تخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال

هدف از این پژوهش، بر اورد ضر یب تبد یل شلتوک به برنج سفید در خشک کردن بستر سیال به کمک شبکه ها ی عصبی مصنوعی است . هفت عامل موثر در عملکرد خشک کن های بستر سیال به عنوان متغیرهای مستقل برای شبکه عصبی مصنوعی در نظر گرفته شد . این متغیرها عبارت اند از رطوبت نسبی هوای محیط، دمای هوای محیط، سرعت هوای ورودی، عمق بستر شلتوک، دمای هوای ورودی، رطوبت اولیه و رطوبت نهایی شلتوک. تعداد ۲۷۴ آزمایش برای ایجاد الگوهای آموزش و ارزیابی به وسیله یک خشککن آزمایشگاهی انجام گردید. سپس نمونه هایی از محفظه خشک کن جدا و عملیات پوست کنی و سفید کردن با دستگاه های آزمایشگاهی انجام گرفت. ضریب تبدیل میانگین، به عنوان ضریب تبدیل آزمایش منظور شد . از شبکه ها و الگوریتم های یادگیری متعدد برای آموزش الگوهای موجود استفاده شد . نتایج ۷ و الگوریتم آموزش لونبرگ - مارکوارت و تابع آستانه تانژانت -۱۳-۷- بررسی ها نشان داد که شبکه پس انتشار پیشر و با توپولوژی ۱ ۰ در شر ایط / ۹۵ درصد و خطای متوسط مطلق ۰۱۹ / سیگمویید قادر است راندمان تبدیل شلتوک ر ا به برنج سفید با ضریب تعیین ۴۸ مختلف خشک کردن شلتوک در گستره بستر سیال پیش بینی نماید هم چنین نتایج نشان داد که دمای هو ای ورودی و میزان رطوبت نهایی شلتوک، بیشترین تاثیر را بر ضریب تبدیل شلتوک به برنج سفید در خشک کردن بستر سیال دارند.

Keywords:

Feed-forward back propagation network , Head rice yield , Levenberg-Marquardt , Rough rice. , الگوریتم لونبرگ- مارکوارت , شبکه پس انتشار پیشرو , شلتوک , ضریب تبدیل