مدل خشك شدن توده بستر نازك ذرت (رقم 704)

ذرت پس از گندم و برنج، مهمترين ماده غذايي دنيا را تشكيل مي دهد. براي حفظ كيفيت ذرت در طي انبارداري بايستي اين محصول خشك شود. به منظور كاهش ضايعات محصول در طي خشك كردن و افزايش بازده خشك كن مدلسازي خشك كردن ضروري بوده و اولين گام، پيش بيني منحني خشك شده توده بستر نازك ذرت و استخراج مدلهاي مناسب براي اين منظور مي باشد. در اين تحقيق، خشك كردن بستر نازك ذرت (رقم 704) مدلسازي شد. آزمايش در پنج سطح دماي خشك كن (C° 30، 40، 50، 60 و 70) و چهار تكرار اجرا شد. نمونه ها پس از تهيه با رطوبت اوليه 30٪ (بر پايه وزن خشك خشك شد. رطوبت توده با وزن كردن نمونه ها طي فرآيند خشك كردن اندازه گيري گرديد. 6 مدل رياضي استاندارد بر داده هاي آزمايشي برازش داده شد و كيفيت برازش آنها بر حسب سه پارامتر ضريب تعيين (r) مربع كاي (ع) و ريشه متوسط مربع خطاي داده ها ( RMSE ) مورد تجزيه و تحليل قرار گرفت. مدلهاي مذكور عبارت از Henderson and Pabis (HP) Modified Page (MP1) ،Page (P) Newton (N) ( Logaritmic ( LG و(Two term ( TT بود. چهار مدل اول پاسخ مناسبي نداد. مدلهاي 4 و 5 داده هاي پيش بيني مقادير بيشتري نسبت به داده هاي آزمايشگاهي برآورد كردند مدل 6 مقادير بسيار نزديك به داده هاي آزمايشگاهي پيش بيني كردند.

The corn after wheat and rice is the most important food in all over the world. The major objective in drying food products is the reduction of the moisture content to a level, which allows safe storage over an extended period. The first stage, thin layer drying need to estimate for predicting moisture content of corn. The thin layer drying behaviour of corn is experimentally investigated in a convective dryer and the mathematical modelling by using thin layer drying models in literature is performed. Drying experiments were conducted at inlet temperatures of drying air of 30, 40, 50, 60, 70°C and four replications with initial moisture content 0.3 d.b. During the drying the weight of sample determined by digital balance for calculating of moistue content corn. Weighing intervals of the drying samples were 10 min. drying was continued the final moisture samples reached approximately 11% (w.b.). Drying curves obtained from the experimental data were then fitted to the different semitheoretical and/or empirical thin layer drying models. The increased r2 and the reduced xand root mean square error (RMSE) were used as the primary criterion to select the best equation to account for variation in the drying curves of the dried samples. The effects of time on the moisture content were investigated by the different equations as Newton(N). Page(P) Modified Page(MP). Henderson and Pabis(HP), Logaritmic(LG). Two term(TT). Newton •Page Modified Page models were insufficient for prediction of moisture content of corn during drying. Among these models, the Two term gave the best results and showed good agreement with the experimental data obtained.