Abbildung 1: Modellierung des Ventilatorstroms mit Hilfe eines künstlichen neuronalen Netzes.
Die Optimierung des Backprozesses ist durch die Verbindung zum täglichen Leben der Menschen und zum Energieverbauch seit Jahrzehnten ein interessantes Thema. Dies hat zu einer großen Nachfrage nach leistungsfähigeren Backanlagen geführt, die eine bessere Backqualität bei geringerem Energieverbrauch liefern. Mit den Fortschritten in der Datenwissenschaft haben viele technische Disziplinen die Vorteile von Techniken der künstlichen Intelligenz genutzt, um neue Aspekte der Wissenschaft zu entdecken und Methoden zu entwickeln, die die herkömmlichen übertreffen. Insbesondere bei der Modellierung von Flüssigkeitsdynamik haben künstliche neuronale Netze (Artificial Neural Networks, ANN) und Deep Learning aufgrund der inhärenten Komplexität der Flüssigkeitsbewegung zahlreiche Anwendungen für schnelle und effiziente Schätzungen gefunden. In dieser Hinsicht ist eine der Anwendungen von ANN die Ersatzmodellierung verschiedener Phänomene innerhalb des Backofens und der gebackenen Produkte. Im Inneren des Ofens haben verschiedene Elemente wie Lüfter, Heizungen und die Geometrie des Ofens einen direkten Einfluss auf die Temperatur-, Strömungs- und Feuchtigkeitsverteilung. Die genaue Simulation eines solch komplizierten Systems ist zeitaufwändig und rechenintensiv. ANN ermöglichen nicht nur die Modellierung jedes einzelnen Elements (Abb. 1), sondern auch die Schätzung aller gewünschten Parameter durch Ableitung der Lösungen aus einer begrenzten Anzahl von Messungen im Ofen. Da die physikalisch-chemischen Veränderungen von Backwaren nicht genau bekannt sind, können ANN-Modelle außerdem dazu verwendet werden, die Ofenbedingungen mit Qualitätsmerkmalen wie dem Bräunungsindex in Beziehung zu setzen.
Autor
Seyedalborz Manavi, Link zum Profil