Mass transfer of kaffir lime peel d

Mass transfer of kaffir lime peel during osmotic dehydration was investigated in this paper. Processing
factors were solute concentrations, process temperatures, and immersion time. The results showed that
increasing solute concentration and process temperature resulted in a higher reduction in moisture con-
tents of kaffir lime peel and increase in water loss and solid gain rates. Analysis of variance showed sig-
nificant effects (P < 0.05) of all processing factors except process temperatures for water loss. Multilayer
feedforward neural network (MFNN) was proposed to predict percentages of water loss and solid gain of
kaffir lime peel during osmotic dehydration based on three processing factors as inputs. The best network
with the lowest average mean squared error (MSE) of 0.0066 and the highest average regression coeffi-
cient (r
2
) of 0.9725 from normalized training and validating data sets was composed of one hidden layer
with five hidden neurons and used Levenberg–Marquardt algorithm as a training algorithm. A simulation
test showed good generalization of the successfully trained MFNN model with the average MSE of 6.5813
and 5.9340, and average r
2 of 0.9745 and 0.9632, respectively, for water loss and solid gain. Compared
with multiple linear regression models, MFNN was found to be more suitable for predicting water loss
and solid gain during the OD process of kaffir lime peel.

ผลลัพธ์ (ไทย) 1:

โอนมวลของเปลือกมะนาวมะกรูดระหว่างการคายน้ำการออสโมติกถูกตรวจสอบในเอกสารนี้ การประมวลผลปัจจัยที่มีความเข้มข้นของตัวถูกละลาย อุณหภูมิของกระบวนการ และเวลาแช่ ผลลัพธ์พบว่าเพิ่มความเข้มข้นของตัวถูกละลายและกระบวนการอุณหภูมิให้สูงขึ้นลดความชื้นคอน-เต็นท์ของมะกรูดเปลือกมะนาว และเพิ่มการสูญเสียน้ำและอัตรากำไรที่แข็งแกร่ง ผลต่างของการวิเคราะห์พบว่า sig-ผล nificant (P < 0.05) ทั้งหมดประมวลผลปัจจัยยกเว้นอุณหภูมิในกระบวนการสำหรับการสูญเสียน้ำ Multilayerเครือข่ายประสาท feedforward (MFNN) ถูกนำเสนอเพื่อทำนายเปอร์เซ็นต์การสูญเสียน้ำและของแข็งกำไรเปลือกมะนาวมะกรูดในระหว่างการออสโมติกคายน้ำขึ้นอยู่กับปัจจัยที่ 3 การประมวลผลเป็นอินพุต เครือข่ายที่ดีที่สุดมีค่าเฉลี่ยต่ำสุดหมายถึง ข้อผิดพลาดที่ยกกำลังสอง (MSE) ของ 0.0066 และสูงถดถอยเฉลี่ย coeffi-cient (r2) ของ 0.9725 จากมาตรฐานการฝึกอบรม และตรวจสอบชุดข้อมูลถูกซ่อนชั้นหนึ่งประกอบด้วยมีห้าซ่อน neurons และอัลกอริทึม Levenberg – Marquardt ใช้เป็นอัลกอริทึมการฝึกอบรม การจำลองทดสอบพบว่า generalization ดีรุ่น MFNN ฝึกสำเร็จกับ MSE เฉลี่ยของ 6.5813และ 5.9340 และ r ค่าเฉลี่ย2 0.9745 และ 0.9632 ตามลำดับ การสูญเสียน้ำและของแข็งโดยไม่รับ การเปรียบเทียบมีหลายแบบจำลองถดถอยเชิงเส้น พบ MFNN จะเหมาะสำหรับการคาดการณ์การสูญเสียน้ำและกำไรของแข็งระหว่าง OD ของมะกรูดเปลือกมะนาว

ผลลัพธ์ (ไทย) 2:

การถ่ายโอนมวลของเปลือกมะกรูดระหว่างการคายน้ำออสโมติกถูกตรวจสอบในเอกสารนี้ ประมวลผลปัจจัยที่มีความเข้มข้นของตัวถูกละลายอุณหภูมิกระบวนการและเวลาแช่
ผลการศึกษาพบว่าความเข้มข้นของตัวถูกละลายที่เพิ่มขึ้นและอุณหภูมิกระบวนการผลในการลดข้อ จำกัด ที่สูงขึ้นในความชื้นเต็นท์ของเปลือกมะกรูดและเพิ่มขึ้นในการสูญเสียน้ำและอัตรากำไรที่มั่นคง การวิเคราะห์ความแปรปรวนแสดงให้เห็นลายเซ็นผลกระทบ nificant (P <0.05) ของทุกปัจจัยยกเว้นการประมวลผลอุณหภูมิกระบวนการในการสูญเสียน้ำ หลายคราทเครือข่ายประสาท (MFNN) ได้เสนอที่จะคาดการณ์ร้อยละของการสูญเสียน้ำและกำไรที่มั่นคงของเปลือกมะกรูดระหว่างการคายน้ำดันขึ้นอยู่กับสามปัจจัยการประมวลผลเป็นปัจจัยการผลิต เครือข่ายที่ดีที่สุดมีค่าเฉลี่ยต่ำสุดเฉลี่ยยืดข้อผิดพลาด (MSE) ของ 0.0066 และการถดถอยเฉลี่ยสูงสุด coeffi- เพียงพอ (R 2) ของ 0.9725 จากการฝึกอบรมและการตรวจสอบปกติชุดข้อมูลประกอบด้วยชั้นที่ซ่อนหนึ่งกับห้าเซลล์ประสาทที่ซ่อนอยู่และใช้Levenberg- อัลกอริทึม Marquardt เป็นขั้นตอนวิธีการฝึกอบรม จำลองการทดสอบแสดงให้เห็นทั่วไปที่ดีของการฝึกอบรมรุ่น MFNN กับ MSE เฉลี่ย 6.5813 ประสบความสำเร็จและ5.9340 และค่าเฉลี่ย R 2 จาก 0.9745 และ 0.9632 ตามลำดับสำหรับการสูญเสียน้ำและกำไรที่มั่นคง เมื่อเทียบกับหลาย ๆ รูปแบบการถดถอยเชิงเส้น MFNN พบว่ามีความเหมาะสมมากขึ้นในการทำนายการสูญเสียน้ำและกำไรที่มั่นคงในระหว่างกระบวนการOD ของมะกรูดเปลือกมะนาว

ผลลัพธ์ (ไทย) 3:

การถ่ายเทมวลของผิวมะกรูดในการออสโมซิสถูกตรวจสอบในกระดาษนี้ ปัจจัยที่มีความเข้มข้นของตัวถูกละลาย
อุณหภูมิกระบวนการและเวลาแช่ . ผลการศึกษาพบว่า การเพิ่มความเข้มข้นและอุณหภูมิ
( มีผลในการลดความชื้นที่สูงในคอน -
กระโจมของผิวมะกรูดและเพิ่มการสูญเสียน้ำและของแข็งได้รับอัตราการวิเคราะห์ความแปรปรวนพบ Sig -
nificant ผลกระทบอย่างมีนัยสำคัญทางสถิติ ( p < 0.05 ) ปัจจัยในกระบวนการผลิตทั้งหมด ยกเว้นอุณหภูมิสำหรับการสูญเสียน้ำ เครือข่ายประสาท ( Multilayer
ไปข้างหน้า mfnn ) ถูกเสนอเพื่อทำนายค่าการสูญเสียน้ำและของแข็งที่เพิ่มขึ้นของ
ผิวมะกรูดในการออสโมซิสขึ้นอยู่กับสามปัจจัยของกระบวนการเป็นปัจจัยการผลิต
เครือข่ายที่ดีที่สุดที่มีค่าเฉลี่ยต่ำสุดกำลังสอง ( MSE ) และข้อผิดพลาดของ 0.0066 เฉลี่ยสูงสุด coeffi ถดถอย -
cient ( R
2
) ของ 0.9725 จากมาตรฐานการฝึกอบรมและตรวจสอบชุดข้อมูลประกอบด้วยหนึ่งชั้นซ่อน
กับห้าที่ซ่อนอยู่และใช้ขั้นตอนวิธี levenberg –มาร์ควประสาทด้านขั้นตอนวิธี จำลอง
ผลการทดสอบที่ดีของรูปแบบการฝึก mfnn เรียบร้อยแล้วกับ MSE เฉลี่ยและ 6.5813
5.9340 และเฉลี่ย R
2 0.9745 และ 0.9632 ตามลำดับ สำหรับการสูญเสียน้ำและของแข็งได้ เทียบกับตัวแบบการถดถอยเชิงเส้นพหุคูณ
mfnn , พบว่ามีมากขึ้นเหมาะสำหรับทำนายการสูญเสียน้ำแข็งใน
ได้ OD กระบวนการของผิวมะกรูด .