برنج از جمله ارزشمند ترین گیاهان زراعی، با سابقه کشت طولانی بوده و امروزه از محصولات مهم غذایی دنیا ‏محسوب می شود. نتایج تحقیقات بیانگر عملکرد بالاتر تبدیل برنج در صورت برداشت شلتوک در رطوبت های بیشتر از ‏رطوبت مناسب انبارداری است. بنابراین برای جلوگیری از فاسد شدن این محصول استراتژیک، عملیات خشک کردن ‏بر روی آن صورت می گیرد. بدلیل آن که این عملیات به طور مستقیم بر کیفیت محصول اثر گذار است، کنترل این ‏فرآیند از جنبه های مختلف بسیار مهم می باشد. یکی از این جنبه ها، سینتیک افت رطوبت محصول طی فرآیند خشک ‏شدن می باشد. از دیگر جنبه ها می توان به فراسنجه های مرتبط با عملکرد خشک کن، رنگ، خواص شیمیایی و غذایی و ‏دیگر ویژگی های کیفی محصول پس از خشک کردن اشاره کرد. روش معمول برای مطالعه عوامل موثر بر فرآیند ‏خشک کردن محصولات کشاورزی، روش آماری و روش حل معادلات دیفرانسیل حاکم بر فرآیند است. از آنجا که ‏در این مطالعه چندین متغیر ورودی و خروجی موثرند، تحلیل آماری این نوع مسائل مستلزم ارائه روابط ریاضی متعددی ‏است که اغلب استفاده و تفسیر آن ها مشکل است. در روش حل روابط ریاضی حاکم نیز از ساده سازی و فرضیات ‏متعددی استفاده می شود که بر دقت این مدل ها تاثیر گذار است. امروزه با توسعه سریع فناوری های رایانه ای و توسعه نرم ‏افزارهای مربوط، از فناوری هوش مصنوعی مانند شبکه های عصبی برای حل مسائل مربوط به مدلسازی سیستم ها و ‏فرآیندها استفاده می شود.‏‎ ‎یک شبکه عصبی مصنوعی، مجموعه ای از عناصر محاسباتی متصل به همدیگر می باشد که ‏شبیه نرونهای زیستی بوده و قادر است بدون هیچ دانش قبلی ارتباط ذاتی موجود میان داده های مسئله را کشف و در ‏خود حفظ کند. در این پژوهش به منظور پیش بینی برخی از فراسنجه های موثر بر عملیات خشک کردن بستر عمیق ‏شلتوک برنج شامل سرعت هوای خشک کن (5/0، 8/ 0و 1/1 متر بر ثانیه)، دمای هوای خشک کن (70،60،50،40و80 ‏درجه سلسیوس) و رطوبت نسبی هوای ورودی (70،60،50،40 درصد) از شبکه های مصنوعی عصبی و روش رگرسیون ‏چند متغیره استفاده شد. علاوه بر سینتیک افت رطوبت، سه متغیر وابسته آهنگ خروج محصول به عنوان شاخص ظرفیت ‏کاری خشک کن ، آهنگ تبخیر به عنوان شاخص کیفی سینتیک خشک شدن و درصد ترک خوردگی دانه به عنوان ‏شاخص کیفی محصول خشک شده مورد بررسی قرار گرفت. برای ایجاد الگوهای آموزش و آزمون و ارزیابی شبکه ‏های عصبی، آزمایش های خشک کردن تحت تیمارهای مختلف به وسیله یک خشک کن آزمایشگاهی انجام گرفت و ‏نتایج این آزمایش ها در طراحی شبکه عصبی بکار گرفته شد. در حدود 70 درصد الگوها برای آموزش و 30 درصد ‏برای آزمون و ارزیابی شبکه استفاده شد. از سه شبکه عصبی پرسپترون چند لایه استاندارد (‏mlp‏)، پرسپترون چند لایه ‏پیشخور عمومی (‏gff‏) و پرسپترون چند لایه پیشخور مدولار (‏mnn‏) برای مدل سازی استفاده شد. پیش بینی سینتیک ‏افت رطوبت با استفاده از یک شبکه با چهار ورودی و یک خروجی صورت گرفت و برای پیش بینی سه فراسنجه دیگر ‏یک بار بطور مجزا برای هر کدام از فراسنجه ها و بار دیگر بصورت همزمان، شبکه های عصبی مورد نظر طراحی شدند. ‏نتایج نشان داد شبکه های مجزا دقت بالاتری دارند. در پیش بینی سینتیک خشک شدن بهترین نتیجه برای شبکه ‏gff‏ با ‏توپولوژی 1- 15- 4، الگوریتم آموزش لونبرگ- مارکوارت و تابع تانژانت هایپربولیک با مقدار خطای مربعات میانگین ‏نرمال 000792/0 و ضریب همبستگی 996/0حاصل شد. در پیش بینی آهنگ خروج محصول ، آهنگ تبخیر و درصد ‏ترک دانه نیز به ترتیب شبکه های ‏gff‏ با توپولوژی1-4-4-3 و خطای مربعات میانگین نرمال 001325/0، توپولوژی‎ ‏1-7-3 و خطای مربعات میانگین نرمال 001554/0 و توپولوژی 1-11-3 و خطای مربعات میانگین نرمال ‏‏001251/0بهترین نتایج را ارائه داد. نتایج آزمون آنالیز حساسیت حاکی از موثر بودن هر سه متغیر ورودی بر متغیرهای ‏خروجی بود. مقایسه نتایج بدست آمده از شبکه عصبی با نتایج رگرسیونی نشان دهنده دقت بیشتر شبکه عصبی در پیش ‏بینی متغیرهای وابسته بود.‏ کلمات کلیدی: شلتوک برنج، سینتیک خشک شدن، فراسنجه های فرآیند و محصول، شبکه عصبی مصنوعی