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

Authors

  • اسماعیل خراسانی فردوانی استادیار گروه مکانیک ماشین های کشاورزی و مکانیزاسیون دانشگاه شهید چمران اهواز
  • حدیث نعمت پور ملک آباد دانش آموخته کارشناسی ارشد مکانیک ماشین های کشاورزی و مکانیزاسیون دانشگاه شهید چمران اهواز
  • حسن ذکی دیزجی استادیار گروه مکانیک ماشین های کشاورزی و مکانیزاسیون دانشگاه شهید چمران اهواز
Abstract:

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 پیش‌بینی 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.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

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...

full text

تخمین 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...

full text

تخمین 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...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 38  issue 2

pages  145- 161

publication date 2016-01-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023