KUKORICA NEDVESSÉGTARTALMÁNAK GYORS MEGHATÁROZÁSA MIKROHULLÁMÚ KEZELÉSSEL RAJKÓ R., HARMATI ZS.



Hasonló dokumentumok
Kertészeti és Élelmiszeripari Egyetem Élelmiszeripari Főiskolai Kar ^ os Kö^ 19* szám Szeged, 1996.

A MÁGNESES REZONANCIA LEKÉPEZÉS (MRI) HASZNÁLATA TERMÉNYEK HŐFIZIKAI VIZSGÁLATAINÁL KOVÁCS, A. J.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

ALACSONY TELJESÍTMÉNYŰ MIKROHULLÁM HATÁSA A MUST ERJEDÉSÉRE

Mérési adatok illesztése, korreláció, regresszió

Matematikai geodéziai számítások 6.

A biológiai anyagok vízkötési potenciálja meghatározásának elméleti és kísérleti háttere

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

Szárítás során kialakuló hővezetés számítása Excel VBA makróval

TÁMOP A-11/1/KONV WORKSHOP Június 27.

Scan 1200 teljesítmény-értékelés evaluation 1/5

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS

Matematikai geodéziai számítások 6.

Hibridspecifikus tápanyag-és vízhasznosítás kukoricánál csernozjom talajon

FAANYAG VÁKUUMSZÁRÍTÁSA TAKÁTS P., NÉMETH R.

A rosszindulatú daganatos halálozás változása 1975 és 2001 között Magyarországon

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

MIKROHULLÁMÚ TERMIKUS KEZELÉS HATÁSA A SZÓJABAB MINŐSÉGÉRE ÖSSZEFOGLALÓ

Korreláció és lineáris regresszió

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

TARTALOMJEGYZÉK. Füleki Péter. Aszfaltbeton keverékek fundamentális alakváltozási jellemzőinek kapcsolata a bitumenek teljesítményalapú paramétereivel

A BÜKKI KARSZTVÍZSZINT ÉSZLELŐ RENDSZER KERETÉBEN GYŰJTÖTT HIDROMETEOROLÓGIAI ADATOK ELEMZÉSE

TDA-TAR ÉS O-TDA FOLYADÉKÁRAMOK ELEGYÍTHETŐSÉGÉNEK VIZSGÁLATA STUDY OF THE MIXABILITY OF TDA-TAR AND O-TDA LIQUID STREAMS

Quadkopter szimulációja LabVIEW környezetben Simulation of a Quadcopter with LabVIEW

Kádár István 1 Dr. Nagy László 1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem,

Bevezetés a Korreláció &

Effect of the different parameters to the surface roughness in freeform surface milling

KAPILLÁR-PÓRUSOS KOLLOID ANYAGOK VÁLTAKOZÓ RENDSZERŰ KONVEKTÍV-MIKROHULLÁMÚ SZÁRÍTÁSA SZABÓ GÁBOR, RAJKÓ RÓBERT, HODUR CECÍLIA

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

NYOMÁSOS ÖNTÉS KÖZBEN ÉBREDŐ NYOMÁSVISZONYOK MÉRÉTECHNOLÓGIAI TERVEZÉSE DEVELOPMENT OF CAVITY PRESSURE MEASUREMENT FOR HIGH PRESURE DIE CASTING

Hipotézis vizsgálatok

Kovács Ernő 1, Füvesi Viktor 2

First experiences with Gd fuel assemblies in. Tamás Parkó, Botond Beliczai AER Symposium

PLATTÍROZOTT ALUMÍNIUM LEMEZEK KÖTÉSI VISZONYAINAK TECHNOLÓGIAI VIZSGÁLATA TECHNOLOGICAL INVESTIGATION OF PLATED ALUMINIUM SHEETS BONDING PROPERTIES

KÍSÉRLET A KAKAÓPOR ZSÍR-, FEHÉRJE- ÉS SZÉNHIDRÁTTARTALMÁNAK NIR TECHNIKÁVAL VALÓ MEGHATÁROZÁSÁRA

Egy gazdasa gmatematikai modell An economical mathematics model

Bozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok

AZ ŐSZI BÚZA MINŐSÉGÉNEK JELLEMZÉSE AZ SDS SZEDIMENTÁCIÓS INDEX SEGÍTSÉGÉVEL. Szilágyi Szilárd Győri Zoltán Debreceni Agrártudományi Egyetem, Debrecen

FELADATMEGOLDÁSI SZOKÁSAINAK VIZSGÁLATA. Baranyai Tünde

Mérési eljárások kidolgozása látók és látássérültek lokalizációs képességeinek összehasonlítására

Correlation & Linear Regression in SPSS

Extraktív heteroazeotróp desztilláció: ökologikus elválasztási eljárás nemideális

A évi fizikai Nobel-díj

KN-CP50. MANUAL (p. 2) Digital compass. ANLEITUNG (s. 4) Digitaler Kompass. GEBRUIKSAANWIJZING (p. 10) Digitaal kompas

JÓVÁHAGYÁS. szervezet. Név Dr. Szakonyi Lajos KPI Oktatási Minisztérium

Étkezési búzák mikotoxin tartalmának meghatározása prevenciós lehetıségek

Élelmiszeripari energiamegtakarítás lehetősége hűtő levegőáram helyi alkalmazásával

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre

KÉPI INFORMÁCIÓK KEZELHETŐSÉGE. Forczek Erzsébet SZTE ÁOK Orvosi Informatikai Intézet. Összefoglaló

X. FIATAL MŰSZAKIAK TUDOMÁNYOS ÜLÉSSZAKA

ANYAGTECHNOLÓGIA. Finom szemcseméretű anyagok őrölhetőségi vizsgálata

TÁMOPͲ4.2.2.AͲ11/1/KONVͲ2012Ͳ0029

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests

Engineering services. Info. Buyer. Version changes Contract award. Description. Version 3. Publish date 10/22/2013 4:26 AM

Hasznos és kártevő rovarok monitorozása innovatív szenzorokkal (LIFE13 ENV/HU/001092)

1. Ábra Az n-paraffinok olvadáspontja és forráspontja közötti összefüggés

Különböző szűrési eljárásokkal meghatározott érdességi paraméterek változása a választott szűrési eljárás figyelembevételével

Döntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART ))

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE

Baranyáné Dr. Ganzler Katalin Osztályvezető

ERŐMŰI SZERKEZETI ELEMEK ÉLETTARTAM GAZ- DÁLKODÁSÁNAK TÁMOGATÁSA A TÖRÉSMECHANI- KA ALKALMAZÁSÁVAL

Matematikai geodéziai számítások 5.

DOKTORI (PHD) ÉRTEKEZÉS TÉZISEI SZAFNER GÁBOR

A felület vizsgálata mikrokeménységméréssel

Logisztikus regresszió október 27.

Al-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása

TIOLKARBAMÁT TÍPUSÚ NÖVÉNYVÉDŐ SZER HATÓANYAGOK ÉS SZÁRMAZÉKAIK KÉMIAI OXIDÁLHATÓSÁGÁNAK VIZSGÁLATA I

Termékenységi mutatók alakulása kötött és kötetlen tartástechnológia alkalmazása esetén 1 (5)

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

Honlap szerkesztés Google Tudós alkalmazásával

A vízfelvétel és - visszatartás (hiszterézis) szerepe a PM10 szabványos mérésében

ÚJ ELJÁRÁS KATONAI IMPREGNÁLT SZENEK ELŐÁLLÍTÁSÁRA

Előzmények. a:sige:h vékonyréteg. 100 rétegből álló a:si/ge rétegrendszer (MultiLayer) H szerepe: dangling bond passzíválása

Magspektroszkópiai gyakorlatok

On The Number Of Slim Semimodular Lattices

A TALAJTAKARÁS HATÁSA A TALAJ NEDVESSÉGTARTALMÁRA ASZÁLYOS IDŐJÁRÁSBAN GYÖNGYÖSÖN. VARGA ISTVÁN dr. - NAGY-KOVÁCS ERIKA - LEFLER PÉTER ÖSSZEFOGLALÁS

A regisztrált álláskeresők számára vonatkozó becslések előrejelző képességének vizsgálata

Diagnosztikai szemléletű talajtérképek szerkesztése korrelált talajtani adatrendszerek alapján

Rugalmas állandók mérése

ALGEBRAI KIFEJEZÉSEK, EGYENLETEK

Vízkötési potenciálra alapozott hő- és anyagtranszport modellek biológiai anyagoknál

A klímamodellek alkalmazásának tapasztalatai a magyarországi gabona félék hozam előrejelzéseiben

A GYORS VISZKOANALIZÁTOROS TECHNIKA ALKALMAZÁSI LEHETŐSÉGEI

2. Fotometriás mérések II.

KS WI ELŐNYPONTOK. Szennyeződésekre gyakorlatilag érzéketlen, nagypontosságú, hosszú élettartamú térfogatáram-mérő.

A SZEMCSEALAK ALAPJÁN TÖRTÉNŐ SZÉTVÁLASZTÁS JELENTŐSÉGE FÉMTARTALMÚ HULLADÉKOK FELDOLGOZÁSA SORÁN

Gyümölcsök konvekciós szárításának modellezése Modeling of the Convective Drying of Fruits Modelarea cineticii uscării convective a fructelor

Kísérlettervezés alapfogalmak

WWW MULTIMÉDIA INTERFÉSZ ADATBÁZISHASZNÁLATHOZ AZ INTERNETEN

Az évjárat és a műtrágyázás hatása a GK Öthalom őszi búzafajta alveográfos minőségére

Turai Péter 1 Dr. Nagy László 2 Dr. Takács Attila 3

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

Részletes összefoglaló jelentés

Választási modellek 3

A vadgazdálkodás minősítése a Dél-dunántúli régióban

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.

MŰSZAKI TUDOMÁNY AZ ÉSZAK-KELET MAGYARORSZÁGI RÉGIÓBAN 2012

KS HORDOZHATÓ KIVITEL

AZ ELSŐÉVES HALLGATÓK INFORMATIKA TANULÁSI SZOKÁSAINAK VIZSGÁLATA ADATBÁNYÁSZATI ESZKÖZÖKKEL A BUDAPESTI MŰSZAKI FŐISKOLÁN

Átírás:

KUKORICA NEDVESSÉGTARTALMÁNAK GYORS MEGHATÁROZÁSA MIKROHULLÁMÚ KEZELÉSSEL RAJKÓ R., HARMATI ZS. Szegedi Tudományegyetem Szegedi Élelmiszeripari Főiskolai Kar Élelmiszeripari Műveletek és Környezettechnika Tanszék 6724 Szeged, Mars tér 7. 6701 Szeged, Pf. 433. Tel.: 62 546030, Fax: 62 546034 E-mail: rajko@szef.u-szeged.hu Összefoglaló A nedvességtartalom meghatározás szabványos módszerekkel igen időigényes, ezért célszerű az ennél gyorsabb, de még a gyakorlat számára megfelelő módszerek tanulmányozása és fejlesztése. Az irodalomban megjelent mikrohullámú kezeléssel megvalósított gyors nedvességtartalom meghatározást a szójababban lévő antinutritív anyagok csökkentésére irányuló mikrohullámú hőkezelés során alkalmaztuk (Rajkó et al., 1997). Az irodalomban megjelent adatok matematikai statisztikai elemzésével eltérő következtetésre jutottunk (Rajkó és Szabó, 1996), mint az idézett tanulmány szerzői (Sharma and Hanna, 1989): az y = a exp(b x) exponenciális függvénykapcsolat helyett az y = a x c exp(b x) összefüggést javasoljuk. Az új összefüggést alkalmazva az 1,5 min idejű mikrohullámú kezelést találtuk a legjobban alkalmazhatónak a nedvességtartalom pontos előrebecsléséhez. A vizsgálatok második szakaszában a kukorica nedvességtartalom meghatározására irányuló kísérleteket végeztünk. A mérésekhez Samsung típusú háztartási mikrohullámú berendezést alkalmaztunk impulzus-szerű üzemmódban (Harmati, 2001). A kezelések idejét szisztematikusan változtattuk. A kísérleteket légköri nyomáson végeztük. Az eredmények kiértékelése során fel kellett használnunk a pár-korrelációs módszert (pair correlation method, PCM), hogy szignifikáns különbséget tehessünk a kezelési idők, valamint a felhasznált összefüggések és regressziós módszerek között. Következtetéseink alapján ajánlást teszünk a nedvességtartalmat legjobban előrebecslő eljárás gyakorlati kivitelezésére és részletes matematikai statisztikai jellemzését is bemutatjuk. Bevezetés Az utóbbi húsz évben világszerte megszaporodott azon ehető termékek száma, amelyek kukoricából készülnek, vagy kukoricát is tartalmaznak. Az ilyen termékek száma az utóbbi 15 évben világszerte megtöbbszöröződött. Ma csupán az USA-ban eléri a 3100-at. Mai felgyorsult világunkban egyre nagyobb szükség van a gyártásközi gyors és pontos minőség-ellenőrző berendezésekre. Az élelmiszeriparban a minőség-ellenőrzés egyik legfontosabb feladata a nedvességtartalom meghatározása, mivel a termék víztartalma és a technológiai feldolgozás (hőkezelés, szárítás) során elért kihozatal között szoros összefüg-

gés van. A víztartalom-meghatározás lehetővé teszi a gyártási előírásokban foglaltak betartását. A kukorica szárítás közbeni nedvességtartalmának változását is intenzíven vizsgálják (Beke et al. 1995; Beke 1999; Neményi et al. 2000; Csermely and Herdovics 2000). Különösen nagy jelentőséget kap a nedvességtartalom a kukorica raktározásánál, ill. feldolgozásánál, mivel a kukorica eltarthatóságát jelentősen befolyásolja a nedvességtartalma. A korábbi megfigyelések azt igazolták, hogy a kukorica tárolása csak 13-14%-os nedvességtartalom mellett optimális és bizonyos nedvességtartalom felett már egyáltalán nem tárolható. Ezen kívül a kukorica nemesítése régebben a nedvességtartalom alapján történt, ill. ezt még ma is sokszor alkalmazzák célparaméterként a nemesítők, hiszen a kisüzemi termelés során célszerű alacsony nedvességtartalom mellett végezni a betakarítást, mert így a tároláshoz szükséges szárítás során energia-megtakarítás érhető el. A hagyományos szabványos módszerek mint például az összehasonlító meghatározásként is alkalmazott szárítószekrényes eljárás amely adott ideig adott hőmérsékletű szárítást jelent, nagy hátránya az időigény. Így érthető, hogy ezen eljárás egyszerűsítésére és gyorsítására egyre több kutatás irányul. Ennek következtében a mikrohullámú berendezések egyre nagyobb jelentőséget kapnak az élelmiszeriparon belül is. Olyan eljárást próbáltunk kifejleszteni a mikrohullámú berendezés segítségével, amely egy gyors nedvességtartalom meghatározó módszert eredményez és az eredmények megközelítik a szabványos szárítószekrényes eljárás pontosságát. Anyagok és módszerek A kísérletek elvégzéséhez a szegedi Gabonakutató Kht. munkatársai által nemesített Sze TC 259 (Anita) típusú hibridkukoricát használtuk. A mérésekhez Samsung típusú háztartási mikrohullámú berendezést (1. ábra) alkalmaztunk impulzus-szerű üzemmódban 15 másodperc kezelés, 1 perc pihentetés váltásokkal 520 W névleges teljesítmény mellett. 1. ábra. A kísérletekhez használt Samsung típusú háztartási mikrohullámú berendezés.

A meghatározás alapegyenlete a látszólagos vagy parciális (részleges) nedvességtartalom: m0 mt x = 100, (1) m0 ahol x : a látszólagos vagy részleges nedvességtartalom, m 0 : a minta kezdeti tömege, m t : a t ideig tartó kezelés után mért tömeg. A valódi nedvességtartalom és a részleges nedvességtartalom közötti függvénykapcsolat közelítésére az alábbi 3 egyszerűbb összefüggést alkalmaztuk: x y = k m (2) y = a exp ( b x) (3) c y = a x exp ( b x) (4) ahol y : a valódi nedvességtartalom, x : a parciális nedvességtartalom, k, m, a, b, c : a regressziós paraméterek. A (2) és (3) összefüggések matematikailag átalakíthatók egymásba, az a = k, ill. m = exp(b) azonosságok miatt. A különböző alakok alkalmazását mégis az magyarázza, hogy az MS Excel97 táblázatkezelőben a (2) összefüggésre beépített regressziós eljárás található (LOG.ILL, ez egy logaritmikus transzformáció után a lineáris legkisebb négyzetek módszerét (LLKNM) alkalmazza), míg a (3) és (4) összefüggések paramétereit nemlineáris legkisebb négyzetek módszerével (NLLKNM) becsültük a SOLVER beépülő segítségével. A mikrohullámú gyors nedvességtartalom meghatározáshoz kalibrációs mintára volt szükség. Ez azt jelenti, hogy különböző ismert nedvességtartalmú mintákat kell készíteni a vizsgálatok elvégzéséhez. Számított mennyiségű kukoricához számított mennyiségű vizet adtam hozzá. W % cél W % kezdeti mvíz = mössz (4) 100 W % kezdeti ahol: m víz : a hozzáadott víz tömege, m össz : a W% cél nedvességtartalmú kukorica összes tömege, W% cél : az elérni kívánt nedvességtartalom (kukorica), W% kezdeti : a kezdeti nedvességtartalom (kukorica). A W% kezdeti kezdeti nedvességtartalom nemcsak a légszáraz nedvességet jelentheti, hanem az ennél kisebb nedvességtartalmú minták esetén a kíméletes vákuumszárítással kapott kukorica nedvességtartalmát is. Az így előállított különböző nedvességtartalmú mintákat 24 órán keresztül kondicionáltattuk úgy, hogy hermetikusan lezárt üvegedényekbe számított mennyiségű kukoricát és vizet tettünk, majd ezekek az üvegedényeket a kondicionáló berendezés gumihengereire helyezve 24 órán keresztül kis fordulatszámon forgattuk. A kondicionáló berendezés működése nagyon egyszerű: két egymással párhuzamos gumihengerből áll amelyek között egy állítható távtartó van elhelyezve, a gumihengerek meghajtása pedig egy villanymotorral van megoldva. A hengerek fordulatszámát egy háromállású kapcsolóval lehet beállítani, illetve még egy finomállító is található a berendezésen, amellyel pontosabban tudjuk szabályozni a fordulatszámot (2. ábra). A 24 órás kondicionáltatás azért fontos, hogy lehetőleg minden kukoricaszem egyenletesen vegye fel a hozzáadott vizet és ezáltal minden szem nedvességtartalma lehetőleg azonos legyen.

2. ábra. Kondicionáló berendezés a kalibrációhoz szükséges különböző nedvességtartalmú kukoricaminták elkészítéséhez. 3. ábra. Szárítószekrényes nedvességtartalom meghatározás.

Eredmények és értékelés Mivel az egész szemes szárítószekrényes nedvességtartalom mérések teljesen irreális értékeket adtak, így csak a fél szemekkel meghatározott nedvességtartalmakat közöljük (I. táblázat). I. táblázat. Félbevágott szemű kukorica minták nedvességtartalom értékei 105 o C-on szárítószekrényben mérve. A szárítószekrényes összehasonlító mérés adott hőmérsékleten adott ideig történő szárítást jelent, mi a kísérletek során 1 órán keresztül 105 C-on végeztük a szárítást (3. ábra). A szárítószekrényes méréseknél gondot okoz, hogy a kukoricának vastag a héja és a hő hatására a héj alatti vékony rétegben karamellizáció jön létre, amely a vastag héj mellett további ellenállást okoz. Ennek kiküszöbölésére a szemeket félbevágtuk. A szárítószekrényben párhuzamosan 5 10g egész szem kukoricát, illetve 5 5g fél szem kukoricát szárítottunk. nedvességtartalom[%] szórás [%] 6,60 0,063 8,77 0,097 9,86 0,186 10,83 0,054 11,07 0,332 11,18 0,110 14,80 0,176 16,70 0,193 17,25 0,346 18,41 0,299 19,32 0,419 19,50 0,248 A légszáraz kukorica nedvességtartalma 11,07% értéknek adódott. A nagyobb nedvességtartalmú minták előállításához ehhez adtunk számított mennyiségű vizet, majd kondicionáltattuk a korábban leírt módon. A kisebb nedvességtartalom eléréséhez a légszáraz kukoricát 40 o C-on és 200 mbar nyomáson 1 órán keresztül kíméletesen kezeltük, majd számított mennyiségű vízzel kondicionáltattuk. A kalibrációs minták mikrohullámú kezelését 0 s-tól 390 s-ig terjedő tiszta kezelési ideig végeztük, ez maximálisan kb. 35 min teljes kezelési időt jelent. A kezelés alatt az 1 min pihentetési időben mértük a minták tömegcsökkenését, majd ebből számoltuk a parciális nedvességtartalmat. A 4. ábrán a számított parciális nedvességtartalmak és a szárítószekrénnyel mért valódi nedvességtartalmak közötti összefüggést mutatjuk be a tiszta kezelési idő változásának függvényében. A (2)-(4) egyenletekkel meghatározott összefüggések segítségével illesztettük a mérési adatokat. Az illeszkedés egyik mérőszámaként a számított korrelációs együttható értékeket a tiszta kezelési idő függvényében az 5. ábrán adjuk meg grafikusan.

20.00% 18.00% Valódi nedvességtartalom 16.00% 14.00% 12.00% 10.00% 15 30 45 60 75 90 105 120 135 150 165 180 8.00% 6.00% 0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0 16.0 Parciális nedvességtartalom, % 4. ábra. A parciális és a valódi nedvességtartalom között kapott összefüggések a tiszta kezelési idő függvényében. 1.00 0.99 0.98 Korrelációs együttható 0.97 0.96 0.95 y=b*m^x y=a*exp(b*x) y=a*x^c*exp(b*x) 0.94 0.93 0 45 90 135 180 225 270 315 360 405 Tiszta kezelési idő [s] 5. ábra. Az illeszkedés egyik mérőszámaként számított korrelációs együttható értékek a tiszta kezelési idő függvényében.

Az 5. ábráról leolvasható, hogy a (4) egyenlettel kapott illeszkedés a legjobb. A kezelési idő meghatározásához az újonnan fejlesztett párkorrelációs módszer (Pair-Correlation Method, PCM) (Héberger, Rajkó 1997; Rajkó, Héberger 2001; Héberger, Rajkó 2001) segítségét vettük igénybe, amely a közel azonos változók, modellek stb. között tud különbséget tenni, gyakran akkor is amikor a paraméteres statisztikai módszerek már nem. A PCM az MS Excel táblázatkezelő program VBA nyelvén készült, amely igen alkalmas akár tudományos programok készítésére is (Rajkó 2000). A PCM könnyen kezelhető, felhasználóbarát beviteli felületét a 6. ábrán láthatjuk. 6. ábra. A PCM felhasználóbarát beviteli felülete A II. táblázat a PCM-mel történt vizsgálatok eredményét tartalmazza. A győzelmek és vereségek különbségének (Winner - Loser) száma alapján a változók között a kalibrációs adatsorra vonatkozó prediktív erő nagyság szerinti sorrendjét kaptuk. Láthatjuk, hogy a 270, 255, 195, 375, 390, 225, 240, 150, 165, 285, 300, 315, 330, 345, 135, 210, 180 s kezelési időket a PCM egyértelműen, a 360 s kezelési időt már csak feltételesen válogatta be, míg a 105, 120, 90, 60, 75, 45, 30, 15 s kezelési időket kétséget kizáróan kihagyandónak ítélte meg. A csak győzelmeket elért kezelési idők között végrehajtva a PCM-et, nem kaptunk újabb csoportosulást, sőt a 270 s (korr. koeff. = 0,9902) és a 135 s (korr. koeff. = 0,9860), ill. a 390 s (korr. koeff. = 0,9898) és a 135 s kezelési időket páronként összehasonlítva sem kaptunk különbséget (III. táblázat).

II. táblázat. A különböző idejű mikrohullámú kezelések alapján illesztett (4) összefüggések összehasonlítása PCM-mel. y 270 255 195 375 390 225 240 150 6.60% 6.25% 6.22% 6.20% 6.33% 6.34% 6.10% 6.21% 6.43% 8.77% 9.48% 9.48% 9.53% 9.23% 9.09% 9.46% 9.41% 9.81% 9.86% 10.44% 10.52% 10.80% 10.57% 10.57% 10.64% 10.56% 10.81% 10.83% 11.46% 11.54% 11.40% 11.61% 11.59% 11.44% 11.49% 11.54% 11.07% 9.79% 9.83% 9.92% 9.73% 9.84% 9.92% 9.85% 9.62% 11.18% 11.03% 10.86% 10.63% 11.11% 11.12% 10.90% 10.95% 10.40% 14.80% 14.75% 14.84% 14.78% 14.72% 14.76% 14.86% 14.78% 14.69% 16.70% 17.38% 17.39% 17.19% 17.60% 17.60% 17.35% 17.42% 17.09% 17.25% 17.02% 17.02% 17.19% 16.73% 16.73% 17.08% 17.07% 17.12% 18.41% 18.01% 17.95% 18.01% 17.93% 17.92% 17.92% 17.95% 17.95% 19.32% 19.77% 19.80% 19.90% 19.70% 19.69% 19.85% 19.81% 19.93% 19.50% 18.83% 18.77% 18.66% 18.93% 18.97% 18.69% 18.72% 18.85% Winner 8 6 6 6 6 5 5 5 Loser 0 0 0 0 0 0 0 0 No Decis. 17 19 19 19 19 20 20 20 Rank by 1 2 3 4 5 6 7 8 Win-Los α (user) 0.05 α (emp.) 0.040816 Crit. Sum 93.1 94 Williams' t No Differences in y 165 285 300 315 330 345 135 210 180 6.29% 6.29% 6.37% 6.36% 6.35% 6.34% 6.52% 6.17% 6.28% 9.63% 9.48% 9.42% 9.32% 9.30% 9.33% 9.71% 9.49% 9.73% 10.88% 10.38% 10.41% 10.74% 10.66% 10.58% 10.77% 10.72% 10.84% 11.41% 11.54% 11.50% 11.52% 11.52% 11.61% 11.66% 11.35% 11.40% 9.78% 9.79% 9.79% 9.70% 9.74% 9.67% 9.51% 9.95% 9.71% 10.57% 11.01% 10.97% 10.91% 11.01% 11.07% 10.52% 10.75% 10.54% 14.72% 14.75% 14.72% 14.69% 14.66% 14.68% 14.69% 14.86% 14.84% 17.11% 17.60% 17.70% 17.67% 17.67% 17.63% 16.90% 17.40% 17.28% 17.19% 16.91% 16.93% 16.85% 16.80% 16.78% 16.99% 17.12% 17.12% 18.01% 17.93% 17.92% 17.89% 17.96% 17.93% 18.07% 17.89% 17.96% 19.93% 19.72% 19.66% 19.68% 19.67% 19.69% 19.94% 19.86% 19.90% 18.71% 18.83% 18.85% 18.88% 18.91% 18.92% 18.98% 18.64% 18.63% 5 5 5 5 5 5 5 5 5 0 0 0 0 0 0 0 0 1 20 20 20 20 20 20 20 20 19 9 10 11 12 13 14 15 16 17 360 105 120 90 60 75 45 30 15 6.35% 7.03% 6.41% 6.58% 6.86% 6.39% 7.10% 8.07% 9.79% 9.27% 9.76% 10.04% 10.45% 10.48% 10.08% 9.83% 10.57% 14.81% 10.60% 10.75% 11.17% 10.90% 11.83% 11.16% 12.37% 13.79% 16.40% 11.61% 11.58% 11.51% 11.26% 10.94% 11.82% 10.92% 9.77% 11.99% 9.68% 8.87% 9.27% 9.23% 9.18% 8.80% 8.56% 8.87% 8.47% 11.08% 10.81% 10.66% 10.64% 10.09% 11.18% 11.20% 10.68% 11.06% 14.70% 14.45% 14.35% 14.65% 14.66% 14.81% 14.52% 14.44% 14.40% 17.66% 17.25% 16.90% 17.14% 16.76% 17.52% 16.84% 15.81% 15.70% 16.73% 16.71% 16.73% 16.14% 16.04% 16.49% 15.57% 14.83% 14.44% 17.92% 18.25% 18.15% 18.16% 18.24% 18.83% 18.56% 19.38% 15.96% 19.68% 19.73% 19.94% 20.00% 20.10% 19.87% 20.13% 19.54% 16.32% 18.93% 19.09% 19.09% 19.12% 19.07% 17.24% 18.66% 18.55% 14.90% 5 3 3 2 2 1 2 1 0 2 1 1 2 18 18 20 23 25 18 21 21 21 5 6 3 1 0 18 19 20 21 22 23 24 25 26

III. táblázat. A 270 s és 135 s, ill. a 390 s és 135 s idejű mikrohullámú kezelések alapján illesztett (4) összefüggések páronkénti összehasonlítása PCM-mel. y 270 135 y 390 135 6.60% 6.25% 6.52% 6.60% 6.34% 6.52% 8.77% 9.48% 9.71% 8.77% 9.09% 9.71% 9.86% 10.44% 10.77% 9.86% 10.57% 10.77% 10.83% 11.46% 11.66% 10.83% 11.59% 11.66% 11.07% 9.79% 9.51% 11.07% 9.84% 9.51% 11.18% 11.03% 10.52% 11.18% 11.12% 10.52% 14.80% 14.75% 14.69% 14.80% 14.76% 14.69% 16.70% 17.38% 16.90% 16.70% 17.60% 16.90% 17.25% 17.02% 16.99% 17.25% 16.73% 16.99% 18.41% 18.01% 18.07% 18.41% 17.92% 18.07% 19.32% 19.77% 19.94% 19.32% 19.69% 19.94% 19.50% 18.83% 18.98% 19.50% 18.97% 18.98% 270 135 390 135 Winner 0 0 Winner 0 0 Loser 0 0 Loser 0 0 No Decis. 1 1 No Decis. 1 1 Rank by 1 2 Rank by 1 2 Win-Los α (user) 0.05 Win-Los α (user) 0.05 CondExact CondExact (270)<0 (270)>0 (390)<0 (390)>0 (135)<0 D: 4 B: 2 Ignored:0 (135)<0 D: 4 B: 2 Ignored:0 (135)>0 C: 1 A: 59 (135)>0 C: 1 A: 59 Crit. value 0 Neither 1>= 0 Crit. value 0 Neither 1>= 0 won won α (user) 0.05 α (theor) 0.999778 α (user) 0.05 α (theor) 0.999778 Következtetések A kukorica nedvességtartalmának meghatározására az impulzusszerű mikrohullámú kezelés jelentősen gyorsabb, mint az összehasonlításul választott 1 órán keresztül 105 Con történő szárítószekrényes szárítás. A statisztikai vizsgálódások alapján a 135 s tiszta kezelési idő (ami 11,25 min teljes kezelést jelent) megfelelőnek bizonyult. Köszönetnyilvánítás Jelen kutatást az OTKA T035125 sz. pályázata támogatta. A kísérletekhez felhasznált fajtaazonos kukoricát a szegedi Gabonatermesztési Kutató Kht. biztosította. Irodalom Beke J. (1999): A szemeskukorica-szárítás folyamatának elemzése. Akadémiai Kiadó, Budapest. Beke J., Mujumadar A.S., Bosiso R.G. (1995) Drying of fresh and rewetted shelled corn in microwave fields. Drying Technology, Vol. 13. pp. 463-476. Csermely J., Herdovics M. (2000): Connections of grain drying processes. Hungarian Agricultural Engineering, No. 13. pp. 17-19.

Harmati Zs. (2001): Mikrohullámú hőkezelésen alapuló gyors nedvesség-meghatározó módszer alkalmazása. SZTE SZÉF, Szeged. Szakdolgozat Héberger K., Rajkó R. (1997): Discrimination of statistically equivalent variables in quantitative structure-activity relationships. In Quantitative Structure-Activity Re-lationships (QSAR) in Environmental Sciences-VII, Ed. Fei Chen & Gerrit Schüürmann, SETAC Press, Ch. 29. pp. 423-431. Héberger K., Rajkó R. (2001): Variable selection for environmental data using paircorrelation method. SAR and QSAR in Environmental Research, accepted for publication. Neményi M., Czaba I., Jáni T. (2000) Investigation of simultaneous heat and mass transfer within the maize kernels during drying. Computers and Electronics in Agriculture. Vol. 26. pp. 123-135. Rajkó R. (2000): Spreadsheet applications in chemistry using Microsoft Excel by D. Diamond and V.C.A. Hanratty. Book review. Journal of Chemometrics, Vol. 14. pp. 41-43. Rajkó R., Héberger K. (2001): Conditional Fisher's exact test as a selection criterion for pair-correlation method. Type I and Type II errors. Chemometrics and Intelligent Laboratory Systems, Vol. 57. No. 1. pp. 1-14. Rajkó R., Szabó G., Vidal-Valverde C., Kovács E. (1997) Designed experiments for reducing antinutritive agents in soybean by microwave energy. Journal of Agricultural and Food Chemistry. Vol. 45. pp. 3565-3569. Rajkó Róbert, Szabó Gábor (1996): Mikrohullámú hőkezelésen alapuló gyors nedvességmeghatározó módszer statisztikai vizsgálata. Élelmiszeripai Főiskola, Tudományos közlemények, Vol. 19. pp. 88-94. Sharma, N., Hanna, M.A. (1989): A microwave oven procedure for soybean moisture content determination. Cereal Chemistry, Vol. 66. No. 6, pp. 483-485.

RAPID MOISTURE CONTENT DETERMINATION OF CORN KERNELS USING MICROWAVE TREATMENT (ABSTRACT) RAJKÓ, R., HARMATI, ZS. University of Szeged College Faculty of Food Engineering Department of Unit Operations and Environmental Engineering H-6724 Szeged, Mars tér 7. Mailing address: H-6701 Szeged, POB. 433 Tel.: +3606 62 546-030, Fax: +3606 62 546-034 E-mail: rajko@szef.u-szeged.hu Moisture determination is a commonly employed technique in the field of food and agriculture. There are standard methods for moisture determination in grains, forages, and foods (ASAE 1986 (S352.1 and S358.1), AOAC 1984, AACC 1983 (Method 44-15A)). These methods use air or vacuum ovens into which the sample is placed for a specified time at a specified temperature (different for different materials). The moisture content is then determined from the weight lost during that specified time. These methods are timeconsuming, especially for foods with high moisture content. Furthermore, these instruments were calibrated against the standard oven methods, which were, again, timeconsuming. Usage of microwave oven was introduced to determine the moisture content by Sharma and Hanna (1989). Based on careful statistical analysis of the published data, we concluded rather different results, then Sharma and Hanna (1989) have done. We recommended to use the modified exponential function y = a x c exp(b x) instead of y = a exp(b x), because with the previous function the treatment time is reduced to 1.5 min. In the second section of our investigation the moisture content of whole kernels of corn was rapidly determined with microwave treatment. Samsung-type domestic microwave instrument was used with impulse working method. The operating time was systematically changed. The experiments were performed at atmospheric pressure. For the evaluation of the results, the pair-correlation method (PCM) had to be used to significantly discriminate among the different operating times, the used functions, and the regression procedures. This research was supported by the Hungarian Science Foundation (No. OTKA T035125). Sharma, N, and Hanna, M.A. (1989): Cereal Chem., Vol. 66. No. 6, pp. 483-485 Rajkó R., Szabó G., Vidal-Valverde, C., Kovács E.(1997): J. Agric. Food Chem., Vol. 45. pp. 3565-3569 Harmati Zs.(2001): Mikrohullámú hőkezelésen alapuló gyors nedvesség-meghatározó módszer alkalmazása. SZTE SZÉF, Szeged. Szakdolgozat