پیش بینی محتوای رطوبتی پیاز خوراکی در طی فرآیند خشک کردن با استفاده از شبکه عصبی مصنوعی
نویسندگان
چکیده
پیاز خوراکی بهعنوان منبع غذایی و همچنین مصارف دارویی، امروزه بسیار مورد توجه قرار گرفته است. با افزایش بیش از پیش تولید پیاز، نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از پودر پیاز بیشتر احساس میشود. بههمین جهت خشک کردن این محصول بهعنوان یکی از راهکارهای عملی همواره مطرح میباشد. امروزه با توجه به مزایای فناوری هوش مصنوعی، استفاده از شبکههای عصبی مصنوعی در سطح وسیعی برای شبیهسازی و پیشبینی پارامترهای مورد نیاز در فرایندهای خشک کردن در حال رشد و توسعه است. هدف از انجام این تحقیق پیشبینی محتوای رطوبتی پیاز به کمک شبکه عصبی مصنوعی میباشد. در این تحقیق پیاز با استفاده از خشککن جریان عمودی هوای داغ در زمانهای مختلف در سه سطح دمای 60، 70 و 80 درجه سلسیوس، سه سطح ضخامت لایه 15، 30 و 45 میلیمتر، سه سطح ضخامت خلال 2، 4 و 6 میلیمتر و سه تکرار، در سرعت هوای ثابت 5/1 متر بر ثانیه خشک شده تا محتوای رطوبتی آن ثابت و به 6% (بر پایه تر) برسد. بهترین الگوریتم یادگیری لونبرگ-مارکوارت با کمترین مقدار خطا mse انتخاب شد. توپولوژی بهینه 1-10-4 با تابع آستانه تانژانت سیگموئید و مقادیر خطای 0133/0 و توپولوژی بهینه 1-6-4 با تابع آستانه لگاریتم سیگموئید و مقادیر خطای 022/0 به دست آمدند. مقایسه ضریب تبیین r2 وmse نشان داد که شبکه عصبی با ساختار 1-10-4 با تابع آستانه تانژانت سیگموئید برای پیش بینی محتوای رطوبتی در مقایسه با توپولوژیهای دیگر نتایج بهتری را ارائه میکند؛ بهترین مقدار ضریب تبیین 998/0 و mse آن 0133/0 به دست آمد.
منابع مشابه
پیشبینی هوشمند و لحظه‌ای محتوای رطوبتی با استفاده از شبکه عصبی مصنوعی در فرآیند خشک کردن لایه نازک پسته
متن کامل
پیش بینی سطح ایستابی مناطق خشک و نیمه خشک با استفاده از شبکه عصبی مصنوعی و قانون یادگیری Gradient Descent.
متن کامل
پیش بینی محتوای رطوبتی پسته رقم اکبری با شبکه عصبی مصنوعی
به منظور پیش بینی محتوای رطوبتی پسته رقم اکبری به کمک شبکه عصبی مصنوعی، آزمایشاتی در پنج سطح دمایی از 40 تا 80 درجه سانتی گراد، چهار سرعت جریان هوای ورودی بین 5/0 تا 2 متر بر ثانیه و در سه تکرار (جمعا 60 سری) در یک خشک کن لایه نازک انجام شد. رطوبت اولیه پسته در آغاز آزمایش ها 30 درصد بر پایه خشک بود. پس از انجام آزمایش ها داده ها به محیط شبکه عصبی مصنوعی منتقل شدند. به منظور توسعه مدلهای شبکه ع...
متن کاملتخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال
The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture...
متن کاملتخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال
The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
مهندسی زراعیجلد ۳۸، شماره ۲، صفحات ۱۴۵-۱۶۱
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023