حمید بخش ابادی؛ حبیب الله میرزایی؛ علیرضا قدس ولی؛ سید مهدی جعفری؛ امان محمد ضیایی فر
چکیده
در این تحقیق بهمنظور مدلسازی شبکههای عصبی مصنوعی فرایند استخراج روغن از دانههای سیاهدانه به کمک پیشتیمار مایکروویو از زمانهای مختلف فرایند (90، 180 و 270 ثانیه) و توانهای مختلف (180، 540 و 900 وات) استفاده گردید. بعد از اعمال این پیشتیمارها، روغن دانهها با پرس مارپیچی و با سرعتهای متفاوت (11، 34 و 57 دور در دقیقه) استخراج شد و میزان ...
بیشتر
در این تحقیق بهمنظور مدلسازی شبکههای عصبی مصنوعی فرایند استخراج روغن از دانههای سیاهدانه به کمک پیشتیمار مایکروویو از زمانهای مختلف فرایند (90، 180 و 270 ثانیه) و توانهای مختلف (180، 540 و 900 وات) استفاده گردید. بعد از اعمال این پیشتیمارها، روغن دانهها با پرس مارپیچی و با سرعتهای متفاوت (11، 34 و 57 دور در دقیقه) استخراج شد و میزان راندمان استخراج، اندیس اسیدی و اسیدیته، رنگ و پایداری اکسیداتیو نمونهها مورد بررسی قرار گرفت. جهت پیشبینی روند تغییرات از ابزارشبکههای عصبی مصنوعی در نرمافزار Matlab R2013a استفاده شد. با بررسی توپولوژیهای مختلف شبکه عصبی، شبکه پسانتشار پیشخور با توپولوژیهای 3-10-5 با ضریب همبستگی بیشتر از 995/0 و میانگین مربعات خطای کمتر از 0005/0 و با بکارگیری تابع فعالسازی تانژانت سیگموئید هیپربولیکی، الگوی یادگیری لونبرگ– مارکوات و چرخه یادگیری 1000 بهعنوان بهترین مدل عصبی مشخص گردید. نتایج حاصل از مدلهای بهینه انتخاب شده نیز ارزیابی گردید و این مدلها با ضرایب همبستگی بالا )بیش از 949/0( قادر به پیشبینی روند تغییرات بودند.
علیرضا قدس ولی؛ محسن مختاریان؛ حمید بخش ابادی؛ فاطمه عربعامریان
چکیده
مالتسازی یک فرآیند زیست فناوری پیچیده است که شامل مراحل خیساندن، جوانهزنی و خشک کردن مالت جوانهزده در شرایط کنترل شده دما و رطوبت میباشد. در این پژوهش پارامترهای فرآیند مالتسازی از طریق توابع فعالسازی مختلف شبکه عصبی نظیر لگاریتم سیگموئید-لگاریتم سیگموئید، تانژانت هیپربولیک-تانژانت هیپربولیک، لگاریتم سیگموئید-تانژانت ...
بیشتر
مالتسازی یک فرآیند زیست فناوری پیچیده است که شامل مراحل خیساندن، جوانهزنی و خشک کردن مالت جوانهزده در شرایط کنترل شده دما و رطوبت میباشد. در این پژوهش پارامترهای فرآیند مالتسازی از طریق توابع فعالسازی مختلف شبکه عصبی نظیر لگاریتم سیگموئید-لگاریتم سیگموئید، تانژانت هیپربولیک-تانژانت هیپربولیک، لگاریتم سیگموئید-تانژانت هیپربولیک، لگاریتم سیگموئید-همانی و تانژانت هیپربولیک-همانی پیشبینی گردید. مقادیر زمان خیساندن (x1) و زمان جوانهزنی (x2) به عنوان ورودیها و راندمان عصاره گیری گرم (y1)، راندمان مالتسازی (y2) و فعالیت آنزیمی (β-گلوکاناز) (y3) به عنوان خروجی انتخاب گردید. نتایج نشان داد که استفاده از شبکه عصبی پرسپترون با تابع فعالسازی تانژانت هیپربولیک-همانی با 17 نرون بهترین نتیجه را در بین کلیه توابع بکار رفته در پیشبینی پارامترهای مؤثر در فرآیند مالت سازی داشت. هم چنین این شبکه قادر بود مقادیر راندمان عصارهگیری گرم، راندمان مالتسازی و فعالیت آنزیمی (β-گلوکاناز) را با ضرایب تبیین 1، 984/0 و 995/0 پیشبینی نماید. این شیوه نوین میتواند به طور موفقیتآمیزی برای پایش کمی تغییرات مالت در طی فرآیند مالتسازی مورد استفاده قرار گیرد.