fa مدل‌سازی و پیش بینی پایداری اکسیداسیون روغن زیتون طی نگهداری در شرایط محیطی با استفاده از مدل شبکه عصبی مصنوعی صنايع غذايي Food Science پژوهشي Research سابقه و هدف: پایداری اکسیداسیون یکی از پارامترهای مهم در حفظ کیفیت روغن زیتون طی نگهداری می باشد اطمینان از ثبات کیفیت روغن زیتون یکی از مسائل و نگرانی‌های مهم تولیدکنندگان و مصرف کنندگان است. لذا این مطالعه با هدف مدل‌سازی پایداری اکسیداسیون روغن زیتون با استفاده شبکه‌های عصبی مصنوعی به منظور به بهبود فرآیند کنترل کیفیت این محصول انجام شد. مواد و روشها: در این مطالعه از روش شبکه عصبی پیش‌خور برای پیش‌بینی پایداری اکسیداسیونی روغن زیتون در طی نگهداری استفاده شد. در ساختار شبکه عصبی پارامترهای اسیدیته، عدد پراکسید، ترکیبات فنلی، ضریب خاموشی k‏232 و ساختار اسیدهای چرب اشباع و غیراشباع به عنوان ورودی و ضریب خاموشی k270 به‌عنوان خروجی در نظر گرفته شد. یافتهها: بهترین مدل شبکه عصبی پیش‌خور با استفاده از تابع فعال سازی لگاریتم سیگموئید، الگوریتم آموزش لونبرگ مارکوارت، ده نرون در لایه پنهان ارائه گردید که دارای کمترین میانگین مربعات خطا و بهترین ضریب رگرسیون (R2) بود. مقدار ضریب تبیین (Coefficient of Determination) بهترین مدل شبکه عصبی پیش‌خور در روزهای (30-120-210-300-420) به ترتیب 936/0، 955/0، 957/0،974/0و 9769/0 و میانگین مربعات خطا 0057/0، 0015/0، 0012/0، 00974/0و 0062/0 بود. نتیجه گیری: تجزیه و تحلیل مدل نشان داد که شبکه عصبی پیش‌خور یک ابزار قدرتمند برای پیش‌بینی پایداری اکسیداسیونی روغن زیتون در طول نگهداری است. واژگان کلیدی: ثبات اکسیداسیونی، شبکه عصبی مصنوعی، روغن زیتون بکر Background and Objectives: Oxidative stability is one of the most significant parameters in maintaining the quality of olive oil during the storage time. The confidence of the stability and quality of olive oil is a great concern for producers and sellers. Therefore, this study aimed at modeling of the oxidation stability of olive oil by using artificial neural network (ANN) in order to improve the quality control process of this product. Materials and Methods: In the present study, a Feed-forward Neural Network)FF-ANN(was used to estimate the oxidative stability of olive oils during storage. In the neural network structure, the parameters of acidity, peroxide value (PV) specific extinction coefficient K232, phenolic compounds, structure of saturated and unsaturated fatty acids were used as input variables, and the extinction coefficient k270 was used as the output variable. Results: The Feed-Forward-Back-Propagation network using the Tangent Sigmoid transfer function, Levenberg–Marquardt learning algorithm, and ten neurons in the hidden layer with lowest mean square error, and the best regression coefficient was determined as the best neural model. The regression coefficients of the best FF-ANN model in (30-120-210-300-420) days were 0.936 ،0.955, 0.957, 0.974 and 0.9769, respectively and the mean square errors were 0.0057, 0.0015, 0.0012, 0.0046, and 0.0062, respectively. Conclusion: Our analysis demonstrated that FF-ANN was a powerful tool capable to predict oxidative stability of olive oils during the storage time. Keywords: Artificial neural network, Virgin olive oil, Oxidative stability ثبات اکسیداسیونی, شبکه عصبی مصنوعی, روغن زیتون بکر Artificial neural network, Virgin olive oil, Oxidative stability 71 80 http://nsft.sbmu.ac.ir/browse.php?a_code=A-10-1979-1&slc_lang=fa&sid=1 R Rafiei Nazari روشنک رفیعی نظری ro.rafiei@gmail.com 11500319475328460010591 11500319475328460010591 Yes Damghan Branch, Islamic Azad University دانشگاه آزاد اسلامی M Arabameri مجید عرب عامری majid.arabamerei@gmail.com 11500319475328460010592 11500319475328460010592 No Shahroud University of Medical Sciences دانشگاه علوم پزشکی شاهرود L Nouri لیلا نوری 11500319475328460010593 11500319475328460010593 No Damghan Branch, Islamic Azad University دانشگاه آزاد اسلامی