پیش بینی محتوای رطوبتی پیاز خوراکی در طی فرآیند خشک کردن با استفاده از شبکه عصبی مصنوعی

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.