پیش بینی تغییرات خواص فیزیولوژی در گلابی های تحت بارگذاری خارجی با استفاده از شبکه عصبی مصنوعی: بخش ۱: بارگذاری استاتیکی

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 56

This Paper With 23 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IFST-16-3_006

تاریخ نمایه سازی: 2 آبان 1402

Abstract:

در این مقاله به بررسی اثر نیروی بارگذاری و دوره انبارداری بر میزان محتویات درونی گلابی پرداخته شده است. در این آزمایش گلابی ها تحت بارگذاری شبه استاتیکی (لبه نازک-لبه پهن) و دوره های انبارداری مختلف (۵، ۱۰ و ۱۵ روز) قرار گرفته است. پس از هر دوره انبارداری میزان محتوای فنول کل میوه، آنتی اکسیدان و ویتامین C میوه مورد بررسی قرار گرفت. در این پژوهش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) با یک لایه پنهان و دو نوع تابع فعال سازی (Hyperbolic tangent - sigmoid) و تعداد ۵، ۱۰ نرون در هر لایه برای نیروی بارگذاری و دوره انبارداری جهت پیشگویی میزان میزان محتوای فنول کل میوه ، آنتی اکسیدان و ویتامین C انتخاب گردید. با توجه به نتایج به دست آمده بیشترین مقدار R۲ برای بارگذاری لبه نازک و پهن در شبکه ای که دارای ۱۰ نرون در لایه پنهان و تابع فعال سازی  sigmoidبرای محتوای فنول کل (=۰.۹۸۶۵  - =۰.۹۵۳۹) ، انتی اکسیدان (=۰.۹۶۴۹  - =۰.۹۸۳۹) و ویتامینC ( =۰. ۹۷۵۸) بوده است و برای ویتامین C ( =۰.۹۸۶۵) بارگذاری لبه پهن بیشترین مقدار R۲ در شبکه با ۵ نرون در لایه پنهان و تابع فعال سازی Hyperbolic tangent بوده است. با توجه به نتایج به دست آمده شبکه عصبی با این دو نوع تابع فعال سازی توانایی مناسبی در همپوشانی و پیش بینی داده های شبیه سازی شده با داده های واقعی را داشته است .

Authors

محسن آزادبخت

گروه مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

محمد واحدی ترشیزی

گروه مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

محمدجواد محمودی

گروه مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Azadbakht, M., Aghili, H., Ziaratban, A., & Vehedi Torshizi, M. ...
  • Azadbakht, M., Torshizi, M. V., & Ziaratban, A. (۲۰۱۶). Application ...
  • B. Khoshnevisan, Sh. Rafiee, M. Omid, M. Y. (۲۰۱۳). Prediction ...
  • Beale, R., & Jackson, T. (۱۹۹۸). Neural Computing: An Introduction. ...
  • Galvis-Sanchez, A. C., Fonseca, S. C., Morais, A. M. M. ...
  • Gurrieri, S., Miceli, L., Lanza, C. M., Tomaselli, F., Bonomo, ...
  • Jaramillo-Flores, M. E., Gonzalez-Cruz, L., Cornejo-Mazon, M., Dorantes-alvarez, L., Gutierrez-Lopez, ...
  • Kazem, A., Hassan, K., Mohamad-Jafar, M., & Mohsen, B. (۲۰۱۵). ...
  • Li, W. L., Li, X. H., Fan, X., Tang, Y., ...
  • Malakouti, M. J., Barzegar, M., Arzani, K., & Khoshghalb, H. ...
  • Mazloumzadeh, S. ., Alavi, S. ., & Nouri, M. (۲۰۰۸). ...
  • Meng, X., Zhang, M., & Adhikari, B. (۲۰۱۲). Prediction of ...
  • Menhaj, M. (۲۰۰۰). Foundation of Artifitioal Neural Networks. Amir Kabir ...
  • Salehi, F. ۱, Gohari Ardabili, A., Nemati, A. ۲, & ...
  • Salehi, F., & Razavi, S. M. A. (۲۰۱۲). Dynamic modeling ...
  • Soleimanzadeh, B., Hemati, L., Yolmeh, M., & Salehi, F. (۲۰۱۵). ...
  • Taheri-Garavand, A., Karimi, F., Karimi, M., Lotfi, V., & Khoobbakht, ...
  • Tavarini, S., Degl’Innocenti, E., Remorini, D., Massai, R., & Guidi, ...
  • Torkashvand, A. M., Ahmadi, A., & Nikravesh, N. L. (۲۰۱۷). ...
  • Yordi, E., Koeling, R., Mota, Y., Matos, M. J., Santana, ...
  • Zarifneshat, S., Rohani, A., Ghassemzadeh, H. R., Sadeghi, M., Ahmadi, ...
  • نمایش کامل مراجع