fa پیش‌بینی خصوصیات رئولوژیکی بنیادی خمیر با استفاده از شبکه عصبی-الگوریتم ژنتیک صنايع غذايي Food Science پژوهشي Research سابقه و هدف: خمیر محصول میانی خطوط تولید صنایع نانوایی است که ویژگی‌های رئولوژیکی آن نمایانگر خصوصیات فیزیکوشیمیایی مواد اولیه و مؤثر بر ویژگی‌های کیفی فرآورده نهایی است. با توجه به کارایی بالای شبکه‌های عصبی مصنوعی در آموزش‌پذیری و پردازش موازی داده‌ها با روابط غیر خطی، هدف از این پژوهش تهیۀ مدل‌هایی مناسب به منظور پیش‌بینی خصوصیات رئولوژیکی خمیر با توجه به ویژگی‌های فیزیکوشیمیایی آرد است. مواد و روشها: طیف وسیعی از آردهای تهیه شده در کارخانه‌های مختلف کشور جمع‌آوری و هفت ویژگی فیزیکوشیمیایی آنها مورد ارزیابی قرار گرفت. آزمون‌های نوسانی روبش کرنش و روبش فرکانس بر خمیر حاصل از نمونه‌ها انجام و دو پارامتر مهم حاصل از آنها به منظور مدل‌سازی انتخاب شدند. پس از آموزش شبکه‌‌ها و تعیین پارامترهای آنها با استفاده از الگوریتم بهینه‌ساز ژنتیک و آزمودن هر شبکه، بررسی حساسیت پارامترهای خروجی به فاکتورهای ورودی شبکه صورت گرفت. یافتهها: شبکه‌های طراحی شده از انواع پرسپترون چهار لایه ای هستند که اولی با حذف دو پارامتر گلوتن مرطوب و اندیس ابعاد ذرات آرد، دارای 5 نرون در لایۀ ورودی و 15 نرون در لایه‌های پنهان اول و دوم جهت پیش‌بینی عرض از مبدأ و دومی با 7 نرون لایه ورودی، 24 نرون در لایۀ پنهان اول و 17 نرون در لایۀ پنهان دوم جهت پیش‌بینی شیب مدل برازش یافته بر روبش فرکانس مورد استفاده قرار گرفت. با استفاده از شبکه‌های گسترش یافته، پیش‌بینی خصوصیات رئولوژیکی خمیر با ضریب همبستگی بیش از 97% صورت گرفت. اندیس گلوتن و عدد زلنی به عنوان مؤثرترین پارامترها بر تغییر ویژگی‌های رئولوژیکی خمیر شناسایی شدند. نتیجه گیری: شبکه‌های عصبی مصنوعی-الگوریتم ژنتیک ابزار توانمندی در پیش‌بینی خصوصیات رئولوژی خمیر هستند. آزمون حساسیت شبکه بهینه به‌خوبی اهمیت پیش‌بینی کنندگی ویژگی‌های فیزیکوشیمیایی آرد بر تغییرات خصوصیات رئولوژیکی بنیادی خمیررا نشان می‌دهد. واژگان کلیدی: شبکه عصبی مصنوعی، الگوریتم ژنتیک، رئولوژی خمیر، ویژگی‌های فیزیکوشیمیایی آرد Background and Objectives: Dough is an intermediate product of bakery production that represents physicochemical properties of raw materials and also qualitative aspects of the final product.Due to the high performance of artificial neural networks in educability and parallel processing of data with non-linear relations, the purpose of present research is providing suitable models for predicting rheological properties of dough based on the physicochemical properties of flour. Materials and Methods: A range of flour samples produced in the factories of various regions and provinces of Iran were collected and seven physicochemical properties of them were evaluated. Oscillatory tests of stain and frequency sweep were done on the dough of samples, and two important parameters of them were selected for modeling. After training, and determining the specifications of networks with genetic algorithm and testing them, the sensitivity of output to input parameters was evaluated. Results: Developed networks are four-layer perceptrons in which the first network, with removing gluten index and particle size index of flour, has 5 neurons in input layer and 15 neurons in the first and second layers for prediction of the incept, and the second has 7 neurons of input layer, 24 neurons in the first hidden layer and 17 neuron in the second hidden layer for predicting the slope of fitted model on frequency sweep. Developed networks predict rheological properties of dough with correlation coefficient more than 97%. Gluten index and zeleny number are introduced as important parameters on changing the rheological properties of dough. Conclusion: Artificial neural network-genetic algorithm is a powerful method in predicting dough's rheological properties. Sensitivity analyses of optimum network indicate in the importance of flour's physicochemical properties in predicting the changes in the fundamental rheological properties of dough. Keywords: Artificial neural network, Genetic Algorithm, Dough rheology, Physicochemical properties of flour شبکه عصبی مصنوعی, الگوریتم ژنتیک, رئولوژی خمیر, ویژگی‌های فیزیکوشیمیایی آرد Artificial neural network, Genetic Algorithm, Dough rheology, Physicochemical properties of flour 67 77 http://nsft.sbmu.ac.ir/browse.php?a_code=A-10-2165-1&slc_lang=fa&sid=1 H Abbasi هاجر عباسی H.Abbasi@Khuisf.ac.ir 11500319475328460011576 11500319475328460011576 Yes Islamic Azad University, Isfahan (Khorasgan) Branch دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان) MA Mohammadifar محمدامین محمدی فر mohamdif@ut.ac.ir 11500319475328460011577 11500319475328460011577 No Shahid Beheshti University of Medical Sciences دانشگاه علوم پزشکی شهید بهشتی