| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,000 |
| تعداد مقالات | 33,577 |
| تعداد مشاهده مقاله | 44,308,224 |
| تعداد دریافت فایل اصل مقاله | 23,305,122 |
مدل‌بندی ارتباط عناصر معدنی ملاس‌زا روی چغندر قند (Beta vulgaris) پاییزه به روش یادگیری ماشین در ایران | ||
| چغندرقند | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 خرداد 1404 | ||
| نوع مقاله: کامل علمی - پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jsb.2025.367972.1379 | ||
| نویسندگان | ||
| سپینود سیدعلی زاده گنجی1؛ نرگس مورکی* 2؛ مسعود هنرور3؛ پروین اژدری4 | ||
| 1دانشجوی کارشناسی ارشد رشته علوم و مهندسی صنایع غذایی واحد تهران شمال دانشگاه آزاد اسلامی | ||
| 2Department of Marine Science and Technology, North Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 3گروه علوم و صنایع غذایی واحد علوم و تحقیقات | ||
| 4استادیار گروه آمار، دانشکده علوم پایه، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| از آن‌جا که مقدار قند قابل استخراج از چغندر قند عامل اصلی کیفیت آن است، ارائه راهکارهایی برای افزایش این مقدار و در نتیجه افزایش کیفیت چغندرقند و قند و شکر تولیدی از آن و به تبع افزایش راندمان کارخانجات و کاهش ضایعات امری ضروری است. تحقیق حاضر به بومی‌سازی معادله رینفیلد برای چغندرقند پاییزه در استان خوزستان و تخمین رابطه متغیرهای سدیم، پتاسیم و نیتروژن/ازت مضره با درصد قند ملاس با روش یادگیری ماشین پرداخته است. آماده سازی نمونه‌ها به این صورت انجام شد که از محموله‌های ارسالی به کارخانه قند قزوین در سال 1401، نمونه‌ها به صورت تصادفی انتخاب شدند و ریشه‌ها شستشو و توزین شده و خمیر ریشه تهیه گردید. این خمیرها در دمای 20- درجه سانتی‌گراد منجمد و به موسسه تحقیقات اصلاح و تهیه بذر چغندرقند ارسال شدند. در ابتدا معنی‌داری تغیرات داده‌های مربوط به اندازه‌گیری سدیم، پتاسیم و نیتروژن/ازت مضره در سطح معنی‌داری 05/0 > p با استفاده از مسیر تحلیل واریانس یکطرفه ارزیابی شد و سپس 382 نمونه در طول یک دوره بهره‌برداری 8 هفته‌ای به نرم‌افزار پایتون منتقل و با استفاده از روش‌های یادگیری ماشین، درصد قند ملاس برآورد شد. در نهایت، مدل رگرسیون به‌دست آمده به عنوان بهترین گزینه برای بومی‌سازی معادله رینفیلد انتخاب شد: M = 0.1940 + 0.3267 (Na) + 0.3135 (K) + 0.3036 (N) | ||
| کلیدواژه‌ها | ||
| "؛ پایتون"؛ ، ، "؛ چغندرقند"؛ درصد قند ملاس"؛ ، "؛ مدل‌سازی"؛ ، | ||
| عنوان مقاله [English] | ||
| Modeling the relationship of molasses-forming mineral elements on autumn beet (Beta vulgaris) using machine learning method in Iran | ||
| نویسندگان [English] | ||
| Sepinood Seyyed Alizadeh Ganji1؛ Nargess Mooraki2؛ Masoud Honarvar3؛ Parvin Azhdari4 | ||
| 1M.S. Department of Food Science and Technology, Faculty of Biological Science, North Tehran Branch, Islamic Azad University, Tehran, Iran. | ||
| 2Department of Marine Science and Technology, North Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 3Department of food science and technology, science and research branch of Tehran | ||
| 4Department of Statistics, Faculty of Basic Sciences, North Tehran Branch, Islamic Azad University, Tehran, Iran. | ||
| چکیده [English] | ||
| The quality of beetroot is primarily determined by the quantity of sugar that can be extracted from it. Therefore, it is essential to develop strategies aimed at enhancing this extraction rate, which will subsequently improve both the quality of the beetroot and the sugar derived from it. This improvement will lead to greater factory efficiency and a reduction in waste. The current study has adapted the Rainfield equation specifically for autumn sugar beet in Khuzestan province and has utilized machine learning techniques to assess the correlation between sodium, potassium, and nitrogen levels and the percentage of molasses sugar. The samples were prepared by randomly selecting them from the shipments delivered to the Qazvin sugar factory in 1401. The roots were thoroughly washed, weighed, and processed into a paste. These pastes were then frozen at -20°C and dispatched to the research institute for the breeding and preparation of sugar beet seeds. Initially, the importance of variations in the data concerning the measurement of sodium, potassium, and nitrogen was assessed at a significance level of p < 0.05 through one-way analysis of variance. Subsequently, 382 samples were imported into Python software over an 8-week operational period, where machine learning techniques were employed to estimate the percentage of molasses sugar. Ultimately, the resulting regression model was identified as the most suitable choice for the localization of the Rainfield equation: M = 0.1940 + 0.3267 (Na) + 0.3135 (K) + 0.3036 (N) | ||
| کلیدواژه‌ها [English] | ||
| ", python", , , ", beet, molasses sugar percentage", , ", modeling", , | ||
|
آمار تعداد مشاهده مقاله: 3 |
||