تخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال
Authors
Abstract:
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 content and inlet air temperature. In aggregate, 274 drying experiments were conducted for creating training and testing patterns by a laboratory dryer. Samples were collected from dryer, and then dehulling and polishing operations were done using laboratory apparatus. HRY was measured at several different depths , average of which was considered as HRY for each experiment. Three networks and two training algorithms were used for training presented patterns. Results showed that the cascade forward back propagation algorithm with topology of 7- 13-7-1 and Levenberg-Marquardt training algorithm and activation function of Sigmoid Tangent predicted HRY with determination coefficient of 95.48% and mean absolute error 0.019 in different conditions of fluidized bed paddy drying method. Results showed that the input air temperature and final moisture content has the most significant effect on HRY.
similar resources
پیش بینی ضریب تبدیل شلتوک به برنج سفید در خشک کردن به روش بستر ثابت به کمک شبکه های عصبی مصنوعی
هدف از این تحقیق پیشبینی ضریب تبدیل شلتوک به برنج سفید در خشک کردن به روش بستر ثابت به کمک شبکه های عصبی مصنوعی است. چند پارامتر در عملکرد خشک کن های بستر ثابت مؤثرند که به عنوان متغیرهای مستقل برای شبکة عصبی مصنوعی در نظر گرفته شدهاند. این متغیرها عبارتاند از رطوبت نسبی هوای محیط، دمای هوای محیط، سرعت هوای ورودی، عمق بستر شلتوک، دمای هوای ورودی، رطوبت اولیه و رطوبت نهایی. برای ایجاد الگو...
full textتخمین پارامترهای خشک کردن گوجه فرنگی با کمک شبکه های عصبی مصنوعی
در این پژوهش خشک کردن لایه ای نازک گوجه فرنگی به روش جابجایی هوای داغ شبیه سازی گردید. اسلایس های گوجه فرنگی در دو دمای (60 و 70 درجه سانتیگراد) خشک شدند. شبکه عصبی پرسپترون برای پیش بینی نسبت رطوبت و سرعت خشک کردن نمونه ها در طی خشک کردن بکار گرفته شد. بهترین چیدمان شبکه عصبی برای شبکه اول بر اساس یک لایه پنهان،2 و 8 نرون در لایه پنهان به ترتیب برای نسبت رطوبت و آهنگ خشک کردن بود. همچنین بهتری...
full textتخمین ضریب پخش طولی آلاینده ها در مجاری روباز با استفاده از شبکه عصبی مصنوعی
انتقال طولی آلاینده ها یکی از مراحل مهم در فرآیند رقیق سازی آلاینده ها میباشد که شناخت آن از اهمیت ویژهایبرخوردار است. دشواری اندازه گیری ضریب انتشار طولی در رودخانهها نیاز به استفاده از روشهای مناسب مدلسازیدر پیشبینی این ضریب را بیشتر میکند. یکی از روشهای کارآمد مدل سازی شبکه عصبی مصنوعی است که یکی ازتکنیکهای هوش مصنوعی محسوب میشود. در این مدل بدون استفاده از معادلات پیچیده غیرخطی، میتوان دینا...
full textMy Resources
Journal title
volume 13 issue 48
pages 285- 298
publication date 2009-07
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023