دوره 13، شماره 52 - ( 1395 )                   جلد 13 شماره 52 صفحات 172-161 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khayati S, Amiri Chayjan R. Prediction of some thermal, physical and mechanical properties of terebinth fruit after semi-industrial continuous drying using artificial neural networks. FSCT 2016; 13 (52) :161-172
URL: http://fsct.modares.ac.ir/article-7-2027-fa.html
خیاطی ساسان، امیری چایجان رضا. پیش‌بینی برخی خصوصیات حرارتی، فیزیکی و مکانیکی میوه بنه پس از خشک‌کردن با خشک‌کن پیوسته نیمه‌صنعتی به کمک شبکه‌های عصبی مصنوعی. مجله علوم و صنایع غذایی ایران. 1395; 13 (52) :161-172

URL: http://fsct.modares.ac.ir/article-7-2027-fa.html

پیش‌بینی برخی خصوصیات حرارتی، فیزیکی و مکانیکی میوه بنه پس از خشک‌کردن با خشک‌کن پیوسته نیمه‌صنعتی به کمک شبکه‌های عصبی مصنوعی
ساسان خیاطی1 ، رضا امیری چایجان 2
1- دانشجوی کارشناسی ارشد، گروه مهنسی بیوسیستم، دانشگاه بوعلی سینا، همدان
2- دانشیار گروه مهندسی بیوسیستم، دانشگاه بوعلی سینا، همدان
چکیده:   (4969 مشاهده)
چکیده هدف از این پژوهش، پیش­بینی برخی خصوصیات حرارتی (ضریب پخش مؤثر رطوبت و انرژی ویژه مصرفی)، فیزیکی (چروکیدگی و تغییرات کلی رنگ) و مکانیکی (نیروی شکست) میوه بنه در طی فرآیند خشک­کردن با خشک­کن پیوسته نیمه‌صنعتی 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 (45، 60 و 75 درجه سلسیوس)، سه سطح سرعت هوای ورودی (1، 5/1 و 2 متر بر ثانیه) و سه سطح سرعت تسمه (5/2، 5/6 و 5/10 میلی‌متر بر ثانیه) انجام شد. داده­های لازم با استفاده از یک خشک­کن جریان پیوسته نیمه‌صنعتی، 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 مؤثر رطوبت، شبکه پیشخور با تابع تنظیم بیزی، آرایش 1-13-10-3 و 108 چرخه آموزش با 9999/0=R2 مطلوب بود. برای پیش­بینی انرژی ویژه مصرفی، شبکه پیشخور با تابع آموزش لونبرگ- مارکوارت، آرایش 1-10-3 و 117 چرخه آموزش با 9961/0=R2 مطلوب بود. بهترین شبکه برای پیش­بینی چروکیدگی، شبکه پیشخور با تابع تنظیم بیزی، توپولوژی 1-4-6-3 و 101 چرخه با 9926/0=R2 آموزش بود. بهترین شبکه برای پیش­بینی تغییرات کلی رنگ، شبکه پیشخور با تابع آموزش لونبرگ-مارکوارت با توپولوژی 1-7-6-3 و 24 چرخه آموزش با 9139/0=R2 بود. بهترین شبکه برای پیش­بینی نیروی شکست، شبکه پیشخور با تابع آموزش تنظیم بیزی، آرایش 1-6-8-3 و 69 چرخه آموزش با 9990/0=R2 بود.
واژه‌های کلیدی: کلید واژگان: ضریب پخش مؤثر رطوبت، انرژی ویژه مصرفی، چروکیدگی، رنگ‌سنجی و نیروی شکست
متن کامل [PDF 220 kb]   (2912 دریافت)    

دریافت: 1394/2/1 | پذیرش: 1394/7/1 | انتشار: 1395/3/1
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.