رضا امیری چایجان - استادیار مهندسی مکانیک ماشینهای کشاورزی، دانشگاه بوعلی سینا همدان
محمدهادی خوش تقاضا - دانشیار مهندسی مکانیک ماشینهای کشاورزی ، دانشکده کشاورزی ، دانشگاه ت

پیش بینی رطوبت لایه های محصولات متخلل در انتهای مرحله خشک شدن به منظور کاهش خسارت ناشی از بیش یا کم خشک شدن محصولات مذکور حائز اهمیت است . در این تحقیق از محصول برنج به عنوان محصول متخلخل و از روش هوشمند شبکه عصبی مصنوعی برای پیش بینی رطوبت لایه های شلتوک در انتهای مرحله خشک شدن و در محدوده رطوبت متوسط نهایی 8/5 تا 15% پایه تر استفاده شده است . آزمایش ها با نمونه های شلتوک و در محدوده عمق های 5 تا 40 سانتی متر با میزان رطوبت اولیه متوسط 14/9 تا 21/83% پایه تر در شرایط کنترل شده محیطی با دمای 20 تا C °30 و رطوبت نسبی هوای 40 تا 90% انجام شد . در این آزمایشها سرعت های مختلف هوا بین 0/1m/s و سرعت حداقل سیال سازی اعمال شد و دمای هوای ورودی بین 40 تا 70°C بود . زمان خشک شدن نیز به عنوان پارامتر ورودی اعمال شد . رطوبت لایه های شلتوک به کمک هشت پارامتر فوق در هر آزمایش پیش بینی شد . کاربرد شبکه های عصبی پس انتشار پیشخور و پس انتشار به همراه الگوریتم های یادگیری لونبرگ – مارکوارت و بیزی در حل این مساله نشان داد که با استفاده از شبکه عصبی مصنوعی می توان رطوبت لایه های شلتوک را با ضریب هبستگی حدود 96% و خطای 0/19 در گستره بستر ثابت و در شرایط آزمایشگاهی پیش بینی کرد .

میزان رطوبت - الگوریتم لونبرگ - مارکوارت - شبکه پس انتشار پیشرو - شلتوک