مقطع : کارشناسی ارشد
دانشگاه : دانشگاه شهرکرد
تاریخ دفاع : 1392/07/07
اساتید راهنما : رحیم ابراهیمی، مهدی قاسمی ورنامخواستی
اساتید مشاور : مریم عباس والی
اساتید داور :
مشاهده سایر پایان نامه های وحید محمدی
فناوری¬های مبنی بر فراصوت ویژگی¬های بالقوه و ارزشمندی برای مطالعه، شناسایی و پایش فرآیندهای تولید و کنترل کیفی مواد غذایی دارند. این فرآیندها بر مشخصه¬های فراصوتی مواد غذایی از جمله سرعت صوت، چسبناکی، الاستیسیته و امپدانس صوتی تأثیر می¬گذارند که شرایط لازم برای آنالیز و تحلیل امواج فراصوتی را فراهم می¬سازد. در این پژوهش دامنه ولتاژ، تأخیر زمانی و ضریب میرایی امواج فراصوتی عبوری از درون پاکت¬های شیر استرلیزه فرادما برای تشخیص آلودگی میکروبی آن¬ها پایش و آنالیز شده است. فرکانس مرکزی حسگرهای فراصوتی MHz 02/1 بود و از ولتاژ اولیه V5/18 برای تحریک دیسک¬های پیزوالکتریک استفاده شد. پاکت¬های شیر در محفظه اندازه¬گیری به تعادل حرارتی رسیده و برای آزمون فراصوتی به اتاق آزمون منتقل شدند. شرایط دمایی محفظه به کمک بخاری ضد آب و همزن کنترل ¬شد و تمام آزمون¬ها در دمای C°35 انجام شدند. چهار گونه باکتری شامل Escherichia coli، Staphylococcus aureus، Bacillus cereus و Bacillus Subtilis به صورت مصنوعی در رقت¬های 100 ،102،101 و 103 CFU/ml به پاکت¬های شیر UHT تلقیح شدند. در این پژوهش از طرح کرت¬های خرد شده با کرت¬های اصلی تیمار باکتری و کرت¬های فرعی رقت استفاده شد. تمام آزمایش¬ها در سه تکرار انجام شدند و گروه کنترل با پنج تکرار در نظر گرفته شد. زمان تشخیص آلودگی میکروبی برای باکتری¬های مختلف در رقت¬های مختلف، متفاوت بود. بهترین مدت زمان لازم برای تشخیص آلودگی میکروبی برای E. coli، S. aureus، B. cereus و B. subtilis به ترتیب معادل 25/7، 75/10، 10 و 5/10 ساعت بود. بیشترین زمان لازم برای تشخیص آلودگی مربوط به B. subtilis در رقت اولیه CFU/ml 1 معادل 5/13 ساعت مشاهده شد. تعداد باکتری در لحظه تشخیص آلودگی میکروبی در محدوده CFU/ml 107×6/2 تا CFU/ml 109×2/8 قرار داشت. نتایج نشان داد که با افزایش رشد باکتری، دامنه ولتاژ و تأخیر زمانی امواج فراصوتی به ترتیب کاهش و افزایش داشتند. ضریب میرایی فراصوتی نیز با رشد باکتری¬های مختلف افزایش داشت. به منظور پیش بینی رفتار میکروبی از شبکه عصبی مصنوعی استفاده شد که با تقریب مناسبی رفتار میکروبی را بر مبنای مشخصه¬های فراصوتی ورودی مدل نمود. بهترین آموزش در شبکه عصبی با توپولوژی 2-100-600-2 حاصل شد (1=R2، 11- e9 =MSE).