مقایسه مدل های ریاضی، شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (انفیس) در پیش بینی منحنی خشک شدن لایه نازک ورقه های سیب زمینی

هدف اصلی این پژوهش، مقایسه دقت عملکرد سه روش پرکاربرد شبیه سازی شامل مدل های ریاضی لایه نازک، شبکه های عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (انفیس) در تخمین نسبت رطوبت لحظه ای ورقه های سیب زمینی در فرآیند خشک کردن با توان مایکروویو است. برای پیش بینی نسبت رطوبت، از هفت مدل ریاضی استفاده شد. بر اساس داده های تجربی، توان مایکروویو، ضخامت نمونه ها و زمان فرآیند به عنوان پارامترهای ورودی و نسبت رطوبت به عنوان پارامتر خروجی شبکه های عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی در نظر گرفته شدند. شبکه های عصبی بر اساس ساختار پس انتشار پیش خور چند لایه (MFFBp ) و پس انتشار پیشرو زنجیره ای (CFBp )، توابع فعال سازی خطی (Lin)، تانژانت هایپربولیک سیگموئید (Tan) و لگاریتمی (Log) و الگوریتم های یادگیری لونبرگ-مارکوارت (LM) و تنظیم بیزی (BR) طراحی شد. برای شبیه سازی با استنتاج تطبیقی عصبی-فازی، سیستم فازی از نوع تاکاگی-سوگنو انتخاب، ساختار سیستم استنتاج فازی (FIS) به روش خوشه بندی شبکه ای (Grid partitioning) ایجاد و از توابع عضویت ANFIS در جعبه ابزار منطق فازی نرم افزار MATLAB استفاده شد. در میان روش های مدل سازی مورد مطالعه، مدل میدیلی (Midilli)، شبکه CFBp با توپولوژی ۱-۱۰-۱۰-۳، الگوریتم آموزش LM و تابع Tan-Tan-Lin و مدل ANFIS با تابع عضویت سیگموئید در ورودی و قوانین فازی ۴×۳×۳ بهترین مدل ها شناخته شدند. با توجه به نتایج به دست آمده، هر سه روش مدل سازی با دقت مطلوبی قادر به برآورد نسبت رطوبت لحظه ای نمونه ها بودند. با این حال، مدل ANFIS با ضریب تبیین ۰.۹۹۹۷ و میانگین مربعات خطای ۵-۱۰×۴.۵۳ در برآورد داده های تجربی عملکرد بهتری داشت.

کلیدواژه ها:

شبیه سازی فرآیند خشک شدن ، مدل های رگرسیونی ، هوش مصنوعی ، نسبت رطوبت لحظه ای