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.
