حدیث نعمت پور ملک آباد؛ محمد جواد شیخ داودی؛ اسماعیل خراسانی فردوانی؛ حسن ذکی دیزجی
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 ...
بیشتر
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.