ANN model for effective diffusion coefficient of water loss in osmotic dehydration of geen bean
محل انتشار: هفتمین کنگره ملی مهندسی شیمی
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 887
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICHEC07_045
تاریخ نمایه سازی: 25 فروردین 1394
چکیده مقاله:
The aim of this paper is to examine if artificial neural networks (ANNs) can predict effective diffusion coefficient (De) of water loss in cylindrical cut green beans at atmospheric pressure. Themost suitable algorithm with appropriate number of neurons in the hidden layer which provides the minimum error is found to be the Levenberg–Marquardt (LM) algorithm. ANN's results showed the best estimation performance for the prediction of De. The required data were collectedand after pre-treating was used for training of ANN. The performance of the best obtained network was checked by its generalization ability in predicting 20% of the unseen data and a network with tansig training algorithm was found as the best architecture. Excellent predictions with maximummean relative error (MRE) of 0.03, mean square error (MSE) of 9.66e-23, coefficient of determination (R2) of 0.98, and regression coefficient (R) of 0.99047 were observed. Among the various transfer function, tansig training algorithm was found as the best architecture
کلیدواژه ها:
نویسندگان
j Sayyad Amin
Chemical Engineering Department, Guilan, Rasht ۴۱۶۳۵۳۷۵۶, Iran
b. Abbasi Souraki
Chemical Engineering Department, Guilan, Rasht ۴۱۶۳۵۳۷۵۶, Iran
h Tondro
Chemical Engineering Department, Guilan, Rasht ۴۱۶۳۵۳۷۵۶, Iran
m Ghavami
Chemical Engineering Department, Guilan, Rasht ۴۱۶۳۵۳۷۵۶, Iran
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 :