نوع مقاله : مقاله پژوهشی لاتین
نویسنده
گروه مهندسی بیوسیستم، دانشگاه بوعلی سینا.
چکیده
در این مطالعه، شبکه عصبی مصنوعی برای مدل‌سازی و پیش‌بینی میزان رطوبت سیر در طی خشک کردن سیر استفاده شد. برای این منظور شبکه عصبی مصنوعی پرسپترون چندلایه تحت‌عنوان پس انتشار پیشرو به‌کار گرفته شد. پارامترهای مهم از جمله دمای هوای خشک کردن (50، 60 و 70 درجه سانتی‌گراد)، ضخامت ورقه‌ها (2، 3 و 4 میلی‌متر) و زمان خشک کردن به‌عنوان ورودی و محتوای رطوبت به‌عنوان خروجی شبکه در نظر گرفته شد. داده‌های آزمایشگاهی به‌دست آمده از فرآیند خشک کردن لایه نازک سیر برای آموزش و تست شبکه استفاده شد. توپولوژی بهینه 3-25-5-1 با الگوریتم LM و تابع آستانه TANSIG برای لایه‌ها بود. با این شبکه بهینه، مقدار R2 و خطای نسبی به‌ترتیب 9923/0 و 67/9 درصد بود. مقدار MC برای سیر را می‌توان با استفاده از شبکه عصبی، با میانگین خطای متوسط کمتر و ضریب تبیین بیشتر نسبت به مدل ریاضی ویبل پیش‌بینی کرد.
کلیدواژه‌ها
Abbasi Souraki, B., & Mowla, D. (2008). Experimental and theoretical investigation of drying behaviour of garlic in an inert medium fluidized bed assisted by microwave. Journal of Food Engineering, 88(4), 438-449. doi:10.1016/j.jfoodeng.2007.12.034
AOAC. (1990). Official method of analysis of the Association of Official Analytical Chemists. NO. 934. 06, Arlington: Virginia, USA.
Brewester, J. (1997). Onions and Garlic. In: H.C. Wine(eds). The physiology of vegetable crops: CAB International, Cambridge. UK.
Chegini, G. R., Khazaei, J., Ghobadian, B., & Goudarzi, A. M. (2008). Prediction of process and product parameters in an orange juice spray dryer using artificial neural networks. Journal of Food Engineering, 84(4), 534-543. doi:10.1016/j.jfoodeng.2007.06.007
Demuth, H., & Beale, M. (2003). Neural Network Toolbox for Matlab-Users Guide Version 4.1. Natrick. New York, UAS: The Mathworks Press.
Erenturk, S., & Erenturk, K. (2007). Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering, 78(3), 905-912. doi:10.1016/j.jfoodeng.2005.11.031
Ertekin, C., & Yaldiz, O. (2004). Drying of eggplant and selection of a suitable thin layer drying model. Journal of Food Engineering, 63, 349-359.
Kerdpiboon, S., Kerr, W. L., & Devahastin, S. (2006). Neural network prediction of physical property changes of dried carrot as a function of fractal dimension and moisture content. Food Research International, 39(10), 1110-1118. doi:10.1016/j.foodres.2006.07.019
Khazaei, J., & Daneshmandi, S. (2007). Modeling of thin-layer drying kinetics of sesame seeds: mathematical and neural networks modeling. Int. Agrophysics, 21, 335-348.
Madamba, P. S., Driscoll, R. H., & Buckle, K. A. (1994). Shrinkage, density and porosity of garlic during drying. J Food Eng, 23(3), 309-319.
Midilli, A., Kucuk, H., & Yapar, Z. (2002). A new model for single–layer drying. Dry Technol, 20(7), 1503-1513.
Mittal, G., & Zhang, J. (2000). Prediction of temperature and moisture content of frankfurters during thermal processing using neural network. Meat Sci, 55(1), 13-24.
Movagharnejad, K., & Nikzad, M. (2007). Modeling of tomato drying using artificial neural network. Computers and Electronics in Agriculture, 59(1-2), 78-85. doi:10.1016/j.compag.2007.05.003
Nazghelichi, T., Kianmehr, M. H., & Aghbashlo, M. (2010). Prediction of carrot cubes drying kinetics during fluidized bed drying by artificial neural network. Journal of Food Science and Technology, 48(5), 542-550. doi:10.1007/s13197-010-0166-2
Poonnoy, P., Tansakul, A., & Chinnan, M. (2007). Artificial neural network modeling for temperature and moisture content prediction in tomato slices undergoing microwave-vacuum drying. Journal of food science, 72(1), E042-047. doi:10.1111/j.1750-3841.2006.00220.x
Rasouli, M., Seiiedlou, S., Ghasemzadeh, H. R., & Nalbandi, H. (2011). Convective drying of garlic (Allium sativum L.): Part I: Drying kinetics, mathematical modeling and change in color. Australian Journal of Crop Science, 5(13), 1707-1714.
Satish, S., & Pydi Setty, Y. (2005). Modeling of a continuous fluidized bed dryer using artificial neural networks. International Communications in Heat and Mass Transfer, 32(3-4), 539-547. doi:10.1016/j.icheatmasstransfer.2004.06.005
Sharma, G. P., & Prasad, S. (2006). Optimization of process parameters for microwave drying of garlic cloves. Journal of Food Engineering, 75(4), 441-446. doi:10.1016/j.jfoodeng.2005.04.029
Sharma, G. P., Prasad, S., & Chahar, V. K. (2009). Moisture transport in garlic cloves undergoing microwave-convective drying. Food and Bioproducts Processing, 87(1), 11-16. doi:10.1016/j.fbp.2008.05.001
Topuz, A. (2010). Predicting moisture content of agricultural products using artificial neural networks. Advances in Engineering Software, 41(3), 464-470. doi:10.1016/j.advengsoft.2009.10.003
Trelea, I. C., Courtois, F., & Trystram, G. (1997). Dynamic models for drying and wet-milling quality degradation of corn using neural networks. Drying Technol, 15, 1095-1102.
Zhang, Q., Yang, S., Mittal, G., & Yi, S. (2002). Ae-automation and emerging technologies:prediction of performance indices and optimal parameters of rough rice drying using neural networks. Biosystems Engineering, 83(3), 281.
)
ارسال نظر در مورد این مقاله