用人工神经网络和响应表面方法来优化三维打印参数的鱼凝凝:对物理化学和消化性能的影响
Nailín Carvajal-Mena1, Gipsy Tabilo-Munizaga1, Marleny D A Saldaña2
1Department of Food Engineering, Universidad del Bío-Bío, Avenida Andrés Bello 720, Chillán 3780000, Chile.
Gels (Basel, Switzerland)
|September 27, 2023
概括
使用带有遗传算法 (ANN-GA) 和响应表面方法 (RSM) 的人工神经网络优化鱼凝 (SGG) 的3D打印参数,提高了凝的消化性. 在预测最佳印刷条件方面,ANN-GA表现出卓越的准确性.
科学领域:
- 食品科学与技术 食品科学与技术
- 生物材料工程 生物材料工程
- 生物聚合物加工 生物聚合物加工
背景情况:
- 鱼凝凝 (SGG) 是食品应用的有希望的生物材料.
- 优化3D打印参数对于控制SGG的物理化学和功能性质至关重要.
- 现有的优化方法可能无法完全捕捉3D打印过程中复杂的相互作用.
研究的目的:
- 使用ANN-GA和RSM优化SGG的3D打印参数.
- 评估优化参数对印刷SGG (PSGG) 的物理化学和消化能力的影响.
- 为了比较ANN-GA和RSM在优化3D打印方面的有效性.
主要方法:
- 有基因算法的人工神经网络 (ANN-GA) 用于参数优化.
- 响应表面方法 (RSM) 用于参数优化.
- 评估PSGG的物理化学性质 (热,结构) 和体外消化能力.
主要成果:
- ANN-GA显示出更高的适合性 (R2 = 99.98%) 比RSM (R2 = 93.99%).
- 挤出速度被确定为两种方法中最有影响力的参数.
- 最佳参数 (喷嘴直径0.70毫米,喷嘴高度0.5毫米,挤出速度24毫米/秒) 提高了SGG消化率,从46.93%提高到51.52%
结论:
- 无论是ANN-GA还是RSM都可以优化SGG的3D打印参数.
- ANN-GA为3D打印过程提供了一个更准确的预测模型.
- 优化的3D打印增强了SGG的物理化学特性和消化能力,使其适用于营养递送应用.
