اثر دما و سطح ضربه گیر بر حجم کوفتگی سیب در اثر ضربه و پیش بینی آن به روش شبکه عصبی مصنوعی

چکیده ضایعات مکانیکی که در انواع محصولات کشاورزی ایجاد می­شود، خساراتی است که بر اقتصاد کشور تحمیل می­گردد. کوفتگی یکی از نشانه های این نوع ضایعه است که بررسی آن­ در کاهش تلفات و بهینه­سازی ماشین­های برداشت و پس از برداشت از اهمیت برخوردار است. در تحقیق حاضر با استفاده از دستگاه ضربه­زن آونگی و انجام آزمون­های ضربه، اثر عوامل دما (۰، ۱۰، ۲۰ و ۳۰ درجه سلسیوس)، رقم (گلدن­دلیشز و رددلیشز)، سطح ضربه­گیر (کارتن، لاستیک و آهن گالوانیزه) و انرژی ضربه (۳۰۰، ۶۰۰ و ۹۰۰ میلی­ژول) بر میزان کوفتگی در میوه سیب بررسی شد. نتایج آماری نشان داد که اثر دما، رقم، سطح ضربه­گیر و انرژی ضربه بر میانگین حجم کوفتگی در سطح احتمال ۱% معنی­دار است. با افزایش دما حجم کوفتگی در هر دو رقم کاهش و با افزایش سطح انرژی حجم کوفتگی در هر دو رقم به­طور خطی افزایش یافت. در حالی­که رقم گلدن­دلیشز نسبت به رددلیشز مقاومت بیشتری در برابر آسیب داشت. همچنین بیشترین حجم کوفتگی مربوط به رقم رد­دلیشز در برخورد با آهن گالوانیزه و کمترین آن به رقم گلدن­دلیشز در برخورد با کارتن اختصاص داشت. با کمک شبکه عصبی مصنوعی امکان پیش­بینی حجم کوفتگی بر اساس هر چهار عامل دما، انرژی ضربه، سطح ضربه­گیر و رقم فراهم شد. برای پیش­بینی حجم کوفتگی از شبکه­های عصبی پرسپترون چند لایه (MLP) استفاده شد. الگوریتم لونبرگ-مارکوارت با ساختار ۱-۲۶-۴ و تابع انتقال لگاریتم سیگموئید در لایه مخفی در مقایسه با توپولوژی­های دیگر نتایج بهتری را ارائه کرد. با این الگوریتم میانگین دقت پیش­بینی در مراحل آموزش، ارزیابی و آزمون به ترتیب ۴۸/۹۲، ۹۴/۸۸ و ۷۲/۸۷ درصد محاسبه شد. همچنین ضریب همبستگی (R) در رگرسیون خطی بین داده­های پیش­بینی شده و داده­های واقعی ۹۷۵/۰ بدست آمد.

کلیدواژه ها:

Impact ، Apple Bruise ، temperature ، Padding Surface ، artificial neural networks ، دما ، کلید واژگان: ضربه ، کوفتگی سیب ، سطح ضربه گیر ، شبکه های عصبی مصنوعی