Farklı Kurutma Şartlarında Muz (Musa cavendishii) Meyvesinin Kurutulması ve Kurutma Kinetiğinin Yapay Sinir Ağları ile Modellenmesi

Yıl 2015, Cilt: 11 Sayı: 2, 173 - 178, 25.08.2015

Adil Koray Yıldız Hakan Polatcı Harun Uçun

Öz

Çalışma kapsamında muz meyveleri 0,5-1 ve 1,5 cm dilim kalınlığında 50º, 60º ve 70ºC

kurutma havası sıcaklığında kurutulmuştur. Araştırma sonuçlarına göre kuruma performansı,

kuruma kinetiği, yapay sinir ağları yöntemi ile matematiksel modellemesi, renk analizi ve SÇKM

(suda çözünebilir kuru madde) analizi yapılmıştır. Denemelerde en kısa kurutma işlemi 70°C’ de 0,5

cm dilim kalınlığında 6 saat, en uzun ise 50°C’ de 1,5 cm dilim kalınlığında 42 saat olarak

belirlenmiştir. Modelleme sonuçlarına göre en yüksek R² değerleri YSA ile modellemede elde

edilmiştir. Muz için en önemli renk parametresi olan “b” sarılık değerinin taze ürüne en yakın değeri

14,95 ile 60°C sıcaklıkta 1 cm dilim kalınlığında olduğu tespit edilmiştir. Yapılan SÇKM analizlerinde

ise 50°C’ de 0,5 ve 1 cm dilim kalınlıkları hariç diğer bütün yöntemler ile kurutma işlemlerinde fark

görülmemiştir. Sonuç olarak elde edilen bulgular ışığında muz meyvesinin 60°C’ de kurutulması

50°C ve 70°C kurutma sıcaklığına göre daha uygun olduğu belirlenmiştir.

Anahtar Kelimeler

Kurutma, muz, yapay sinir ağları, modelleme, renk

Kaynakça

• Akkaya, G., 2007. Yapay Sinir Ağları ve Tarım Alanlarındaki Uygulamaları. Atatürk Üniversitesi Ziraat Fakültesi. 38(2), 195-202.
• Anonim, 2015. TUİK istatistikleri, Tarih:19/05/2015
• Cemeroğlu, B., 1992. Meyve ve Sebze İşleme Endüstrisinde Temel Analiz Metotları. Biltav Üniversite Kitapları Serisi No: 02-2. Ankara, 381.
• Erentürk, K., Erentürk, S., Tabil, L. G., 2004. A Comparative Study for The Estimation of Dynamical Drying Behavior of EchinaceaAngustifolia: Regression Analysis and Neural Network. Computers and Electronics in Agriculture. 45(2004), 71-90.
• Farkas, I., Remengi, P., Biro, A., 2000. A Neural Network Topology for Modelling Grain Drying. Computer and Electronics in Agriculture. 26(2000). 147-158.
• Hegan, M. T., Menhaj, M. B., 1994. Training Feedforvard Networks with the Marquardt Algorithm. IEEE Transactions on Neural Networks. 6(5). 989-993.
• Jena, S., Das, H., 2007. Modeling for Vacuum Drying Characteristics of Coconut Presscake. Journal of Food Engineering 79. 92-99.
• Lertworasirikul, S., Tipsuwan, Y., 2008. Moistrure Content and Water Activity Prediction of Semifinished Cassava Crackers from Drying Proces with Artificial Neural Network. Journal of Food Engineering. 84(2008). 65-74.
• McGuire, R.G., 1992. Reporting of objective color measurements. HortScience, 27, 1254-1255
• Menlik, T., Özdemir, M. B., 2010. Determinations od Freeze-drying Behaviors of Apples by Artificial Neural Networks. Expert Systems with Aplications 37(2010). 7669-7677.
• Midilli A, Küçük H, Yapar Z. 2002. A New Model for Single-Layer Drying. Drying Technol, 20(2002), 1503-1513.
• Nazgelichi, T., Anghbaslo, M., Kianmehr, M. H., 2011.
• Optimization of An Artificial Neural Network Topology Using Copled Response Surface Methodology and Genetic Algorithm for Fluidized Bed Drying. Computers and Electronics in Agriculture. 75(2011). 84-91.
• Page G (1949). Factors Influencing The Maximum Rates of Air-drying Shelled Corn in Thin Layer. Doktora Tezi, Department of Mechanical Engineering, Purdue University, West Lafayette, Amerika Birleşik Devletleri.
• Şahinbaşkan, T., Köse, E., 2010. Modelling of Time Related Drying Changes on Matte Coated Paper with Artificial Neural Networks. Expert Systems with Aplications. 37(2010). 3140-3144.
• Yağcıoğlu, A., 1999. Tarım Ürünleri Kurutma Tekniği. EÜ Ziraat Fakültesi, İzmir
• Yıldız, A.K., Tarhan, S. ve Özgüven, M.M., 2013. Tarımda Yapay Zekâ Uygulamaları,, 28. Tarımsal Mekanizasyon Kongresi, 4-6 Eylül Konya, S:191- 196.