مهندسی زراعی

مدل‌سازی عصبی پیش‌بینی نسبت رطوبت ورقه سیب‌زمینی در خشک‌کن خلائی- تابشی

نوع مقاله : مقاله پژوهشی

نویسندگان

نگار حافظی 1
محمد جواد شیخ داودی 2
سید مجید سجادیه 3
محمد اسماعیل خراسانی فردوانی 3

1 دانش‌آموخته کارشناسی ارشد مکانیزاسیون کشاورزی، دانشگاه شهید چمران اهواز.

2 دانشیار گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشکده کشاورزی، دانشگاه شهید چمران اهواز.

3 استادیار گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشکده کشاورزی، دانشگاه شهید چمران اهواز.

https://doi.org/10.22055/agen.2016.12273
چکیده
هدف از این تحقیق پیش‌بینی نسبت رطوبت ورقه‌های سیب‌زمینی در طی فرآیند خشک کردن با گرمایش مادون قرمز تحت شرایط خلأ به عنوان تابعی از زمان خشک کردن، میزان خلأ، توان تابشی لامپ مادون قرمز، ضخامت ورقه و محتوای رطوبت محصول به کمک شبکه‌های عصبی مصنوعی می‌باشد. آزمایش‌ها در سه سطح توان لامپ مادون قرمز 100، 150 و 200 وات، سه سطح خلأ 20، 80 و 140 میلی‌متر جیوه به همراه یک حالت تحت شرایط اتمسفری (بدون خلأ) با سه ضخامت ورقه 1، 2 و 3 میلی‌متر در سه تکرار انجام گردید.  از شبکه عصبی پرسپترون چند لایه پس انتشار پیشخور با الگوریتم یادگیری لونبرگ- مارکوارت جهت پیش‌بینی تغییرات رطوبت نسبت به زمان در طی فرآیند خشک کردن استفاده گردید. بهترین چیدمان شبکه عصبی بر اساس یک لایه پنهان به صورت 1-2-4 با تابع انتقال تانژانت سیگموئید انتخاب شد. به طور کلی نتایج حاکی از آن بود که شبکه عصبی پنجم با پارامتر‌های ورودی ضخامت ورقه، خلأ، توان تابشی لامپ مادون قرمز و محتوای رطوبت محصول با بیشترین ضریب تبیین 99990/0 و کمترین خطای شبکه 00016/0 نتایج بهتری در جهت پیش‌بینی نسبت رطوبت ورقه‌های سیب‌زمینی ارائه نموده است. 

کلیدواژه‌ها

مادون قرمز
خلأ
ضریب تبیین
پرسپترون چند لایه
الگوریتم لونبرگ- مارکوارت

عنوان مقاله English

Neural Modeling for Predicting the Moisture Ratio of Potato Slice in Radiation-Vacuum Dryer

نویسندگان English

N. Hafezi 1
M. J. Sheikhdavoodi 2
S. M. Sajadiye 3
M. E. Khorasani Ferdavani 3
  1. Anonymous, 2002. Specifications and features of potato chips, Iran National Standard, Institute of Standards and Industrial Research of Iran, No. 3764, second revised. (in Persian)
  2. AOAC, 1990. Official Methods of Analysis, No. 934-06, Association of Official Chemists, Washington, DC.
  3. Baharlooei, A., Omid, M., Ahmadi, H., and Rafiee, S. 2008. Predicting moisture content of pistachio nuts (Akbari variety) with Artificial Neural Network, Journal of Food Science and Technology, 3: 45-65. (in Persian with English abstract)
  4. Behroozi Khazaei, N., Tavakoli Hashjin, R., Amiri Chayjan, R. and Khoshtaghaza, M.H. 2007. investigation on important drying indices of grape in hot air flow by using artificial neural networks, Journal of Agricultural Research: water, soil and plant in agriculture, 7(3): 141- 154. (in Persian with English abstract).
  5. Broyart, B. and Trystram, G. 2003. Modeling of heat and mass transfer phenomena and quality changes during continuous biscuit baking using both deductive and inductive (neural network) modeling principles, Institution of Chemical Engineering, Trans, IChemE, Volume 81, Pt. C.
  6. Cubillos, F. and Reyes, A. 2003. Design of a model based on a modular neural network approach, Drying Technology, 21(7):1185-1195.
  7. Dayhoff, J.E. 1990. Neural Network Principles. Prentice-Hall International, U.S.A.
  8. FAO. 2013. Statistical Yearbook 2013 World food and agriculture, http://faostat.fao.org/site/339/default.aspx. html (accessed June 2014).
  9. Heristev, R.M. 1998. The ANN Book, GNU Public License, USA.
  10. Maskan, M. 2001. Drying shrinkage and rehydration characteristics of kiwi fruits during hot air and microwave drying, Journal of Food Engineering, 35: 267-280.
  11. Menhaj, M.B. 2009. Fundamentals of neural networks (computational intelligence), Volume 1, 8th Edition, Publishing Center, Amirkabir University of Technology (Tehran Polytechnic), 715 pages. (in Persian)
  12. Motevali, A., Minaei, S., Khoshtaghaza, M.H., Kazemi, M. and Nikbakht, A.M. 2010. Drying of pomegranate arils: comparison of predictions from mathematical models and neural networks, the Sixth National Congress of Agricultural Engineering and Mechanization, College of Agriculture and Natural Resources, Tehran University, Karaj. (in Persian with English abstract)
  13. Poonnoy, P., Tansakul, A., and Chinnan, M. 2007. Artificial neural network modeling for temperature and moisture content prediction in tomato slices undergoing microwave vacuum drying, Journal of Food Sciences, 72(1): 42-47.
  14. Shadnia, H. 2004. Artificial neural networks and its application in data analysis of medical sciences, National Center of Research in Medical Sciences, Tehran, 116 pages. (in Persian)
  15. Shaygani Soltan Pour, R., Golmohammadi, A.S., Farahpour, P., and Khalifeh, A. 2011. Development of a model to predict the drying time during the drying process using banana artificial neural network, First International Conference on Plant, Water, Soil and Weather Modeling, International Centre for Science and High Technology and Environmental Sciences, Shahid Bahonar University of Kerman. (in Persian with English abstract).
  16.  Soleimani Fard, S. 2009. Modeling of adsorption isotherms and moisture desorption of pistachio (Owhadi variety) and optimization of its drying conditions, Master's thesis, Faculty of Agriculture, Isfahan University of Technology. (in Persian).
  17. Tripathy, P., and Kumar, S. 2008. Neural network approach for food temperature prediction during solar drying, International Journal of thermal science, 48:1452-1459.
مهندسی زراعی
دوره 39، شماره 1
تابستان 1395
صفحه 39-53

صفحه اصلی

ارسال مقاله

همکاران اجرایی

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

راهنمای نویسندگان

هزینه های بررسی مقاله

داوران

تماس با ما