تعیین نقطه بهینه کاری برای بیشینه کردن بازده جداسازی کوبش آفتابگردان بر اساس مدل عصبی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 260

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAM-10-1_007

تاریخ نمایه سازی: 6 دی 1399

چکیده مقاله:

برداشت آفتابگردان یکی از فرآیندهای مهم در زراعت آفتابگردان می‌باشد. آسیب دانه‌ای و بازده جداسازی کم از مشکلات برداشت آفتابگردان می‌باشند. در این مطالعه، سیلندر کوبنده با دندانه‌های لاستیکی و ضد کوبنده برای برداشت آفتابگردان طراحی و ساخته شد. سرعت سیلندر کوبنده، فضای کوبنده و رطوبت طبق آفتابگردان، پارامترهای مستقل در ارزیابی واحد کوبش تعیین شد. از رقم آفتابگردان آذر گل برای ارزیابی استفاده شد. آزمون‌ها در سه سطح سرعت سیلندر کوبند (280، 380 و 480 دور در دقیقه)، دو سطح فضای کوبنده (8 و 10 سانتی‌متر) و دو سطح رطوبت طبق آفتابگردان (20 و 45 بر اساس ماده تر) انتخاب شد. برای پیش‌بینی مقدار مواد جمع‌شده در هر بخش ضد کوبنده، شبکه عصبی مصنوعی ارائه شد. نتایج حاکی از آن است که دانه‌های آفتابگردان بدون آسیب توسط واحد کوبش، کوبیده می‌شود و مدل ارائه شده برای کوبش با ضریب همبستگی 99/0 می‌تواند مقدار مواد ریخته شده در هر بخش ضد کوبنده را پیش‌بینی کند. بر اساس مدل عصبی ارائه شده با کاهش رطوبت طبق آفتابگردان و فضای کوبنده و افزایش سرعت سیلندر کوبنده، بازده جداسازی واحد کوبش افزایش می‌یابد. نقطه بهینه کاری بر اساس مدل شبکه عصبی مصنوعی برای بیشینه کردن بازده جداسازی، رطوبت طبق آفتابگردان اساس ماده تر، سرعت سیلندر کوبنده 450 دور بر دقیقه و فضای کوبنده 5/10 سانتی‌متر تعیین شد.

نویسندگان

پدرام قیاسی

دانشگاه تربیت مدرس

امین اله معصومی

دانشگاه صنعتی اصفهان

عباس همت

دانشگاه صنعتی اصفهان

غلامحسن نجفی

دانشگاه تربیت مدرس

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • El-khateeb, H., and M. I. Saad. 2008. Operating factors affecting ...
  • Farokhi, E., A. Nabipor, and J. Daneshian. 2013. Guidelines sunflower ...
  • Ghiasi, P., A. Masoumi, and A. Hemmat. 2016. Design, development, ...
  • Giner, S. A., and M. C. Gely. 2005. Sorptional parameters ...
  • Griffin, G. A., and Deere and Company. 1981. Combine harvesting. ...
  • Hiregoudar, S., R. Udhaykumar, K. T. Ramappa, B. Shreshta, V. ...
  • Inna, P. 2010. Agribusiness handbook: Sunflower refined and crude oils. ...
  • KhajePor, M. 2012. Industrial plants. first edition. Isfahan University of ...
  • Lizhang, X., L. Yaoming, M. Zheng, Z. Zhan, and W. ...
  • Mirzazadeh, A., Sh. Abdollahpour, A. Mahmoudi, and A. Ramazani. 2012. ...
  • Miu, P. I., and H. D. Kutzbach. 2007. Mathematical model ...
  • Ning, X., J. Chen, Y. Li, K. Wang, Y. Wang, ...
  • Saeidirad, M., and A. Javadi. 2011. Study on machine-crop parameters ...
  • Salari, K., R. Amiri Chayjan, J. Khazaei, and J. Amiri ...
  • Schneiter, A. A., and J. F. Miller. 1981. Description of ...
  • Shahgoli, G., H. GhafouriChyane, and M. Tarahom. 2018. Modeling of ...
  • Sudajan, S., V. M. Salokhe, and K. Triratanasirichai. 2002. PM-Power ...
  • Uno, Y., S. O. Prasher, R. Lacroix, P. K. Goel, ...
  • Vejasit, A., and V. Salokhe. 2004. Machine-Crop Parameters Affecting Performance ...
  • Zurada, J. M. 1992. Introduction to artificial neural systems. West. ...
  • نمایش کامل مراجع