پیش بینی محتوای رطوبتی پیاز خوراکی در طی فرآیند خشک کردن با استفاده از شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مکانیک ماشین های کشاورزی و مکانیزاسیون دانشگاه شهید چمران اهواز

2 دانشیار گروه مکانیک ماشین‌های کشاورزی و مکانیزاسیون دانشگاه شهید چمران اهواز

3 استادیار گروه مکانیک ماشین های کشاورزی و مکانیزاسیون دانشگاه شهید چمران اهواز

چکیده

پیاز خوراکی به­عنوان منبع غذایی و همچنین مصارف دارویی، امروزه بسیار مورد توجه قرار گرفته است. با افزایش بیش از پیش تولید پیاز، نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از پودر پیاز بیشتر احساس می­شود. به­همین جهت خشک کردن این محصول به­عنوان یکی از راهکارهای عملی همواره مطرح می­باشد. امروزه با توجه به مزایای فناوری هوش مصنوعی، استفاده از شبکه­های عصبی مصنوعی در سطح وسیعی برای شبیه­سازی و پیش­بینی پارامتر­های مورد نیاز در فرایند­های خشک کردن در حال رشد و توسعه است. هدف از انجام این تحقیق پیش­بینی محتوای رطوبتی پیاز به کمک شبکه عصبی مصنوعی می­باشد. در این تحقیق پیاز با استفاده از خشک­کن جریان عمودی هوای داغ در زمان­های مختلف در سه سطح دمای 60، 70 و 80 درجه سلسیوس، سه سطح ضخامت لایه 15، 30 و 45 میلی­متر، سه سطح ضخامت خلال 2، 4 و 6 میلی­متر و سه تکرار، در سرعت هوای ثابت 5/1 متر بر ثانیه خشک شده تا محتوای رطوبتی آن ثابت و به 6% (بر پایه تر) برسد. بهترین الگوریتم یادگیری لونبرگ-مارکوارت با کمترین مقدار خطا MSE انتخاب شد. توپولوژی بهینه 1-10-4 با تابع آستانه تانژانت سیگموئید و مقادیر خطای 0133/0 و توپولوژی بهینه 1-6-4 با تابع آستانه لگاریتم سیگموئید و مقادیر خطای 022/0 به دست آمدند. مقایسه ضریب تبیین R2 وMSE  نشان داد که شبکه عصبی با ساختار 1-10-4 با تابع آستانه تانژانت سیگموئید برای پیش‌بینی محتوای رطوبتی در مقایسه با توپولوژی­های دیگر نتایج بهتری را ارائه می­کند؛ بهترین مقدار ضریب تبیین 998/0 و MSE آن 0133/0 به دست آمد.

کلیدواژه‌ها


عنوان مقاله [English]

Predicting Moisture Content of Edible Onion with Neural Network During Drying Process

نویسندگان [English]

  • H. Nematpour Malikabad 1
  • M. j. Sheikhdavoodi 2
  • I. Khorasani Frdvany 3
  • H. Zaki Dizaji 3
  1. Amiri Chayjan, R., 2006. Intelligent Prediction of drying process of Rice. P.h.d thesis. Department of Mechanic of Agricultural Machinery. Agricultural faculty. Tarbiat Modares University. (In Persian with English abstract)
  2. Cohen, J.S., and Yang, T.C.S. 1995. Progress in food dehydration. Trends in Food Science and Technology, 6: 20-25.
  3. Cubillos, F., and Reyes, A. 2003. Design of a model based on a modular neural network approach. Drying Technology, 21, 7: 1185-1195.
  4. Dayhoff, J. E. 1990. Neural Network Principles. Prentice-Hall International. U.S.A.
  5. Erenturk, K., Erenturk, S., and Lope, G. 2004. A comparative study for the estimation of dynamical drying behavior of Echinacea angustifolia: regression analysis and neural network. Computers and Electronics in Agriculture, 45, 3: 71-90.
  6. Erenturk, S., and Erenturk, K. 2007. Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering, 78: 905–912.
  7. Farkas, I., Reményi, P., and BirÓ, B. 2000b. Modeling aspects of grain drying with a neural network.Computers and Electronics in Agriculture, 29: 99-113.
  8. Hernandez-Perez, J. A., Garcıa-Alvarado, M. A., Trystram, G., and Heyd, B. 2004. Neural networks for the heat and mass transfer prediction during drying of cassava and mango. Innovative Food Science and Emerging Technologies, 5: 57–64.
  9. Islam, M. R., sablani, S. S., and Mujumdar. A. S. 2003. An artificial neural network model for prediction of drying rates. Drying Technology, 21, 9: 1867-1884.
  10. Karathanos, V.T. and Belessiotis, V.G. 1999. Application of a thin layer equation to drying data fresh and semi-dried fruits. Journal of Agricultural Engineering Research, 74: 355-361.
  11. Khanna, T. 1990. Foundation of neural networks. Addison-Wesley Publishing Company. U.S.A.
  12. Menlik, T., Ozdemir, M.B., and Kirmaci, V. 2010. Determination of freeze-drying behaviors of apples by artificial neural network. Journal of Expert Systems with Applications, 37: 7669-7677.
  13. Sharifi, M., Rafiee, Sh., Keyhani, A., and Omid, M. 2010. Orange thin layer drying kinetics simulation model (var. Thomson) using artificial neural networks. Journal of Food Science and Technology, 45, 11: 1-11. (In Persian with English abstract).