شبیه سازی فرآیند خشک کردن شلتوک برنج با استفاده از شبکه عصبی مصنوعی

خشک کردن شلتوک با روشهای مختلفی مانند خشککنهای بستر ثابت و بستر سیال نقش بسزایی در کیفیت نگهداری و ماندگاری برنج دارد. در این بررسی، دمای خشککن، سرعت سیال عبوری و زمان به عنوان متغیرهای طراحی و میزان رطوبت باقیمانده در برنج به عنوان متغیر هدف میباشند. دو نوع شبکهی عصبی پرسپترون چند لایه و شبکهی عصبی شعاعی به منظور مدلسازی فرآیند خشک کردن مورد استفاده قرار گرفته است. تعداد لایهها در شبکهی عصبی پرسپترون چند لایه یک و دو و دامنهی تاثیر در شبکهی عصبی شعاعی از ۰/۰۰۱ تا ۱۰۰ در نظر گرفته شده است و شاخص اندازهگیری خطا، میانگین مربعات خطا (MSE) میباشد. نتایج نشان داد که شبکهی عصبی پرسپترون چند لایه توانایی بسیار زیادی در مدلسازی رطوبت باقیمانده در برنج دارد. این نوع شبکهی عصبی علاوه بر دقت بسیار بالا در تخمین مقادیر رطوبت باقیمانده برای دادههای آموزش، توانایی بسیار بالایی در تخمین دادههای اعتبارسنجی و تست دارد؛ که نشان دهندهی قدرت تعمیمدهی این نوع شبکهی عصبی میباشد. مقدار MSE برای بهترین شبکهی عصبی یک لایه و دو لایه به ترتیب برابر با۰/۰۰۰۲۴۳۵ و ۰/۰۰۰۱۲۴۶ باشد. نتایج شبکهی عصبی شعاعی نشان داد اگرچه شبکهی عصبی شعاعی توانایی بالایی در تخمین دادههای آموزش دارد، ولی مقدار خطای MSE برای دادههای تست بسیار زیاد بوده که نشان دهندهی عدم توانایی در تعمیمدهی دارد. مقدار خطای MSE دادههای تست برای بهترین شبکههای عصبی شعاعی به ترتیب برابر با ۰/۰۰۰۰۰۱، ۰/۰۰۰۰۰۱ و ۰/۰۰۰۱۲۵ میباشد درحالی که مقدار خطای MSE دادههای تست به ترتیب برابر با ۰/۰۰۸۷، ۰/۰۱۰۹۵ و ۰/۰۱۲۰۲ بوده که اختلاف بسیار زیادی با مقادیر آموزش دارد. این تحقیق نشان داد استفاده از شبکهی عصبی پرسپترون چند لایه در مدلسازی میزان رطوبت باقیمانده در برنج در خشککن بستر سیال کاملا عملی بوده و قابلیت استفاده در زمینههای تحقیقاتی این صنعت را دارد.

Keywords:

خشک کردن , شلتوک , خشک کن بستر سیال , شبکه های عصبی مصنوعی