الیه که داده هاي ورودي به آن وارد می گردد، الیه ورودي نامیده می شود. الیه هاي میانی تحت عنوان الیه هاي مخفی و آخرین الیه که جواب هاي خروجی از مدل را فراهم توابع مشهورترین جمله از دارد. نام خروجی الیه می نماید، مورد استفاده براي آستانه گذاري در شبکه هاي عصبی مصنوعی می توان به توابعی نظیر سیگموئید ، آرکتانژانت و آرکسینوس قواعد از با استفاده اشاره کرد [32]. به صورت کلی، شبکه را و داده ها، آموزش داده و با استفاده از قابلیت یادگیري شبکه، در سعی همگی که می گردد پیشنهاد متنوعی الگوریتم هاي خروجی به شبکه توسط شده تولید خروجی کردن نزدیک

1. Poly-lactic-co-glycolic Acid (PLGA)2. Artificial Neural Network (ANN)

35علي آل حسيني و همکاران کاربرد شبکه های عصبی مصنوعی در فرايند الکتروپاشش

رابطه می باشد. تبیین ضریب بررسی بر مبتنی اول روش (3)، شیوه محاسبه آن را نشان می دهد [36].

(3)

از پارامترهاي خروجی براي پیش بینی شده pANN = مقدار

شبکه، pE = مقادیر داده هاي تجربی به دست آمده از آزمایش. روش دوم بررسی میانگین مربعات خطا می باشد که دقت و اعتبار دسته هاي آموزشی و آزمونی را اندازه گیري می نماید و از

رابطه (4) محاسبه می شود [37، 38].

(4)

تورم میزان پیش بینی به همکاران و کوك زمینه، این در به دما و pH میزان تأثیر در هیدروژل کلسیم-آلژینات تحت کمک شبکه عصبی مصنوعی پرداختند. آن ها میزان میانگین پیش بینی استاندارد خطاي و تبیین ضریب مطلق، خطاي برابر با 0/2886، 0/9994 و 2/542 گزارش شده را به ترتیب پارامتر هاي مؤثر بر نمودند [37]. هم چنین هاشد و همکاران شکل گیري نانو ذرات کیتوزان-تري پلی فسفات را با به کارگیري و جیانگ .[39] نمودند بهینه سازي مصنوعی، عصبی شبکه همکاران نیز غربال گري هیدروژل تولیدي بر پایه هیالورونیک اسید-پلی اتین گلیکول را به منظور حمایت از بیوسنتز سلول هاي

زیستی، به کمک شبکه عصبی مصنوعی انجام دادند [40].با توجه به موارد اشاره شده و از آن جایی که اطالعات بسیار اندکی در رابطه با پیش بینی اندازه کپسول هاي تولیدي تحت کنسانتره (شامل هیدروکلوئیدي پلیمر غلظت میزان تأثیر تولید ولتاژ و خشک) شیر و عربی صمغ آب پنیر، پروتئین اندازه روي تأثیرگذار عوامل مهم ترین از یکی (به عنوان کپسول ها) در روش پاشش الکتروهیدرودینامیکی وجود دارد، عوامل اثرات پیش بینی به بار اولین براي لذا در این مطالعه، اشاره شده بر ویژگی هاي فیزیکی محلول هیدروکلوئیدي شامل و سو یک از ویسکوزیته سطحی، کشش الکتریکی، هدایت اندازه کپسول هاي تولیدي از سوي دیگر، با بهره گیري از شبکه

عصبی مصنوعی پرداخته شد.

2- مواد و روش ها2-1- مواد اولیه

ARLA Food) آرال شرکت از پنیر آب پروتئین کنسانتره Ingredients, Viby, Denmark) تهیه شد و حاوي حدود %80

پروتئین، 9% الکتوز و 8% چربی بود. صمغ عربی، شیر خشک، و سیگما شرکت هاي از گلیسرول و (Tween 80) 80 توئین مجدد، خالص سازي گونه هیچ بدون و شده خریداري مرك آب از محلول ها کلیه تهیه براي گرفتند. قرار استفاده مورد

دیونیزه استفاده شد.

2-2- آماده سازي محلول پلیمريکنسانتره پروتئین آب پنیر به عنوان پلیمر اصلی مورد آزمون داراي سه سطح غلظت 15، 20 و 25 درصد و صمغ عربی و اشاره سطوح بودند. درصد 1 و 0 غلظت هاي در شیرخشک شده، بر مبناي پیش تست هاي انجام شده، محدودیت هاي فنی و تکنیکی دستگاه موجود و بررسی منابع مرتبط و با رویکرد حفاظت حداکثري در صورت ریزپوشانی باکتري هاي پروبیوتیکی انتخاب شدند. هم چنین دو ترکیب گلیسرول به عنوان پالستایزر در پایدار تولید به منظور و سورفکتانت به عنوان 80 توئین و میزان (به الکتروهیدرودینامیکی پاشش عملیات انجام حین 5% درصد کل ماده جامد)، به فرموالسیون نهایی افزوده شدند

.[25]

2-3- انجام عملیات پاشش الکتروهیدرودینامیکیاز الکتروهیدرودینامیکی، پاشش عملیات انجام به منظور دستگاه الکتروریسی/ الکتروپاشش (شرکت فناوري نانوساختار آسیا، مدل RN/K، ساخت ایران) مجهز به دو پمپ سرنگ که قابلیت تزریق دقیق محلول پلیمري با سرعت mL/h 5-0/1 و بود، 34 kV با اختالف پتانسیل حداکثر الکتریکی در میدان استفاده شد. براي انجام عملیات پاشش الکتروهیدرودینامیکی، هر یک از محلول هاي هیدروکلوئیدي به درون سرنگی با حجم جنس از سوزنی به مجهز سرنگ شد. کشیده میلی لیتر 10سرنگ دادن قرار از پس بود. میلی متر 0/69 قطر با استیل در جایگاه مخصوص پمپ دستگاه و به منظور تولید کپسول ها، دبی جریان mL/h 0/2، ولتاژ اعمال شده 14 و 18 کیلوولت و

فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، تابستان ١٣٩٦ 36

فاصله تا صفحه جمع کننده 100 میلی متر در نظر گرفته شدند. نمونه ها تولیدي، ذرات اندازه و مورفولوژي بررسی به منظور

روي فویل آلومینیوم جمع آوري شدند.

میکروسکوپ با کپسول ها ریزساختار بررسی -4-2الکترونی روبشی

به منظور مشاهده ساختار کپسول هاي تهیه شده، از میکروسکوپ الکترونی روبشی (شرکت سازنده: Oxford، مدل: S-360، ساخت الیه با نمونه ها پوشش دهی از پس شد. استفاده انگلستان) نازکی از طال و برقراري خأل در محفظه میکروسکوپ، شعاعی از الکترون هاي پرشتاب با ولتاژ حدود 20 کیلو ولت بر نمونه ها اعمال و تصاویري در بزرگنمایی 2500 برابر تهیه شدند [41].

2-5- تعیین هدایت الکتریکیاز پلیمري محلو ل هاي الکتریکی هدایت تعیین براي دستگاه هدایت سنج الکتریکی (شرکت Mettler Toledo، مدل Seven easy، ساخت سوئیس) استفاده شد. براي این منظور،

محلول هاي با الکتریکی هدایت سنج نمودن کالیبره از پس کالیبراسیون، الکترود دستگاه درون محلول پلیمري قرار داده شد و میزان هدایت الکتریکی محلول پس از تثبیت شمارشگر

دیجیتال دستگاه قرائت گردید [42].

2-6- تعیین کشش سطحیکشش سطحی محلول هاي پلیمري توسط دستگاه تنشیومتر دیجیتال (شرکت KRUSS، مدل K100، ساخت آلمان) با استفاده از روش وایل هلمی تعیین و بر حسب mN/m گزارش شد [43].

2-7- تعیین ویسکوزیتهبه کارگیري با پلیمري محلول هاي ظاهري ویسکوزیته DV III مدل ،BROOKFIELD (شرکت چرخشی رئومتر Ultra، ساخت آمریکا) در تنش برشی s-1 100 و با به کارگیري

اسپیندل شماره 18 مورد سنجش قرار گرفت [44].

2-8- مدل سازي شبکه عصبی مصنوعیفیزیکی ویژگی هاي پیش بینی به منظور مطالعه این در

محلول پلیمري و اندازه کپسول هاي تولیدي، از دو شبکه عصبی پرسپترون چند الیه و تابع پایه شعاعی با یک الیه پنهان استفاده شد. الیه ورودي در هر دو شبکه براي پیش گویی ویژگی هاي هیدروکلوئیدي پلیمرهاي غلظت پارامترهاي شامل فیزیکی، (شامل کنسانتره پروتئین آب پنیر، صمغ عربی و شیرخشک) و ولتاژ اعمال شده و الیه خروجی پاسخ هاي مورد نظر شامل هدایت الکتریکی، کشش سطحی، ویسکوزیته محلول پلیمري

و اندازه کپسول هاي تولیدي بود (شکل 2).شبکه دو هر (در یادگیري فرایند و مدل ها توسعه براي 60 صورت به مجموعه زیر سه به داده ها ابتدا رفته)، به کار براي داده ها درصد 15 شبکه، آموزش براي داده ها درصد تقسیم شبکه تست براي داده ها درصد 25 و اعتبار سنجی NeuroSolutions نرم افزار از استفاده با داده ها شدند. سپس نسخه 6 پیش بینی شدند. شبکه با یک الیه پنهان آموزش داده یادگیري از الگوریتم هاي شد. براي آموزش شبکه هاي عصبی مومنتوم با ضریب 0/7 و نرخ یاد گیري برابر با 1 و لونبرگ- مارکوارت استفاده شد. هم چنین تعداد نرون ها، تکرار یا سیکل و توابع فعال سازي مختلف نیز به منظور به دست آوردن بهترین

شبکه تغییر داده شدند.

2-9- تجزیه و تحلیل داده هابه منظور تعیین اندازه کپسول هاي تولیدي از برنامه پردازش تصویر ImageJ نسخه 1/46 استفاده شد. تأثیر میزان غلظت پلیمرهاي هیدروکلوئیدي (شامل کنسانتره پروتئین آب پنیر، صمغ عربی و شیرخشک) و ولتاژ اعمال شده روي ویژگی هاي آنوا واریانس آنالیز روش از استفاده با آزمون مورد فیزیکی آزمون از استفاده با میانگین مقایسه و تعیین (ANOVA)چند دامنه اي دانکن در سطح آماري 5 درصد و با به کارگیري

نرم افزار (SAS 2001) انجام شد.

3- نتایج و بحثموفقیت در انجام فرایند الکتروپاشش، به نحوه توزیع پلیمرها در فاز مایع و عوامل مؤثر بر آن بستگی دارد [21، 23]. بنابراین بررسی و آگاهی از ویژگی هاي فیزیکی محلول پلیمري به منظور شناخت هر چه بیش تر فرایند الکتروپاشش و عوامل تأثیرگذار

37علي آل حسيني و همکاران کاربرد شبکه های عصبی مصنوعی در فرايند الکتروپاشش

شده در نزدیکی داده هاي تجربی (در اطراف خط رگرسیون) و با ضریب تبیین باال، دلیلی دیگر بر ارزیابی دقیق شبکه عصبی

در پیش بینی این شاخص ها بود [47-45].با الیه پرسپترون چند داد، شبکه نشان مطالعه این نتایج یک الیه پنهان براي پیش بینی تمامی ویژگی ها، بهتر از شبکه تابع پایه شعاعی بود. این نتیجه گیري، مشابه نتایج آل حسینی سابالنی نتایج بر خالف و همکاران و کاشانی نژاد همکاران، و -46] بود پنهان الیه دو با همکاران و سابالنی و شفیور و رگرسیون عصبی شبکه دادند نشان همکاران و کوك .[50و جلو به رو الیه چند عصبی شبکه به نسبت یافته تعمیم یادگیري الگوریتم بهترین .[37] بود بهتر شعاعی پایه تابع براي پیش بینی ویژگی هاي فیزیکی مورد آزمون در این تحقیق، مشابه نتایج شاهسواري و همکاران بود. البته آن ها در تحقیق خود از 15 الیه پنهان، 20 نرون و تابع انتقال الیه هاي پنهان،

تانژانت سیگموئید استفاده نموده بودند [38].از پلیمر هاي تولیدي به روش پاشش SEM دو نمونه تصاویر شده اند. داده نشان (4) شکل در الکتروهیدرودینامیکی کروي مطالعه، این در تولیدي کپسول هاي کلیه مرفولوژي

بود. مورد ویژگی هاي میانگین مقایسه ،(2) جدول هم چنین بررسی را تحت تأثیر غلظت کنسانتره پروتئین آب پنیر، صمغ نشان مطالعه این نتایج می دهد. نشان خشک شیر و عربی پلیمري محلول الکتریکی هدایت و ویسکوزیته مقادیر داد، پلیمرهاي غلظت رفتن باال با تولیدي، کپسول هاي اندازه و به کار رفته، افزایش یافتند و تمامی سطوح با یکدیگر اختالف زمانی (p<0/05) داشتند. گزارش شده است آماري معنی دار که هدایت الکتریکی محلول پلیمري بیش از اندازه افزایش یابد (براي نمونه با افزودن برخی از نمک ها)، به علت هجوم ناگهانی جمع کننده به سوي صفحه پلیمري محلول اندازه از بیش و دچار تیلور مخروط الکترواستاتیکی، نیروهاي تأثیر تحت بی ثباتی شده و عملیات پاشش الکتروهیدرودینامیکی با اخالل

روبه رو می شود [51، 52].هدایت پنیر، آب پروتئین کنسانتره میزان افزایش با 2478/75 به 2203/12 از پلیمري محلول الکتریکی 1/22 از تولیدي کپسول هاي اندازه میانگین و میکروزیمنس

پنیر پروتئین آب کنسانتره = X1 شکل (2) شماتیک یک شبکه عصبی (%)، X2 = صمغ عربی(%)، X3 = شیر خشک(%)، X4 = ولتاژ Y1 (V) = اندازه Y4 ،(mN/m) کشش سطحی = Y3 ،(cP) ویسکوزیته = Y2 ،(mµ) کپسول

(µS/cm) هدایت الکتریکی =

بر مورفولوژي، اندازه و سایر ویژگی هاي ذرات تولیدي اهمیت نشان 1 مدل مقایسه جدول این خصوص، در دارد. فراوانی کشش الکتریکی، هدایت ویسکوزیته، ویژگی هاي براي داد تولیدي، کپسول هاي اندازه و محلول هیدروکلوئیدي سطحی شبکه پرسپترون چند الیه با یک الیه مخفی، چیدمانی با پنج تابع محرك با خروجی، 4 و پنهان الیه در نرون 4 ورودي، تانژانت هیپربولیک- تانژانت هیپربولیک، با الگوریتم یادگیري نتیجه را بهترین ،1000 با تعداد تکرار و لونبرگ- مارکوارت پایه تابع شبکه با مقایسه در ویژگی ها این پیش بینی براي یادگیري داشت و الگوریتم هاي دیگر شعاعی، توابع محرك و این مدل قادر به پیش بینی ویژگی هاي مورد مطالعه با ضرایب همکاران، و شاهسواري زمینه، این در بود. باالیی تبیین فرموالسیون نانو ذره یک ترکیب دارویی بر پایه یک پلیمر زیست تخریب پذیر 3- هیدروکسی بوتیرات-کو-3 هیدروکسی والریت چند با الیه چند پرسپترون مصنوعی عصبی توسط شبکه ،الگوریتم آموزشی مختلف بهینه سازي نمودند. آن ها از مدل هاي لونبرگ- مارکوارت ، گرادیان نزولی و تنظیم بایسیان به منظور

آموزش شبکه عصبی به کارگرفته شده، استفاده نمودند [38].نمودار آنالیز حساسیت مقادیر پیش بینی شده توسط شبکه در شکل تجربی مقادیر برابر در الیه پرسپترون چند عصبی (3) آمده است. در این مطالعه، قرار گرفتن داده هاي پیش بینی

فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، تابستان ١٣٩٦ 38

جدول (1) مقایسه دو مدل شبکه عصبی در پیش بینی ویژگی هاي ویسکوزیته، هدایت الکتریکی و کشش سطحی محلول پلیمري و اندازه کپسول هاي تولید شده طی فرایند الکتروپاشش

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

MLPTanhAxon -

TanhAxon

Levenberg-Mar-

quardt (LM)1000

R20/9580/9910/9960/967MSE0/0291/3720/0051713/686

4-4-5چیدمان

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

RBFTanhAxon -

TanhAxon

Levenberg-

Marquardt (LM)1000

R20/7730/9670/7290/977MSE0/14210/2510/4022118/553

4-4-5چیدمان

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

MLPSigmoidAxon -

SigmoidAxon

Levenberg-

Marquardt (LM)1000

R20/9650/9240/9150/965MSE0/0308/4950/2362147/997

4-4-5چیدمان

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

RBFSigmoidAxon -

SigmoidAxon

Levenberg-

Marquardt (LM)1000

R20/3870/2740/4800/941MSE0/28091/0110/6953424/831

4-4-5چیدمانهدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

MLPTanhAxon -

TanhAxonMomentum1000

R20/9310/9830/9820/949MSE0/0412/2890/0262782/504

4-4-5چیدمانهدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

RBFTanhAxon - TanhAxon

Momentum1000

R20/6040/4210/7340/977MSE0/20375/4640/3452361/786

4-4-5چیدمان

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

MLPSigmoidAxon -

SigmoidAxonMomentum1000

R20/8890/8660/7330/869MSE0/06818/7540/35312235/400

4-4-5چیدمان

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)پارامترهاي آماريتعداد تکرارقاعده یادگیريتابع محركمدل شبکه

RBFSigmoidAxon -

SigmoidAxonMomentum1000

R20/2570/2390/1610/697MSE0/39498/1361/15053570/097

4-4-5چیدمان

نتایج مشابه افزایش، این یافت. افزایش میکرومتر 2/81 به لوپز و همکاران پرز و همکاران، وانگ ساسوالك و همکاران و افزایش در اندازه کپسول هاي تولیدي را بود. به نظر می رسد، می توان به افزایش در ویسکوزیته محلول نهایی و در نتیجه باال رفتن غلظت پلیمرها، نسبت داد [13، 25، 27، 53]. محققین

در پلیمري زنجیره هاي درگیري از که حداقلی کرده اند بیان محلول پلیمري تحت تأثیر وزن مولکولی و غلظت پلیمر براي با دیگر، سوي از است. ضروري الکتروپاشش عملیات شروع افزایش درگیري زنجیره هاي پلیمر و به دنبال آن ویسکوزیته، تمایل براي تولید الیاف به جاي کپسول در طی عملیات پاشش

39علي آل حسيني و همکاران کاربرد شبکه های عصبی مصنوعی در فرايند الکتروپاشش

شکل (3) مقادیر پیش بینی شده و تجربی ویژگی هاي الف) اندازه کپسول، ب) ویسکوزیته، ج) کشش سطحی و د) هدایت الکتریکی توسط شبکه عصبی چند الیه پرسپترون

شکل (4) تصاویر SEM کپسول هاي به دست آمده از طریق روش الکتروپاشش با غلظت هاي متفاوت پلیمر، الف) 25% کنسانتره پروتئین آب پنیر+%1 صمغ عربی+ 1% شیر خشک و ب) 15% کنسانتره پروتئین آب پنیر

جدول (2) مقایسه میانگین ویژگی هاي مورد آزمون تحت تأثیر غلظت کنسانتره پروتئین آب پنیر، صمغ عربی و شیر خشک با استفاده از آزمون چند (p<0/05) دامنه اي دانکن

هدایت الکتریکی (µS/cm)کشش سطحی(mN/m)ویسکوزیته(cP)اندازه(µm)غلظت کنسانتره پروتئین آب پنیر (درصد)151/2270±0/59 c6/8050±2/07 c39/6300±0/96 a2203/12±295/95 c

202/3066±0/15 b14/3363±3/01 b39/6588±1/07 a2392/50±242/71 b

252/8100±0/28 a33/9250±8/04 a39/6650±0/50 a2478/75±162/96 a

غلظت صمغ عربی (درصد)02/0594±0/72 b14/3433±9/37 b40/8548±1/08 a2286/25±283/49 b

12/3296±0/77 a22/3675±14/55 a39/6066±1/26 b2430/00±217/72 a

غلظت شیر خشک(درصد)

02/1249±0/79 b17/7400±13/02 b40/5654±1/47 a2156/25±202/87 b

12/2641±0/72 a18/9708±12/82 a40/1961±1/20 b2560/00±94/68 a

در هر ستون، میانگین هاي داراي حروف یکسان اختالف معنی دار ندارند.

فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، تابستان ١٣٩٦ 40

الکتروهیدرودینامیکی افزایش می یابد [20، 21، 23]. در این خصوص، پرز و همکاران نشان دادند که در ویسکوزیته بسیار باالي 18738 سانتی پوآز و با کاهش کشش سطحی محلول، به کروي شکل از اکساید پلی اتیلن کپسول هاي مرفولوژي الیاف تغییر یافت. هم چنین آن ها بیان کردند که همه پلیمرها،

قابلیت الکتروپاشش ندارند[25]. پارامترهاي کلیدي در از میزان کشش سطحی یکی دیگر این نتایج است. الکتروهیدرودینامیکی پاشش فرایند طی تحقیق نشان داد، با افزایش غلظت صمغ عربی و شیر خشک، گزارش زمینه این در یافت. کاهش سطحی کشش میزان شده است که میزان باالي کشش سطحی در محلول پلیمري، می تواند بر نیروهاي الکترواستاتیکی ناشی از به کارگیري ولتاژ نتیجه در و نماید غلبه پلیمري محلول الکتریکی هدایت و این گردد. کپسول تولید و تیلور مخروط شکل گیري مانع مهم، لزوم به کارگیري سورفکتانت مناسب را توجیه می نماید

.[54 ,51]

processing technologies for foods with bioactive com-

pounds, J.J. Moreno, Editor. CRC Press. p. 259- 292.

[5] Ghorani, B., Kadkhodai, R., and Alehosseini, A.

(2017). The effect of biopolymer type, temperature and

relative humidity on the physicochemical characteris-

tics and stability of Microencapsulated bioactive com-

pounds of saffron. Food Sci. Technol., 14, 127-142 (In

Persian).

[6] Solanki, H.K., Pawar, D.D., Shah, D.A., Prajapati,

V.D., Jani, G.K., Mulla, A.M., and Thakar, P.M. (2013).

Development of microencapsulation delivery system

for long-term preservation of probiotics as biothera-

peutics agent. BioMed Res. Int., 2013, 620719.

[7] López-Rubio, A. and Lagaron, J.M. (2012). Whey

protein capsules obtained through electrospraying for

4- نتیجه گیريدر این مطالعه برخی از ویژگی هاي فیزیکی محلول پلیمري اندازه و ویسکوزیته) سطحی، کشش الکتریکی، (هدایت کپسول هاي تولیدي توسط روش پاشش الکتروهیدرودینامیکی مورد بررسی قرار گرفته و با استفاده از شبکه عصبی مصنوعی پیش بینی شدند. براي ویژگی هاي مورد آزمون، شبکه پرسپترون چند الیه با یک الیه مخفی، چیدمانی با پنج ورودي، 4 نرون در الیه پنهان و 4 خروجی، با تابع محرك تانژانت هیپربولیک- تانژانت هیپربولیک، با الگوریتم یادگیري لونبرگ-مارکوارت و این پیش بینی براي را نتیجه بهترین ،1000 تکرار تعداد با ویژگی ها در مقایسه با شبکه تابع پایه شعاعی داشت. ضرایب تبیین براي ویژگی هاي اندازه کپسول هاي تولیدي، ویسکوزیته، با برابر به ترتیب محلول الکتریکی هدایت و سطحی کشش میانگین هم چنین بود. 0/967 و 0/996 ،0/991 ،0/958 ،1/372 ،0/029 با برابر به ترتیب آن ها براي خطا مربعات

0/005 و 1713/686 براي شبکه پرسپترون چند الیه بود.

منابع

[1] Biesalski, H.-K., Dragsted, L.O., Elmadfa, I.,

Grossklaus, R., Müller, M., Schrenk, D., Walter, P., and

Weber, P. (2009). Bioactive compounds: definition and

assessment of activity. Nutrition, 25, 1202-1205.

[2] Laelorspoen, N., Wongsasulak, S., Yoovidhya,

T., and Devahastin, S. (2014). Microencapsulation of

Lactobacillus acidophilus in zein–alginate core–shell

microcapsules via electrospraying. J. Funct. Foods,

7,342-349.

[3] Krasaekoopt, W., Bhandari, B., and Deeth, H.

(2003). Evaluation of encapsulation techniques of pro-

biotics for yoghurt. Int. Dairy J., 13, 3-13.

[4] Ghorani, B., Alehosseini, A., and Tucker, N. (2016).

Electrospinning as a novel delivery vehicle for bioac-

tive compounds in food nanotechnology, in Innovative

41علي آل حسيني و همکاران کاربرد شبکه های عصبی مصنوعی در فرايند الکتروپاششthe encapsulation of bioactives. In. Food Sci. Emerging

Technol., 13, 200-206.

[8] Doherty, S.B., Gee, V.L., Ross, R.P., Stanton, C.,

Fitzgerald, G.F., and Brodkorb, A. (2011). Develop-

ment and characterisation of whey protein micro-beads

as potential matrices for probiotic protection. Food Hy-

drocolloids, 25, 1604-1617.

[9] Gilbert, V., Rouabhia, M., Wang, H., Arnould, A.-L.,

Remondetto, G., and Subirade, M. (2005). Characteri-

zation and evaluation of whey protein-based biofilms

as substrates for in vitro cell cultures. Biomaterials, 26,

7471-7480.

[10] Gunasekaran, S., Ko, S., and Xiao, L. (2007). Use

of whey proteins for encapsulation and controlled de-

livery applications. J. Food Eng., 83, 31-40.

[11] Desmond, C., Ross, R.P., O’Callaghan, E., Fit-

zgerald, G., and Stanton, C. (2002). Improved survival

of Lactobacillus paracasei NFBC 338 in spray-dried

powders containing gum acacia. J. Appl. Microbiol.,

93, 1003-1011.

[12] McNamee, B.F., O’Riordan, E.D., and O’Sullivan,

M. (2001). Effect of partial replacement of gum arabic

with carbohydrates on its microencapsulation proper-

ties. J. Agri. Food Chem., 49, 3385-3388.

[13] López-Rubio, A., Sanchez, E., Wilkanowicz, S.,

Sanz, Y., and Lagaron, J.M. (2012). Electrospinning as

a useful technique for the encapsulation of living bifi-

dobacteria in food hydrocolloids. Food Hydrocolloids,

28, 159-167.

[14] Philips, G., Ogasawara, T., and Ushida, K. (2008).

The regulatory and scientific approach to defining gum

Arabic as a diatery fiber. Food Hydrocolloids, 22, 24-

35.

[15] Chavarri, M., Maranon, I., and Carmen, M. (2012).

Encapsulation technology to protect probiotic bacteria.

Probiotics. InTech. 501-540.

[16] Hernández-Rodríguez, L., Lobato-Calleros, C., Pi-

mentel-González, D.J., and Vernon-Carter, E.J. (2014).

Lactobacillus plantarum protection by entrapment in

whey protein isolate: κ-carrageenan complex coacer-

vates. Food Hydrocolloids, 36, 181-188.

[17] López-Rubio, A. and Lagaron, J.M. (2011). Im-

proved incorporation and stabilisation of β-carotene in

hydrocolloids using glycerol. Food Chem., 125, 997-

1004.

[18] Pérez-Masiá, R., López-Nicolás, R., Periago, M.J.,

Ros, G., Lagaron, J.M., and López-Rubio, A. (2015).

Encapsulation of folic acid in food hydrocolloids

through nanospray drying and electrospraying for nu-

traceutical applications. Food Chem., 168, 124-33.

[19] Pérez-Masiá, R., Lagaron, J.M., and Lopez-

Rubio, A. (2015). Morphology and stability of edible

lycopene-containing micro-and nanocapsules produced

through electrospraying and spray drying. Food Bio-

process Technol., 8, 459-470.

[20] Rayleigh, L. (1882). XX. On the equilibrium of

liquid conducting masses charged with electricity. Phil-

osophical Magazine Series 5, 14, 184-186.

[21] Jaworek, A. (2007). Micro- and nanoparticle pro-

duction by electrospraying. Powder Technol., 176, 18-

35.

[22] Ghorani, B. and Tucker, N. (2015). Fundamentals

of electrospinning as a novel delivery vehicle for bioac-

tive compounds in food nanotechnology. Food Hydro-

colloids, 51, 227-240.

[23] Jaworek, A. and Sobczyk, A.T. (2008). Electro-

spraying route to nanotechnology: An overview. J.

Electrost., 66, 197-219.

[24] Anu Bhushani, J. and Anandharamakrishnan,

C. (2014). Electrospinning and electrospraying tech-

niques: Potential food based applications. Trends Food

Sci. Technol., 38, 21-33.

فصلنامه فناوری های نوين غذايی، سال چهارم، شماره ١٦، تابستان ١٣٩٦

[25] Pérez-Masiá, R., Lagaron, J.M., and López-Rubio,

A. (2014). Development and optimization of novel en-

capsulation structures of interest in functional foods

through electrospraying. Food Bioprocess Technol.,

7,3236-3245.

[26] Nieuwland, M., Geerdink, P., Brier, P., van den Ei-

jnden, P., Henket, J.T.M.M., Langelaan, M.L.P., Stro-

eks, N., van Deventer, H.C., and Martin, A.H. (2013).

Food-grade electrospinning of proteins. Innovative

Food Sci. Emerging Technol., 20, 269-275.

[27] Wongsasulak, S., Kit, K.M., McClements, D.J.,

Yoovidhya, T., and Weiss, J. (2007). The effect of solu-

tion properties on the morphology of ultrafine electro-

spun egg albumen–PEO composite fibers. Polymer, 48,

448-457.

[28] Gomez-Mascaraque, L.G., Morfin, R.C., Pérez-

Masiá, R., Sanchez, G., and Lopez-Rubio, A. (2016).

Optimization of electrospraying conditions for the mi-

croencapsulation of probiotics and evaluation of their

resistance during storage and in-vitro digestion. LWT-

Food Sci. Technol., 69, 438-446.

[29] Xie, J., Lim, L.K., Phua, Y., Hua, J., and Wang,

C.-H. (2006). Electrohydrodynamic atomization for bi-

odegradable polymeric particle production. J. Colloid

Interface Sci., 302, 103-112.

[30] Bakhshi, P.K., Nangrejo, M.R., Stride, E., and

Edirisinghe, M. (2012). Application of electrohydro-

dynamic technology for folic acid encapsulation. Food

Bioprocess Technol., 6,1837-1846.

[31] Haykin, S. and Lippmann, R. (1994). Neural net-

works, a comprehensive foundation. International

Journal of Neural Systems, 5(4), 363-364.

[32] Sajikumar, N. and Thandaveswara, B. (1999). A

non-linear rainfall–runoff model using an artificial neu-

ral network. J. Hydrology, 216(1), 32-55.

[33] Wesolowski, M. and Suchacz, B. (2012). Artificial

cial neural networks: theoretical background and phar-

maceutical applications: a review. J. AOAC Int., 95(3),

652-668.

[34] Chatterjee, S.P. and Pandya, A.S. (2015). Artificial

neural networks in drug transport modeling and simu-

lation II. Articial Neural Network for Drug Design,

Delivery and Disposition: 243.

[35] Amiri Chaijan, R., Khosh Taghaza, M., Montazer,

G., Minaee, S., and Alizadeh, M. (2009). Estimation of

head rice yield using artificial neural networks for flu-

idized bed drying of rough rice. J. Water and Soil Sci.,

13(48), 285-298.

[36] Mokhtarian, M. and Zenoozian, M.S. (2011). Pre-

dicting of osmotic dehydration kinetics of pumpkin by

means of intelligent artificial neural network in static

situation. J. Food Sci. Technol, 3, 61-73.

[37] Koç, M.L., Özdemir, Ü., and İmren, D. (2008).

Prediction of the pH and the temperature-dependent

swelling behavior of Ca2+-alginate hydrogels by arti-

ficial neural networks. Chem. Eng. Sci., 63(11), 2913-

2919.

[38] Shahsavari, S., Shirmard, L.R., Amini, M., and

Dokoosh, F.A. (2016). Application of Artificial Neural

Networks in the Design and Optimization of a Nano-

particulate Fingolimod Delivery System Based on Bio-

degradable Poly (3-Hydroxybutyrate-Co-3-Hydroxy-

valerate). J. Pharm. Sci., 106(1): 176-182.

[39] Hashad, R.A., Ishak, R.A., Fahmy, S., Mansour,

S., and Geneidi, A.S. (2016). Chitosan-tripolyphos-

phate nanoparticles: Optimization of formulation pa-

rameters for improving process yield at a novel pH us-

ing artificial neural networks. Int. J. Biol. Macromol.,

86, 50-58.

[40] Jeong, C.G., Francisco, A.T., Niu, Z., Mancino,

R.L., Craig, S.L., and Setton, L.A. (2014). Screening of

hyaluronic acid–poly (ethylene glycol) composite hy-

42

علي آل حسيني و همکاران کاربرد شبکه های عصبی مصنوعی در فرايند الکتروپاشش

drogels to support intervertebral disc cell biosynthesis

using artificial neural network analysis. Acta Biomater.,

10(8), 3421-3430.

[41] Thirugnanaselvam, M., Gobi, N., and Arun

Karthick, S. (2013). SPI/PEO blended electrospun mar-

trix for wound healing. Fibers Polym., 14, 965-969.

[42] Moomand, K. and Lim, L.-T. (2015). Effects of

solvent and n-3 rich fish oil on physicochemical prop-

erties of electrospun zein fibres. Food Hydrocolloids,

46, 191-200.

[43] Kriegel, C., Kit, K.M., McClements, D.J.,

and Weiss, J. (2009). Electrospinning of chitosan–

poly(ethylene oxide) blend nanofibers in the presence

of micellar surfactant solutions. Polymer, 50, 189-200.

[44] Bocanegra, R., Gaonkar, A.G., Barrero, A., Lo-

scertales, I.G., Pechack, D., and Marquez, M. (2005).

Production of cocoa butter microcapsules using an

electrospray process. J. Food Sci., 70, e492-e497.

[45] Mokhtarian, M., Shafafi Zenoozian, M., Armin,

M., and Kooshki, F. (2012). Application of response

surface methodology coupled with artificial neural net-

work to predict kinetic of food product under different

drying conditions. J. Innovation in Food Sci. Technol.,

3(4), 51-66 (In Persian).

[46] Alehosseini, E., Jafari, S.m., motamedzadegan,

A., and Alehosseini, A. (2016). Evaluation of artifi-

cial neural networks (ANNs) in predicting the effects

of cleaning, moisture content, temperature and time on

the physical and microbial characteristics of wheat. J.

Food Res., 26(4): 577-588.

[47] Alehosseini, E., Jafari, S.m., motamedzadegan,

A., and Alehosseini, A. (2015). Evaluate the perform-

ance of two type artificial neural networks multi-layer

perceptron (MLP) and radial basis function (RBF) to

prediction’s effects of cleaning, moisture, temperature

and time on the chemical properties of wheat grain.

J. Sci.Technol., 15(75)1-14.

[48] Kashaninejad, M., Dehghani, A., and Kashiri, M.

(2009). Modeling of wheat soaking using two artifi-

cial neural networks (MLP and RBF). J. Food Eng.,

91(4),602-607.

[49] Sablani, S.S., Baik, O.-D., and Marcotte, M. (2002).

Neural networks for predicting thermal conductivity of

bakery products. J. Food Eng., 52(3), 299-304.

[50] Sablani, S.S. and Rahman, M.S. (2003). Using

neural networks to predict thermal conductivity of food

as a function of moisture content, temperature and ap-

parent porosity. Food Res. Int., 36(6), 617-623.

[51] Bock, N., Dargaville, T.R., and Woodruff, M.A.

(2012). Electrospraying of polymers with therapeutic

molecules: State of the art. Prog. Polym. Sci., 37, 1510-

1551.

[52] Ding, L., Lee, T., and Wang, C.-H. (2005). Fab-

rication of monodispersed Taxol-loaded particles using

electrohydrodynamic atomization. J. Controlled Re-

lease, 102(2), 395-413.

[53] Wongsasulak, S., Patapeejumruswong, M., Weiss,

J., Supaphol, P., and Yoovidhya, T. (2010). Electrospin-

ning of food-grade nanofibers from cellulose acetate

and egg albumen blends. J. Food Eng., 98, 370-376.

[54] Fong, H., Chun, I., and Reneker, D.H. (1999).

Beaded nanofibers formed during electrospinning. Pol-

ymer, 40, 4585-4592.

43