Drying of Konjac Corm Using Fluidization Technique

Abstract

Konjac is an indigenous crop found in Thailand, mostly in the northern part of Thailand. A widespread and valuable species that is used in the food industry is Buk Nuea Sai or Buk Khai which has high glucomannan content in its corms. Then, this variety is becoming valuable commercial species. Drying is a complicated process involving simultaneous, coupled heat and mass transfer. Quality of product is depended drying temperature and drying time. In fluidized bed drying, drying time is shortened due to intensive heat and mass transfer. The objectives of this study were to investigate the drying kinetics of konjac in a fluidized bed dryer, to find the mathematical model using theoretical and semi-theoretical models, namely Newton Page, Modified Page, Henderson and Pabis and Logarithmic Model, to investigate the konjac physical’s quality including color and shrinkage and to develop various empirical models from the experimental data and predict the models using artificial neural network (ANN). The experiments work was conducted under three different temperatures (50, 60 and 70 ºC), two bed depth (30 and 60 mm) three different sizes (6, 10 and 15 mm). Modified Page’s model gave a better prediction of moisture ratio with a maximum coefficient of determination (R2) and minimum of root mean square error (RMSE), sum square error (SSE) and Chi-square (χ2). The effective diffusion coefficient was enhanced by drying temperature. Moisture ratio and drying time were decreased when temperature increased, bed depth and sample size decreased. Moreover, the higher drying temperature had the lower yellowness and shrinkage. Artificial neural network model was fitted in drying experimental data and ANN modelling was performed using two hidden layers (1 and 2) and ten neurons (2, 4, 6, 8 and10). The best architectures of ANN were found to be two hidden layers with eight neurons in first hidden layer and eight neurons in second hidden layer (4-8-8-1) for moisture ratio. Two hidden layers with four neurons in first hidden layer and six neurons and eight in second hidden layer (4-6-8-1) was the best model for drying rate prediction.

บุกเป็นพืชพื้นเมืองที่พบมากในภาคเหนือของไทย บุกเนื้อทรายหรือบุกไข่ เป็นบุกพันธุ์พื้นเมืองที่มีแพร่หลายและมีมูลค่าทางเศรษฐกิจที่นำมาใช้ในอุตสาหกรรมอาหาร หัวบุกประกอบด้วยกลูโคแมนแนนในปริมาณสูง จึงส่งผลทำให้บุกเนื้อทรายกลายเป็นสินค้าเชิงพาณิชย์ที่มีมูลค่าสูง กระบวนการอบแห้งเป็นกระบวนการที่ซับซ้อนเนื่องจากเกิดการถ่ายโอนความร้อนและมวลขึ้นพร้อมกัน อุณหภูมิและระยะเวลาในการอบแห้งจะส่งผลต่อคุณภาพของบุก การอบแห้งด้วยเทคนิคฟลูอิไดเซชัน เป็นวิธีการอบแห้งที่มีอัตราการถ่ายโอนมวลและความร้อนสูง และใช้เวลาในการอบแห้งสั้น ดังนั้นงานวิจัยนี้มีวัตถุประสงค์เพื่อจลนพลศาสตร์การอบแห้งของหัวบุกด้วยเทคนิคฟลูอิไดเซชัน ศึกษาแบบจำลองทางคณิตศาสตร์ ทางทฤษฎีและกึ่งทฤษฎี ได้แก่ แบบจำลอง Newton, Page, Modified Page, Henderson and Pabis และ Logarithmic เพื่อทำนายผลอัตราส่วนความชื้นในการอบแห้ง ตลอดจนวิเคราะห์คุณภาพทางกายภาพของผลิตภัณฑ์ ด้านสีและการหดตัว และหาแบบจำลองโครงข่ายประสาทเทียมที่เหมาะสมในการทำนายอัตราส่วนความชื้นและอัตราการอบแห้ง โดยทดลองที่อุณหภูมิ 3 ระดับ (50 60 และ 70 องศาเซลเซียส) ความสูงเบด 2 ระดับ (30 และ 60 มิลลิเมตร) และ ความหนาชิ้นผลิตภัณฑ์ 3 ระดับ (6 10 และ 15 มิลลิเมตร) ผลการทดลองพบว่า แบบจำลอง Modified Page สามารถทำนายผลการอบแห้งได้เหมาะสมที่สุด โดยสัมประสิทธิ์ตัวกำหนด ค่า R2 ที่มากที่สุด ให้ค่ารากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) ค่าผลรวมความคลาดเคลื่อน (SSE) และ Chi-square (χ2) ที่น้อยที่สุด สัมประสิทธิ์การแพร่จะเพิ่มขึ้นตามอุณหภูมิ และเมื่อเพิ่มอุณหภูมิ ลดขนาดของผลิตภัณฑ์และความสูงเบด จะส่งผลให้อัตราส่วนความชื้นและเวลาในการอบแห้งลดลง นอกจากนี้ที่อุณหภูมิสูงจะให้ค่าสีเหลืองและอัตราการหดตัวต่ำ สำหรับแบบจำลองโครงข่ายประสาทเทียมในการอบแห้งบุกเป็นโครงสร้างแบบ 2 ชั้นซ่อน (ชั้นซ่อน 1 และชั้นซ่อน 2) และจำนวนนิวรอน 10 นิวรอน (2 4 6 8 10) แบบจำลองโครงข่ายประสาทเทียมที่ทำนายอัตราส่วนความชื้นได้ดีที่สุด คือ แบบจำลองโครงข่ายประสาทเทียมแบบ 2 ชั้นซ่อน ในชั้นซ่อนที่ 1 8 นิวรอน และในชั้นซ่อนที่ 2 8 นิวรอน (4-8-8-1) และแบบจำลองโครงข่ายประสาทเทียมที่ทำนายอัตราการอบแห้งดีที่สุดคือ แบบจำลองโครงข่ายประสาทเทียมแบบ 2 ชั้นซ่อน ในชั้นซ่อนที่ 1 6 นิวรอน และในชั้นซ่อนที่ 2 8 นิวรอน (4-6-8-1)