+ - دوره ۶ ‏(۱۳۹۶)
+ - دوره ۵ ‏(۱۳۹۵)
+ - دوره ۴ ‏(۱۳۹۴)
+ - دوره ۳ ‏(۱۳۹۳)
+ - دوره ۲ ‏(۱۳۹۲)
+ - دوره ۱ ‏(۱۳۹۱)
پيش‌بيني و مدل‌سازي محتواي رطوبتي توت‌سفيد در فرآيند خشک شدن با استفاده از مدل‌هاي رياضي و شبکه عصبي مصنوعي
عنوان (انگلیسی): Predicting and Modelling of Mulberry Moisture Content in Drying Process using Mathematical Models and Artificial Neural Network
نشریه: پژوهش های مکانیک ماشینهای کشاورزی
شماره: پژوهش های مکانیک ماشینهای کشاورزی (دوره: ۵، شماره: ۱)
نویسنده: محمدرضا اصغری ، رحیم ابراهیمی ، داود قنبریان ، بهرام حسین زاده
کلیدواژه‌ها : خشك‌كن ، مدل‌سازي رياضي. ، شبكه عصبي مصنوعي ، محتواي رطوبتي ، توت‌سفيد
کلیدواژه‌ها (انگلیسی): Moisture content , Artificial neural network , Drying , Mulberry. , Mathematical modelling
چکیده:

توت‌سفيد يکي از ميوه‌هاي سرشار از قند مفيد است و خشك‌كردن يكي از راه‌هاي نگه‌داري اين محصول محسوب مي‌شود. بررسي روند کاهش محتواي رطوبتي براي پي بردن به زمان و شرايط مناسب خشك شدن محصول ضروري است. در اين پژوهش توت‌سفيد با استفاده از خشک‌کن جريان هواي گرم در سه سطح دما ) 50،‏ 60 و70 درجه سلسيوس) و سه سطح سرعت جريان هوا (5‎/1،‏ 2 و 5‎/2 متر بر ثانيه) انجام شد. نتايج مقايسه داده‌هاي افت رطوبت اندازه‌گيري شده با مقدار پيش‌بيني شده توسط مدل‌هاي رياضي نشان داد كه مدل پيج با توجه به R2 و ميزان RMSE پايين مي‌تواند براي توصيف و پيش‌بيني سينتيک خشک کردن توت‌سفيد به‌ كار رود. نتايج مدل‌سازي با شبکه عصبي نشان داد مدل پيشرو با الگوريتم‌هاي يادگيري (Trainlm)‎ با ساختار (1-25-4) با تابع آستانه (Tansig و Logsig)‎ در مقايسه با توپولوژي‌هاي ديگر دقت بهتري را ارائه مي‌كند.

چکیده (انگلیسی):

Mulberry is one of the fruits with high levels of useful sugar which one of ways to maintain the product is drying. Evaluation of the moisture content reduction is essential to find the appropriate drying time and conditions. In this study, mulberry drying was carried out using a hot air dryer in three temperature levels (50, 60 and 70 °C) and three air speed levels (1.5, 2 and 2.5 m/s). Results of comparing the measured moisture loss with the predicted values by mathematical models indicated that the Page model, due to the high correlation coefficient and low root mean square error can be used for describing and predicting mulberry drying kinetics. Results of modelling by neural network indicated that the leading model with training algorithm of Trainlm, overall structure of (4-25-1) and threshold functions of Logsig and Tansig had the highest performance (R2=0/9999 and MSE=0/000009) and consequently, it offered tbetter results as compared with other topologies.

فایل مقاله : [دریافت (447.6 kB)] ‏505 دریافت تاكنون
صاحب امتیاز:
دانشگاه شهرکرد
مدیر مسئول:
سيد حسن طباطبائی
سردبیر:
دکتر رحیم ابراهیمی
مدیر داخلی:
دکتر مجتبي نادري بلداجي