Rus / Eng


ISSN 2074-9414 (Print)

ISSN 2313-1748 (Online)
Свидетельство о регистрации
ЭЛ № ФС 77 - 72312 от 1.02.2018 г.

Ответственная за выпуск:
Кирякова Алёна Алексеевна

Выпускающий редактор:
Лосева Анна Ивановна

Учредитель и издатель:
ФГБОУ ВО «Кемеровский
государственный университет»
https://kemsu.ru/

Главный редактор сетевого издания:
Просеков Александр Юрьевич

Контакты:
650000, г. Кемерово, ул. Красная, 6
тел.: +7 (3842) 58-80-24
e-mail: fptt@kemsu.ru,
food-kemtipp@yandex.ru,
fptt98@gmail.com

Подписаться на рассылку содержания свежего номера

Отправить рукопись 
Информация о статье

Количество просмотров: 142

Название статьи МОДЕЛИРОВАНИЕ ПРОЦЕССА ИНТЕНСИФИКАЦИИ ЭКСТРАКЦИИ ИЗОГУМУЛОНА В РОТОРНО-ПУЛЬСАЦИОННОМ АППАРАТЕ ПРИ ПОМОЩИ НЕЙРОННЫХ СЕТЕЙ
Авторы

Шафрай А.В., Кемеровский государственный университет, Кемерово, Россия, ORCID

Сафонова Е.А., Кемеровский государственный университет, Кемерово, Россия, ORCID

Бородулин Д.М., Кемеровский государственный университет, Кемерово, Россия, ORCID

Головачева Я.С., Кемеровский государственный университет, Кемерово, Россия, iitumr@yandex.ru, ORCID

Ратников С.А., Кемеровский государственный университет, Кемерово, Россия, ORCID

Керлос В.Б.В., Каирский университет, Гиза, Египет

Рубрика ОРИГИНАЛЬНАЯ СТАТЬЯ
Год 2021 Номер журнала 3 УДК 004.032.26
DOI 10.21603/2074-9414-2021-3-593-603
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
Информация о статье Дата поступления 20 мая 2021 года
Дата принятия в печать 10 июня 2021 года
Дата онлайн-размещения 28 сентября 2021 года
Выходные данные статьи 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.
Загрузить полный текст статьи
Список цитируемой 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.