بهینه سازی خرمنکوب عدس به روش شبکه های عصبی مصنوعی، سطح پاسخ و الگوریتم ژنتیک
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 644
This Paper With 16 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AGROCONGRESS03_315
تاریخ نمایه سازی: 8 اردیبهشت 1396
Abstract:
هدف از انجام این پژوهش بهینه سازی فرآیند خرمنکوبی عدس با یک دستگاه خرمنکوب متداول در غرب کشور با استفاده از سه روش شبکه های عصبی مصنوعی، سطح پاسخ و الگوریتم ژنتیک بود. آزمایش ها بر روی رقم محلی شهرستان بیجار انجام گرفت. آزمایش ها با یک خرمنکوب دندانه میخی انجام شد. متغیرهای مستقل شامل سه سطح رطوبت محصول (5، 10 و 15 درصد بر مبنای تر)، سه سطح سرعت کوبنده (8، 12 و 16 متر بر ثانیه)، سه سطح فاصله بین کوبنده و ضدکوبنده (9، 12 و 15 میلی متر) و سه سطح نرخ تغذیه 70، 170 و 270 کیلوگرم در ساعت بود. متغیرهای وابسته شامل درصد شکست دانه، درصد بازده کوبش و درصد جوانه زنی بودند. پس از بهینه سازی فرآیند کوبیدن عدس با استفاده از روش سطح پاسخ، شراط بهینه با شاخص مطلوبیت 830/0 مقادیر شکست دانه، بازده کوبش و جوانه زنی به ترتیب 01/0%، 82/93% و 12/85% در رطوبت محصول 11%، نرخ تغذیه 270 کیلوگرم در ساعت، سرعت کوبنده 67/11 متر بر ثانیه و فاصله کوبنده و ضدکوبنده 21/13 میلی متر انتخاب شد. شبکه پس انتشار پیشرو با تابع آموزش لونبرگ-مارکوارت، آرایش 1-2-4-4، 13چرخه آموزش، 8-10×95/2=MSE، 9973/0=2R آرایش مطلوب بود. در بهینه سازی فرآیند خرمنکوبی عدس با استفاده از روش الگوریتم ژنتیک شرایط بهینه با توجه به حداکثر مقدار بازده کوبش و جوانه زنی و حداقل مقدار شکست دانه در رطوبت محصول 57/8 درصد (بر مبنای تر)، نرخ تغذیه 270 کیلوگرم در ساعت، سرعت کوبنده 62/10 متر بر ثانیه و فاصله بین کوبنده و ضدکوبنده 32/10 میلی متر بدست آمد.
Keywords:
Authors
حسن دوست محمدی
کارشناسی ارشد مکانیزاسیون کشاورزی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
رضا امیری چایجان
دانشیار مهندسی مکانیک ماشینهای کشاورزی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
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 :