Yapay sinir ağları kullanılarak optimize edilmiş verilerle Lactobacillus reuteri'nin enkapsülasyonu ve Maraş usulü dondurmada kullanımı
Encapsulation of Lactobacillus reuteri with optimised data using artificial neural networks and its use in Maraş style ice cream
- Tez No: 894225
- Danışmanlar: PROF. DR. ÖZLEM TURGAY
- Tez Türü: Yüksek Lisans
- Konular: Gıda Mühendisliği, Food Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Gıda Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
Daha sonra doldurulBu çalışmanın ilk aşamasında yapay sinir ağları kullanılarak Lactobacillus cinsi mikroorganizmaların enkapsülasyon verimliliği hesaplanmıştır. Bu amaçla literatür taramaları sonucunda elde edilen 144 veri YSA ile eğitilmiştir. Eğitim geriye yayılma algoritması Levenberg-Marquardt (trainlm) metodu kullanılarak çoklu gizli katman ile yapılmıştır. YSA eğitiminde optimizasyon için genetik algoritma kullanılmıştır. YSA modelinde, Lactobacillus suşu, kaplama materyali ve enkapsülasyon yöntemi girdi katmanı olarak, enkapsülasyon verimi, proses stresi ve depolama dayanımı ise çıktı katmanı olarak belirlenmiştir. YSA eğitimi için 144 veriden 100 (%70) eğitimde, 22 (%15) doğrulamada (validasyon) ve 22 (%15) test amacıyla kullanılmıştır. Eğitim sonucunda ağın güvenirliliğini belirleyen korelasyon kat sayıları sırasyıla Eğitim R=0.90894, Validation R=0.90066, Test R=0.87851 ve All = 0.90262 şeklinde bulunmuştur. Çalışmanın ikinci aşmasına YSA eğitimi sonucunda elde edilen veriler kullanılarak devam edilmiştir. Çalışılan probiyotik mikroorganizma, kaplama materyali ve enkapsülasyon yöntemi sırasıyla Lactobacillus reuteri, %2.5 aljinat ve emülsiyon şeklindedir. Enkapsülasyon işlemi sonrasında enkaspsülasyon verimliliği %91.44 bulunmuştur. Bu amaçla enkapsüle edilmemiş ve enkapsüle edilmiş probiyotik mikroroganizmaların dondurmaya ilave edilmesinden sonra proses dayanımları kontrol edilmiştir. Enkapsüle edilmemiş probiyotik mikroorganizmaların proses sonrası canlılık verimi %86.5 iken enkapsüle edilmiş probiyotik mikroorganizmaların canlılık verimi %96.32 olarak bulunmuştur (p106). Kapsüllenmiş probiyotik mikroorganizmalar ile kapsüllenmemiş probiyotik mikroorganizmaların canlılık verimleri arasında anlamlı bir farklılık vardır (p0.05)
Özet (Çeviri)
In the first stage of this study, the encapsulation efficiency of Lactobacillus microorganisms was calculated using Artificial Neural Networks (ANN). For this purpose, 144 data obtained as a result of literature searches were trained with ANN. The training was performed with multiple hidden layers using the back propagation algorithm Levenberg-Marquardt (trainlm) method. Genetic algorithm (GA) was used for optimisation in ANN training. In the ANN model, Lactobacillus strain, coating material and encapsulation method were determined as input layers and encapsulation efficiency, process stress and storage strength were determined as output layers. For ANN training, 100 (70%) of 144 data were used for training, 22 (15%) for validation and 22 (15%) for testing. As a result of the training, the correlation coefficients determining the reliability of the network were found as Training R=0.90894, Validation R=0.90066, Test R=0.87851 and All = 0.90262. The second stage of the study was continued using the data obtained as a result of ANN training. The probiotic microorganism, coating material and encapsulation method studied were Lactobacillus reuteri, 2.5% alginate and emulsion, respectively. Encapsulation efficiency was 91.44% after the encapsulation process. For this purpose, the process resistance of non-encapsulated and encapsulated probiotic microorganisms was determined after addition to ice cream. While the post-processing viability of non-encapsulated probiotic microorganisms was 86.5%, the viability of encapsulated probiotic microorganisms was 96.32% (p106), there was a significant difference between the viability yields of encapsulated probiotic microorganisms and non-encapsulated probiotic microorganisms (p0.05).
Benzer Tezler
- EEG sinyallerinin veri madenciliği teknikleriyle değerlendirilmesi
Evaluation of EEG signals with data mining techniques
PINAR KARABAKLA
Yüksek Lisans
Türkçe
2024
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. DİLARA BAKAN KALAYCIOĞLU
- Sunflower yield estimation using synthetic aperture radar and optical data
Sentetik açıklı radar ve optik veriler kullanılarak ayçiçeği verim tahmini
İREM ECEM ASLAN
Yüksek Lisans
İngilizce
2023
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAYGIN ABDİKAN
- İnsansız hava aracı ile fotogrametrik temelli görüntü alımı ve uçuş optimizasyonu
Photogrammetric based image acquisition and flight optimization by unmanned aerial vehicle
HASAN BİLGEHAN MAKİNECİ
Doktora
Türkçe
2020
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN KARABÖRK
- Takviyeli panel yapıların burkulma ve burkulma sonrası davranışının yapay sinir ağları ile optimizasyonu
Optimization of buckling and post-buckling behavior of reinforced panel structures using artificial neural networks
ERTUĞRUL ÇAKIR
Yüksek Lisans
Türkçe
2024
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ZAHİT MECİTOĞLU
- Portfolio optimization with sentiment analysis
Yaklaşım analizi ile portföy optimizasyonu
AHMET ERARSLAN
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET REFİK GÜLLÜ