Dönen Izgaralı Kızılötesi Destekli Bir Kurutma Sisteminde Meyvelerin Dondurarak Kurutma Davranışının Yapay Sinir Ağları ile Belirlenmesi

Bu çalışmanın amacı, yenilikçi bir kurutma yöntemi olan dönen ızgaralı kızılötesi destekli dondurarak kurutma sisteminin (DKDK) çeşitli ürünler (çilek, mandalina ve elma) kullanılarak kurutma davranışını belirlemek, sonuçları klasik dondurarak kurutma ile karşılaştırmak ve sürecin hem ince tabaka matematiksel modeller hem de yapay sinir ağı (YSA) ile tahmin edilebilirliğini değerlendirmektir. DKDK sistemi; vakum altında çalışan bir kurutma kabini, soğutma ünitesi, vakum pompası ve kızılötesi ısıtıcıların yanı sıra ürün ızgarasının kontrollü olarak döndürülmesine olanak tanıyan bir mekanizma içermekte ve kızılötesi ışınımın ürün yüzeylerine daha homojen dağılmasını hedeflemektedir. Deneylerde numuneler 5 mm kalınlığında dilimlenmiş ve -20 °C’de dondurulmuştur. DKDK uygulamaları iki kızılötesi güç seviyesinde (450 ve 900 W) yürütülmüş; ön kurutma vakum altında -5 °C ve 5 °C sıcaklıklarda gerçekleştirilmiş, ikincil aşamada kızılötesi ısıtıcılar devreye alınmıştır. Kütle değişimleri belirli aralıklarla izlenerek nem içeriği (MC), kuruma hızı (DR) ve boyutsuz kütle kaybı oranı (MR) hesaplanmıştır. 450 W’da çilek, mandalina ve elma için nihai nem içerikleri ve toplam kurutma süreleri sırasıyla %9,9 (475 dk), %9,1 (475 dk) ve %2,6 (475 dk) iken; 900 W’da %12,8 (435 dk), %10,2 (415 dk) ve %3,5 (415 dk) olarak elde edilmiştir. Zamana bağlı MR değerlerinin modellemesinde Parabolik ve Modifiye Page IV modelleri en yüksek uyumu göstermiştir. Bunun yanında, tek/çift/üç gizli katmanlı YSA mimarileri karşılaştırılmış ve en yüksek doğruluk çift gizli katmanlı 9-9 yapı ile sağlanarak tüm veri setinde R²=0,995 elde edilmiştir. Bu değer, matematiksel modellemede ulaşılan en yüksek R² değerinin (0,989) üzerinde olup YSA’ların üstün tahmin yeteneğiyle klasik matematiksel modellere kıyasla daha iyi sonuçlar gösterdiğini ortaya koymuştur.