مدلسازی سینتیک خشک شدن خرما رقم مضافتی با استفاده از شبکه عصبی مصنوعی
محل انتشار: بیست و سومین کنگره ملی علوم و صنایع غذایی ایران
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 524
فایل این مقاله در 12 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:
NCFOODI23_296
تاریخ نمایه سازی: 6 اسفند 1395
چکیده مقاله:
یکی از پارامترهای مؤثر در طراحی و بهینه سـازی خشک کن ها، پیشبینی و مدل کردن فرآیند خشک کردن می باشد. شبکه های عصبی مصــنوعی قدرت تأمین دقت و ســرعت لازم برای پیشبینی فرآیند خشــک کردن را دارند. در این تحقیق به بررســی فرآیند ســینتیک خشـک کردن و مدلسـازی با شـبکه عصبی مصنوعی، برای خرما رقم مضافتی در خشک کن کابینتی پرداخته شد. آزمایشهای خشک شـدن در سـه سـطح دمایی 50، 65 و 80 درجه سـلسـیوس و سـه سـطح سرعت جریان هوا 1، 1/5 و 2 متر بر ثانیه انجام شد. برای پیشبینی نسـبت رطوبت در طی فرآیند خشک شدن، شبکه عصبی مصنوعی با چهار نرون در لایه ورودی (زمان خشک شدن، سرعت هوای گرم، رطوبت نسـبی هوا و دمای خشـک کن) و یک نرون در لایه خروجی (نسـبت رطوبت) طراحی شـد. شـبکه های پس انتشـار پیشــخور (FFBP) و پس انتشــار پیشــرو (CFBP) با توابع آســتانه ســیگموئیدی و خطی مورد اســتفاده قرار گرفتند. نتایج ارزیابی توپولوژی های مختلف نشـان داد که بهترین شـرایط مربوط به شـبکه (FFBP) با توپولوژی 1-8 -7-4، تابع آستانه تانژانت هایپربولیک ســیگموئید (TANSIG) و الگوریتم یادگیری لونبرگ-مارکوارت (LM) میباشــد. زیرا در بین تمامی شــبکه ها داری کمترین میزان میانگین مربع خطا 0/0011 (MSE)، میانگین خطای مطلق 0/0361 (MAE) و بیشترین ضریب همبستگی 0/9939 (R) است.
کلیدواژه ها:
نویسندگان
محمدحسین انصاری فر
فارغ التحصیل کارشناسی ارشد مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد
محمدحسین آق خانی
عضو هیئت علمی گروه مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد
محمودرضا گلزاریان
عضو هیئت علمی گروه مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد
محمد طبسی زاده
عضو هیئت علمی گروه مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد
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 :