پیش بینی برخی خصوصیات حرارتی، فیزیکی و مکانیکی میوه بنه پس از خشک کردن با خشک کن پیوسته نیمه صنعتی به کمک شبکه های عصبی مصنوعی

چکیده هدف از این پژوهش، پیش­بینی برخی خصوصیات حرارتی (ضریب پخش موثر رطوبت و انرژی ویژه مصرفی)، فیزیکی (چروکیدگی و تغییرات کلی رنگ) و مکانیکی (نیروی شکست) میوه بنه در طی فرآیند خشک­کردن با خشک­کن پیوسته نیمه صنعتی به کمک شبکه­های عصبی مصنوعی بود. سه عامل موثر شامل دمای هوای ورودی، سرعت هوای ورودی و سرعت تسمه در عملکرد خشک­کن جریان پیوسته به عنوان متغیرهای مستقل در نظر گرفته شد. آزمایش­ها در سه سطح دمای هوای ورودی (۴۵، ۶۰ و ۷۵ درجه سلسیوس)، سه سطح سرعت هوای ورودی (۱، ۵/۱ و ۲ متر بر ثانیه) و سه سطح سرعت تسمه (۵/۲، ۵/۶ و ۵/۱۰ میلی متر بر ثانیه) انجام شد. داده­های لازم با استفاده از یک خشک­کن جریان پیوسته نیمه صنعتی، جمع­آوری شد. از شبکه­های پس­انتشار پیشرو و پس­انتشار پیشخور با الگوریتم­های یادگیری لونبرگ- مارکوارت و تنظیم بیزی برای آموزش استفاده شد. برای پیش­­بینی ضریب پخش موثر رطوبت، شبکه پیشخور با تابع تنظیم بیزی، آرایش ۱-۱۳-۱۰-۳ و ۱۰۸ چرخه آموزش با ۹۹۹۹/۰=R۲ مطلوب بود. برای پیش­بینی انرژی ویژه مصرفی، شبکه پیشخور با تابع آموزش لونبرگ- مارکوارت، آرایش ۱-۱۰-۳ و ۱۱۷ چرخه آموزش با ۹۹۶۱/۰=R۲ مطلوب بود. بهترین شبکه برای پیش­بینی چروکیدگی، شبکه پیشخور با تابع تنظیم بیزی، توپولوژی ۱-۴-۶-۳ و ۱۰۱ چرخه با ۹۹۲۶/۰=R۲ آموزش بود. بهترین شبکه برای پیش­بینی تغییرات کلی رنگ، شبکه پیشخور با تابع آموزش لونبرگ-مارکوارت با توپولوژی ۱-۷-۶-۳ و ۲۴ چرخه آموزش با ۹۱۳۹/۰=R۲ بود. بهترین شبکه برای پیش­بینی نیروی شکست، شبکه پیشخور با تابع آموزش تنظیم بیزی، آرایش ۱-۶-۸-۳ و ۶۹ چرخه آموزش با ۹۹۹۰/۰=R۲ بود.

پیش بینی برخی خصوصیات حرارتی، فیزیکی و مکانیکی میوه بنه پس از خشک کردن با خشک کن پیوسته نیمه صنعتی به کمک شبکه های عصبی مصنوعی Keywords:

Diffusivity , Specific energy consumption , Shrinkage , Colorimeter , Rapture force , کلید واژگان: ضریب پخش موثر رطوبت , انرژی ویژه مصرفی , چروکیدگی , رنگ سنجی و نیروی شکست