ISSN 2074-9414 (Печать),
ISSN 2313-1748 (Онлайн)

Моделирование процесса интенсификации экстракции изогумулона в роторно-пульсационном аппарате при помощи нейронных сетей

Аннотация
Введение. В последние годы искусственные нейронные сети снова стали популярным инструментом в науке и технологиях. Их начали применять в пищевой промышленности относительно недавно, но с каждым годом количество научных исследований с их использованием растет. Поэтому моделирование технологических процессов с помощью нейронных сетей является актуальной темой. Цель работы – разработка искусственной нейронной сети, способной прогнозировать содержание изогумулона в хмелевом экстракте при заданных технологических параметрах работы роторно-пульсационного аппарата. Объекты и методы исследования. Математическое моделирование произведено на основе экспериментальных данных, полученных в процессе работы аппарата. За выходной параметр было принято содержание изогумулона в хмелевом экстракте I (мг/дм3). Входные переменные: температура обработки t (°С), частота вращения ротора n (об/мин), время обработки τ (мин), зазор между зубьями ротора и статора s (мм). Результаты и их обсуждение. Была произведена идентификация искусственной нейронной сети. Модель получила следующие параметры: 2 скрытых слоя; 30 нейронов в каждом скрытом слое; GELU использовалась в качестве функции активации нейронов; функция потерь – MSELoss; шаг обучения – 0,001; оптимизатор – Adam; применена регуляризация L2 со значением 0,00001; обучающая выборка состояла из 4 батчей по 16 записей в каждом. Обучение длилось 9801 эпоху. Точность искусственной нейронной сети определялась как средняя относительная погрешность и составила 1,67 %. В ходе исследования была построена регрессионная модель, погрешность которой оказалась низкой (2,85 %). Точность нейронной сети обладает лучшей способностью предсказывать значение выходной переменной, чем точность регрессионной модели. Точность искусственной нейронной сети будет выше, т. к. она замерялась на данных, которых не было в обучении (тестовая выборка). Регрессионная модель при тестировании на незнакомых данных показывает результаты гораздо хуже. Выводы. Применение искусственных нейронных сетей для моделирования технологических процессов имеет большой потенциал и требует дальнейшего изучения и применения.
Ключевые слова
Искусственная нейронная сеть, моделирование, роторно-пульсационный аппарат, пиво, хмель
СПИСОК ЛИТЕРАТУРЫ
  1. Machine learning approach for the classification of corn seed using hybrid features / A. Ali [et al.] // International Journal of Food Properties. 2020. Vol. 23. № 1. P. 1110–1124. https://doi.org/10.1080/10942912.2020.1778724.
  2. Black tea withering moisture detection method based on convolution neural network confidence / T. An [et al.] // Journal of Food Process Engineering. 2020. Vol. 43. № 7. https://doi.org/10.1111/jfpe.13428.
  3. Bhargava A., Barisal A. Automatic detection and grading of multiple fruits by machine learning // Food Analytical Methods. 2020. Vol. 13. № 3. P. 751–761. https://doi.org/10.1007/s12161-019-01690-6.
  4. Detection of rice plant diseases based on deep transfer learning / J. Chen [et al.] // Journal of the Science of Food and Agriculture. 2020. Vol. 100. № 7. P. 3246–3256. https://doi.org/10.1002/jsfa.10365.
  5. 1D convolutional neural network for the discrimination of aristolochic acids and their analogues based on near-infrared spectroscopy / X. Chen [et al.] // Analytical Methods. 2019. Vol. 11. № 40. P. 5118–5125. https://doi.org/10.1039/c9ay01531k.
  6. Codina G. G., Dabija A., Oroian M. Prediction of pasting properties of dough from mixolab measurements using artificial neuronal networks // Foods. 2019. Vol. 8. № 10. https://doi.org/10.3390/foods8100447.
  7. Comparison of the decision tree, artificial neural network and multiple regression methods for prediction of carcass tissues composition of goat kids / B. Ekiz [et al.] // Meat Science. 2020. Vol. 161. https://doi.org/10.1016/j.meatsci.2019.108011.
  8. Artificial neural network modeling and optimization of wheat starch suspension microfiltration using twisted tape as a turbulence promoter / B. Ikonic [et al.] // Journal of Food Processing and Preservation. 2019. Vol. 43. № 11. https://doi.org/10.1111/jfpp.14219.
  9. Modeling the effect of vibration on the quality of stirred yogurt during transportation / A. Lu [et al.] // Food Science and Biotechnology. 2020. Vol. 29. № 7. P. 889–896. https://doi.org/10.1007/s10068-020-00741-7.
  10. Sadeghi E., Haghighi Asl A., Movagharnejad K. Mathematical modelling of infrared-dried kiwifruit slices under natural and forced convection // Food Science and Nutrition. 2019. Vol. 7. № 11. P. 3589–3606. https://doi.org/10.1002/fsn3.1212.
  11. Sadeghi E., Movagharnejad K., Haghighi Asl A. Mathematical modeling of infrared radiation thin-layer drying of pumpkin samples under natural and forced convection // Journal of Food Processing and Preservation. 2019. Vol. 43. № 12. https://doi.org/10.1111/jfpp.14229.
  12. Stangierski J., Weiss D., Kaczmarek A. Multiple regression models and Artificial Neural Network (ANN) as prediction tools of changes in overall quality during the storage of spreadable processed Gouda cheese // European Food Research and Technology. 2019. Vol. 245. № 11. P. 2539–2547. https://doi.org/10.1007/s00217-019-03369-y.
  13. Using a combined neural network – genetic algorithm approach for predicting the complex rheological characteristics of microfluidized sugarcane juice / A. Tarafdar [et al.] // LWT. 2020. Vol. 123. https://doi.org/10.1016/j.lwt.2020.109058.
  14. Classification by artificial neural network for mushroom color changing under effect UV-A irradiation / M. V. Torshizi [et al.] // Carpathian Journal of Food Science and Technology. 2020. Vol. 12. № 2. P. 157–167. https://doi.org/10.34302/crpjfst/2020.12.2.16.
  15. Vacuum drying of sweet cherry: Artificial neural networks approach in process optimization / A. Vakula [et al.] // Journal of Food Processing and Preservation. 2020. Vol. 44. № 11. https://doi.org/10.1111/jfpp.14863.
  16. Predicting mechanical properties of golden delicious apple using ultrasound technique and Artificial Neural Network / H. Vasighi-Shojae [et al.] // Food Analytical Methods. 2020. Vol. 13. № 3. P. 699–705. https://doi.org/10.1007/s12161-019-01689-z.
  17. Mosher M., Trantham K. Brewing science: A multidisciplinary approach. Cham: Springer, 2017. 408 p. https://doi.org/10.1007/978-3-319-46394-0.
  18. Способ охмеления пивного сусла: пат. 2634870C1 Рос. Федерация. № 2016129114 / Бородулин Д. М. [и др.]; заявл. 15.07.2016; опубл. 07.11.2017; Бюл. № 31. 5 с.
  19. Исследование процесса растворения полидисперсных материалов в установке с роторно-пульсационным аппаратом / А. А. Кухленко [и др.] // Инженерно-физический журнал. 2015. Т. 88. № 1. С. 25–36. https://doi.org/10.1007/s10891-015-1164-z.
  20. Иванов Е. В., Матвеева Н. А. Экстрагирование растительного сырья с периодическим интенсивным гидродинамическим режимом // Вестник международной академии холода. 2015. № 4. С. 16–22.
  21. Романова Н. К., Китаевская С. В., Решетник О. А. Оптимизация процесса экстракции ягод клюквы в роторно-пульсационном аппарате // Вестник технологического университета. 2018. Т. 21. № 10. С. 166–170.
  22. Сафонова Е. А., Потапов А. Н., Вагайцева Е. А. Интенсификация технологических процессов производства пива при использовании роторно-пульсационного аппарата // Техника и технология пищевых производств. 2015. Т. 36. № 1. С. 74–81.
  23. Совершенствование процесса получения растительного масла из семян винограда / А. Т. Телешев [и др.] // Научное обозрение. 2015. № 15. С. 219–225.
  24. Gutova S. G., Novoseltseva M. A., Kagan E. S. Mathematical modeling of isohumulone extraction process in beer wort hoppingn // Proceedings – 2019 International Russian Automation Conference. Sochi. 2019. https://doi.org/10.1109/RUSAUTOCON.2019.8867778.
  25. Определение рациональных параметров работы вибрационного смесителя для получения мучных сыпучих смесей / Д. М. Бородулин [и др.] // Техника и технология пищевых производств. 2021. Т. 51. № 1. С. 196–208. https://doi.org/10.21603/2074-9414-2021-1-196-208.
  26. Просеков А. Ю. Роль межфазных поверхностных явлений в производстве дисперсных продуктов с пенной структурой (обзор) // Хранение и переработка сельхозсырья. 2001. № 8. С. 24–27.
  27. Просеков А. Ю. Физико-химические основы получения пищевых продуктов с пенной структурой. Кемерово: Кемеровский технологический институт пищевой промышленности, 2001. 172 с.
Как цитировать?
Моделирование процесса интенсификации экстракции изогумулона в роторно-пульсационном аппарате при помощи нейронных сетей / А. В. Шафрай [и др.] // Техника и технология пищевых производств. 2021. Т. 51. № 3. С. 593–603. https://doi.org/10.21603/2074-9414-2021-3-593-603.
О журнале