مدل سازی سینتیک جذب رطوبت دانه جو با استفاده از مدل ویسکوالاستیک و شبکه های عصبی مصنوعی

در این تحقیق پیش بینی مقدار جذب رطوبت سه رقم جو (ریحان03، فجر و MB862) در فرآیند غوطه وری با استفاده از مدل ریاضی و شبکه عصبی مصنوعی مورد بررسی قرار گرفت. آزمایش ها در سه دمای 10، 20 و 45 درجه سانتی گراد و در سه تکرار برای هر نمونه با آب مقطر انجام شد. مقدار جذب رطوبت دانه ها با اندازه گیری تغییر وزن دانه ها محاسبه گردید. از مدل ویسکوالاستیک که توانایی خوبی در تحلیل فاز اول و دوم جذب رطوبت در فرآیند خیساندن محصولات کشاورزی را دارد، استفاده گردید. در طراحی شبکه عصبی از دو روش پرسپترون چندلایه (MLP) و تابع شعاع مبنا (RBF) با سه لایه نورون استفاده شد. لایه اول، لایه ورودی که متغیرهای مستقل دما و زمان و لایه دوم، لایه های مخفی شبکه و لایه سوم، لایه خروجی که متغیر وابسته محتوای رطوبتی می باشد، انتخاب گردید. به منظور اعتبارسنجی پیش بینی مدل ویسکوالاستیک و شبکه عصبی به ترتیب از شاخص های آماری بیشترین ضریب تبیین (R2) و کمترین ریشه میانگین مربعات خطا (RMSE) استفاده شد. نتایج نشان داد که روش پرسپترون چندلایه به دلیل ساختار یادگیری پس از انتشار خطا، با الگوریتمBFGS و ساختار شبکه 1-4-2 بهترین نتایج را برای هر سه رقم جو در مقابل مدل ریاضی ویسکوالاستیک حاصل نمود. ترسیم نمودارهای سه بعدی محتوای رطوبت لحظه ای بر پایه متغیرهای دما و زمان براساس پیش بینی شبکه عصبی انتخاب شده برای هر سه رقم واریته آزمایشی نشان داد که با افزایش دما و زمان غوطه وری، رطوبت جذب شده افزایش یافت.

Keywords:

الگوریتم آموزش , پرسپترون چندلایه , تابع شعاع مبنا , غوطه وری , محتوای رطوبت