بررسی تجربی و مدل سازی فرآیند خشک شدن صمغ دانه بالنگو با خشک کن فروسرخ به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی

از روش بهینه سازی الگوریتم ژنتیک می توان برای غلبه بر محدودیت های ذاتی شبکه عصبی مصنوعی استفاده کرد. روش الگوریتم ژنتیک- شبکه عصبی مصنوعی دارای قابلیت بالایی برای یافتن مقدار بهینه یک تابع هدف پیچیده است. در این مطالعه ابتدا جهت خشک کردن صمغ دانه بالنگو، از یک خشک کن فروسرخ استفاده گردید. در این خشک کن فروسرخ اثر فاصله نمونه ها از لامپ پرتودهی در سه سطح ۵، ۵/۷ و ۱۰ سانتی متر و اثر ارتفاع صمغ درون ظرف در سه سطح ۵/۰، ۰/۱ و ۵/۱ سانتی متر بر زمان خشک شدن و درصد کاهش وزن صمغ دانه بالنگو در طی زمان خشک کردن، مورد بررسی قرار گرفت. نتایج خشک کردن صمغ دانه بالنگو با روش فروسرخ نشان داد با کاهش فاصله نمونه ها از منبع حرارتی و همچنین کاهش ضخامت صمغ موجود در ظرف نمونه، زمان خشک کردن کاهش می یابد. با افزایش فاصله لامپ ها از ۵ به ۱۰ سانتی متر، میانگین زمان خشک شدن صمغ دانه بالنگو از ۶/۶۲ دقیقه به ۶/۸۷ دقیقه افزایش یافت. با افزایش ضخامت نمونه ها از ۵/۰ به ۵/۱ سانتی متر نیز میانگین زمان خشک شدن صمغ دانه بالنگو از ۹/۴۵ دقیقه به ۲/۱۰۹ دقیقه افزایش یافت. در مرحله بعد، این فرآیند توسط روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با ۳ ورودی (زمان پرتودهی، فاصله لامپ از سطح نمونه ها و ضخامت نمونه ها) و ۱ خروجی (درصد کاهش وزن) مدل سازی شد. نتایج مدل سازی به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی نشان داد شبکه ای با ساختار ۱-۹-۳ در یک لایه پنهان و با استفاده از تابع فعال سازی تانژانت هیپربولیک می تواند درصد کاهش وزن صمغ دانه بالنگو هنگام خشک شدن در خشک کن فروسرخ را با ضریب همبستگی بالا (۹۹۹/۰) و مقدار میانگین مربعات خطا پایین (۷۸۸/۰) پیش بینی نماید.

Keywords:

Balangu seed gum , Genetic algorithm–artificial neural network , Radiation , Weight loss percentage , الگوریتم ژنتیک- شبکه عصبی مصنوعی , پرتودهی , درصد کاهش وزن , صمغ دانه بالنگو