تعیین مناسب ترین شرایط خشک کردن بذرکنجد مقاوم به ریزش با یادگیری ماشین

هدف: این پژوهش باهدف بهینه سازی شرایط خشک کردن دانه ها بذر کنجد مقاوم به ریزش برای مصارف بذری با استفاده از انواع مدل های یادگیری ماشین انجام شده است. هدف اصلی، تعیین شرایطی بود که منجر به بهبود و افزایش قدرت جوانه زنی بذر کنجد شود. مواد و روش ها: این پژوهش به جای استفاده از روش های سنتی آماری برای بهینه سازی از الگوریتم های هوشمند یادگیری ماشین استفاده کرده است. متغیرهای رطوبت اولیه دانه کنجد مقاوم به ریزش، دمای خشک کردن و سرعت جریان هوا به عنوان ورودی مدل در نظر گرفته شده است. همچنین خصوصیات کیفی بذر کنجد مقاوم به ریزش به عنوان شاخص تعیین کننده افزایش عملکرد بذر کنجد به عنوان ویژگی به مدل داده شده است که این داده ها از آزمایش هایی در شرایط کنترل شده که شامل درصد جوانه زنی، میزان هدایت الکتریکی و قوه نامی بذر کنجد اندازه گیری شده است. سپس داده های به دست آمده برای آموزش به مدل های یادگیری ماشین که شامل: درخت تصمیم (RF)، جنگل تصادفی (DT) و گرادیان تقویتی (XGB) انتقال پیدا کرده است. الگوریتم های یادگیری ماشین توانایی بالایی در تحلیل داده های پیچیده و شناسایی روابط غیرخطی دارند. نتایج: الگوریتم های یادگیری ماشین RF، DT و XGB به ترتیب بادقت ۹۱% و ۹۰% و ۹۳% و میزان خطای ۰.۱۵، ۰.۲ و ۰.۱۲ توانستند بهترین شرایط خشک کردن بذر کنجد را پیش بینی کنند. پس از آموزش و ارزیابی مدل ها، مدل XGB بادقت حدود ۹۳%، بهترین شرایط برای دستیابی به بیشترین بازدهی کاربرد مشخص کرد. نتایج نشان داد که شرایط بهینه برای مصارف روغنی شامل رطوبت ۱۳.۷%، دمای ۳۳.۵ درجه سلسیوس و سرعت جریان هوای ۱.۰۲ متر بر ثانیه است که در این شرایط، میزان جوانه زنی (۷۱%)، هدایت الکتریکی حدود ۲۲.۵(میکروزیمنس بر سانتی متر بر گرم) و قدرت بنیه بذر کنجد۱۶۷۰شد. نتیجه گیری: بهینه سازی شرایط خشک کردن با استفاده از مدل XGB تاثیر بسزایی در بهبود کیفیت خشک کردن بذر دارد. این مدل می تواند ابزاری کارآمد برای تعیین بهترین شرایط پردازش محصولات کشاورزی باشد.

کلیدواژه ها:

بهینه سازی ، دانه کنجد ، گرادیان تقویتی ، یادگیری ماشین