خشک کردن یکی از فرایند های اصلی و مهم در بسیاری از فرایندهای صنعتی می باشد. خواص خشک شدن ذرت دانه ای (‏zea mays. ‎l‏) با رطوبت اولیه ‏‎26‎‏% بر پایه خشک و نخود فرنگی (‏pisum satvium‏) با رطوبت اولیه 76% بر پایه خشک در یک خشک کن بستر سیالی با کمک ‏میکروویو مورد مطالعه قرار گرفتند. چهار سطح برای دمای هوای خشک کننده (30، 40، 50 و 60 درجه سانتیگراد) و پنج سطح برای توان میکروویو ‏‏(180، 360، 540، 720 و 900 وات)، پارامترهای مورد مطالعه در خشک کن تلفیقی انتخاب گردیدند. آزمایشات متعددی در جهت یافتن محتوای رطوبت ‏نمونه های مورد نظر و مدت زمان خشک شدن آن ها انجام پذیرفت. نتایج نشان دادند که با افزایش درجه حرارت در یک توان مشخص در نهایت تنها 5% ‏مدت زمان خشک شدن را کاهش می دهد و این در حالی است که با اضافه شدن توان میکروویو به این سیستم مدت زمان خشک شدن تا 50% (برای ‏ذرت دانه ای) و 8/78% (برای نخود فرنگی) کاهش میابد. بطور کلی می توان نتیجه گرفت که با افزایش توان میکروویو و دمای هوای خشک کننده نرخ ‏خروج رطوبت افزایش میابد. در ادامه این تحقیق با استفاده از شبکه عصبی مصنوعی مدل مناسبی برای یافتن مدت زمان خشک شدن (پارامتر خروجی ‏شبکه) ارائه گردید. توان میکروویو، دمای هوای خشک کننده و محتوای رطوبت دانه به عنوان پارامترهای ورودی مدل می باشند. نتیجه نشان داد که ‏شبکه عصبی مورد استفاده با 170 نرون و تابع ‏tansig (hyperbolic tangent sigmoid)‎‏ و الگوریتم پس انتشار ‏trainrp (resilient back ‎propagation;rprop)‎‏ (برای ذرت دانه ای)؛ 50 نرون و تابع‏logsig (log sigmoid) ‎‏ و الگوریتم پس انتشار ‏trainrp ‎‏ (برای نخود فرنگی) حالت ‏بهینه ممکن برای پیش بینی مدت زمان خشک شدن در دو محصول یاد شده می باشد. برای اعتبار سنجی مدل های پیشنهاد شده از معیارهای ‏آماریroot mean square error (rmse)‎،‎ mean absolute error (mae) ‎‏ و ‏‎ standard error (se)‎‏ استفاده گردید و نتایج نشان داد که ‏خطاهای یاد شده کمتر از 5% می باشند این در حالی است که ضریب همبستگی‎(r2) ‎‏ بیشتر از 98% محاسبه گردید. ‏ یکی از مهمترین تغییرات نامطلوب که در زمان خشک شدن مواد غذائی همراه با کاهش کیفیت محصول رخ می دهد چروکیدگی میباشد. ‏اخیراً تلاش های گسترده ای برای تعیین مقدار چروکیدگی در محصولات غذایی صورت گرفته است. استفاده از خشک کن بستر سیالی با کمک میکروویو ‏یکی از این تلاش ها در زمینه فوق برای کاهش میزان چروکیدگی می باشد. برای اندازه گیری چروکیدگی برای نمونه هائی از ذرت دانه ای و نخود فرنگی، ‏در ابتدا و انتهای هر آزمایش سه قطر عمود بر هم اندازه گیری شدند و تغییرات آنها محاسبه گردیدند. نتایج حاکی از این بودند که با افزایش توان ‏میکروویو و دمای هوای خشک کننده مورد استفاده مقدار چروکیدگی محصول به دلیل سرعت بخشیدن به نرخ خروج رطوبت کاهش می یافت. در ادامه ‏این تحقیق با استفاده از شبکه عصبی مصنوعی مدل مناسبی برای ارزیابی مقدار چروکیدگی (پارامتر خروجی شبکه) ارائه گردید. توان میکروویو، دمای ‏هوای خشک کننده و محتوای رطوبت دانه به عنوان پارامترهای ورودی مدل می باشند. نتایج نشان دادند که شبکه عصبی مورد استفاده با 5 نرون و تابع ‏logsig‏ و الگوریتم پس انتشار ‏trainlm (levenberg-marquardt back propagation)‎‏ برای ذرت دانه ای و 4 نرون و تابع‏logsig ‎‏ و ‏الگوریتم پس انتشارtrainrp ‎‏ برای نخود فرنگی شرایط بهینه پیش بینی برای مقدار چروکیدگی را فراهم می سازند. برای اعتبار سنجی مدل ها، خطاهای ‏اندازه گیری شده کمتر از 5% بوده و ضریب همبستگی‎(r2) ‎‏ بیشتر از 98% محاسبه گردید.‏