محمد کاوه؛ رضا امیری چایجان؛ یوسف عباسپور گیلانده؛ ترحم مصری گندشمن
چکیده
در این پژوهش، به‌منظور برآورد خواص خشک‌کردن بادمجان در یک خشک‌کن پیوسته از روش شبکه‌های عصبی مصنوعی (ANN)، الگوریتم بهینه‌سازی توده ذرات (PSO) و الگوریتم گرگ خاکستری (GWO) استفاده شد. فرآیند خشک‌کردن در سه سطح دمایی (45، 60 و C°75)، سه سطح سرعت هوا (1 و 5/1 و m/s2) و سه سطح سرعت خطی تسمه (5/2، 5/6 و mm/s 5/10) در یک خشک‌کن پیوسته صورت گرفت که این سه پارامتر ...
بیشتر
در این پژوهش، به‌منظور برآورد خواص خشک‌کردن بادمجان در یک خشک‌کن پیوسته از روش شبکه‌های عصبی مصنوعی (ANN)، الگوریتم بهینه‌سازی توده ذرات (PSO) و الگوریتم گرگ خاکستری (GWO) استفاده شد. فرآیند خشک‌کردن در سه سطح دمایی (45، 60 و C°75)، سه سطح سرعت هوا (1 و 5/1 و m/s2) و سه سطح سرعت خطی تسمه (5/2، 5/6 و mm/s 5/10) در یک خشک‌کن پیوسته صورت گرفت که این سه پارامتر به‌عنوان ورودی در پیش‌بینی ضریب پخش رطوبت موثر و انرژی مصرفی ویژه، در مدل‌های ANN، PSO و GWO مورد استفاده قرار گرفت. آزمایش‌ها برای خشک کردن بادمجان از رطوبت (d.b.%) 1025 تا زمانی که رطوبت نهایی به (d.b.%) 10 رسید انجام گرفت. با توجه به نتایج به‌دست آمده، بیشترین مقدار ضریب پخش رطوبت موثر (Deff) برای بادمجان (m2/s 8-10×14/1) حاصل شد. همچنین کمترین مقدار انرژی مصرفی ویژه (SEC) MJ/kg62/130 به‌دست آمد. پس از آن 27 نمونه آماده با توجه به استانداردهای مربوطه و مجموعه داده‌ها به‌دست آمد. سپس با توجه به چندین شاخص عملکرد، از جمله ضریب تعیین (R2)، میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE)، مدل‌ها مورد بررسی و مقایسه قرار گرفتند و بهترین مدل پیش‌بینی انتخاب شد. با توجه به نتایج به‌دست آمده مقدار R2 برای مدل GWO به‌ترتیب 9996/0 و 9994/0 برای ضریب پخش رطوبت موثر و انرژی مصرفی نشان‌دهنده برتر بودن مدل GWO نسبت به سایر مدل‌ها می‌باشد، در حالی که این مقادیر به‌ترتیب 9992/0 و 9991/0 برای PSO و 9990/0 و 9988/0 برای ANN به‌دست آمد. نتایج نشان داد که مدل GWO دارای ظرفیت بیشتری برای پیش‌بینی Deff و SEC در مقایسه با دیگر مدل‌ها می‌باشد.
صفیه خلیلیان؛ امان محمد ضیایی فر؛ علی اصغری؛ مهدی کاشانی نژاد؛ محبت محبی
چکیده
انتقال رطوبت و روغن بر توزیع دما در سیستم نقش داشته و باعث ایجاد شار حرارتی متغیر در فرایند می گردد. لذا در این پژوهش با استفاده از شبکه عصبی مصنوعی به بررسی و پیش بینی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم (رطوبت و روغن) طی فرایند سرخ کردن نمونه های بادمجان پرداخته شد. اثر پیش تیمار خشک کردن با هوای داغ در چهار سطح دمایی (40، ...
بیشتر
انتقال رطوبت و روغن بر توزیع دما در سیستم نقش داشته و باعث ایجاد شار حرارتی متغیر در فرایند می گردد. لذا در این پژوهش با استفاده از شبکه عصبی مصنوعی به بررسی و پیش بینی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم (رطوبت و روغن) طی فرایند سرخ کردن نمونه های بادمجان پرداخته شد. اثر پیش تیمار خشک کردن با هوای داغ در چهار سطح دمایی (40، 70، 100 و 130 درجه سانتی گراد) تا رسیدن به سطوح رطوبتی 12 و 5 گرم بر گرم ماده خشک، دماهای مختلف سرخ کردن (130، 150 و 170 درجه سانتی گراد) طی مدت زمان 6 دقیقه در فواصل زمانی یک دقیقه ای بر محتوی روغن و رطوبت برش های بادمجان طی فرایند سرخ کردن عمیق با سه بار تکرار مورد بررسی قرار گرفت. پروفیل های دمایی در سطوح بالا و پایین نمونه ها طی فرایند سرخ کردن عمیق با قرار دادن ترموکوپل نوع K نیز ثبت گردید. ارتباط بین ضریب انتقال حرارت سطحی وکینتیک های انتقال جرم نمونه های بادمجان، طی فرایند سرخ کردن عمیق با استفاده از تحلیل مولفه اصلی (PCA) نشان داد که داده های موجود در 3 ناحیه مختصاتی PC، متفاوت قرار داشتند. نتایج حاصل از بررسی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق با استفاده از شبکه عصبی مصنوعی پس انتشار با ساختار پرسپترون چند لایه (MLP)، حاکی از وجود یک رابطه پیچیده بین پارامترهای انتقال حرارت سطحی و جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق بود. شبکه مورد استفاده شامل تابع سیگموئید در لایه مخفی و الگوریتم آموزش لونبرگ-مارکوارت (ML) با توپولوژی سه لایه 4-5-4 با ضریب تبیین (R2) 97/0 و متوسط مربع خطای (MSE) 0013/0، بهترین شبکه برای پیش‌بینی کینتیک های انتقال رطوبت، روغن و ضریب انتقال حرارت سطحی به دست آمد. با توجه به نتایج فوق می توان بیان نمود که این شبکه امکان دست یابی به دما و زمان سرخ کردن با کمترین مقادیر رطوبت و روغن در نمونه های بادمجان سرخ شده را در کمترین زمان ممکن فراهم می کند.
