چکیده مرکبات به ویژه پرتقال جایگاه بسیار مهمی را در میان تولیدات کشاورزی در دنیا به خود اختصاص داده­اند. در این تحقیق خشک کردن بستر نازک پرتقال رقم تامسون به­وسیله شبکه عصبی مصنوعی مدلسازی شد؛ برای این منظور از خشک کن آزمایشگاهی استفاده گردید. توده بستر نازک ورقه های پرتقال با پنج دمای ۴۰ ،۵۰ ،۶۰ ،۷۰ و۸۰ درجه سانتی گراد و سه سرعت هوای ۵/۰ ،۱ و ۲ متر بر ثانیه و سه ضخامت ۲ ،۴ و ۶ میلی متر خشک شد. رطوبت اولیه پرتقال در طی آزمایش ۴/۵ تا ۷/۵ (g/g) بر پایه خشک بود. جرم توده بستر نازک در طی خشک کردن هر پنج ثانیه یک بار توسط ترازوی دیجیتال متصل به رایانه، اندازه گیری و ثبت گردید. از شبکه­ پس انتشار پیشخور با الگوریتم­های یادگیری مومنتوم و لونبرگ- مارکوارت برای آموزش الگوهای موجود استفاده شد. برای توسعه مدل­های شبکه عصبی مصنوعی بردار ورودی شامل دما، سرعت هوا و زمان خشک­شدن و بردار خروجی محتوای رطوبتی پرتقال در نظر گرفته شد. نتایج نشان داد که شبکه پس انتشار پیشخور با توپولوژی ۱-۶-۲ برای ضخامت ۲ میلی­متری ورقه پرتقال، ۱-۷-۲ برای ضخامت ۴ میلی­متری ورقه پرتقال و ۱-۵-۲ برای ضخامت ۶ میلی­متری ورقه پرتقال و الگوریتم آموزش لونبرگ- مارکوارت و راهبرد توابع یکسان برای تمام لایه­ها (تانژانت سیگمویید) قادر است نسبت رطوبت را با ضرایب تعیین ۹۹۹۰۶/۰، ۹۹۹۱۹/۰ و ۹۹۹۳۰/۰ و خطای متوسط مطلق ۰۰۰۱۳/۰، ۰۰۰۱۲/۰ و ۰۰۰۰۹/۰ به ترتیب برای سه ضخامت ۲ ،۴ و ۶ میلی­متری ورقه­های پرتقال در شرایط مختلف خشک­کردن لایه نازک پیش­بینی کند.

Orange (var. Thompson), Thin-layer, artificial neural network, Momentum, Levenberg-Marquardt, شبکه های عصبی مصنوعی, کلید واژگان: پرتقال رقم تامسون, خشک کردن لایه نازک, الگوریتم مومنتوم, الگوریتم لونبرگ- مارکوارت