پيش بيني برخي خصوصيات فيزيكي( چروكيدگي و رنگ) و مكانيكي ميوه بنه پس از خشك كردن با خشك كن بسترسيال به كمك شبكه هاي عصبي مصنوعي

Prediction some physical properties (shrinkage and color) and mechanical properties of terebinth fruit under fluidized bed dryer using artificial neural networks

هدف از اين پژوهش، پيش بيني برخي خصوصيات فيزيكي (چروكيدگي و رنگ) و مكانيكي (نيروي شكست) ميوه بنه در طي فرآيند خشك كردن با خشك كن بسترسيال به كمك شبكه هاي عصبي مصنوعي است. آزمايش ها در سه سطح دما ( 40 و 60 و 8 درجه سلسيوس) و 3 سطح سرعت ( 0/8 و 2/5 و 4/5 متر بر ثانيه) انجام شد. دو عامل موثر براي خصوصيات فيزيكي (چروكيدگي و رنگ) و مكانيكي (نيروي شكست)، دما هواي ورودي و سرعت هواي ورودي در عملكرد خشك كن بسترسيال به عنوان متغيرهاي مستقل براي شبكه عصبي مصنوعي در نظر گرفته شد. داده هاي لازم براي ايجاد الگوهاي آموزش، ارزيابي و آزمون با انجام آزمايشهاي خشك كردن براي دماها و سرعت ها مختلف با استفاده از يك خشك كن آزمايشگاهي بسترسيال، جمع آوري شد. از شبكه هاي پس انتشار پيشرو CFBP و پس انتشار پيشخور FFBP با الگوريتم هاي يادگيري لونبرگ- ماركوارت و تنظيم بيزي براي آموزش الگوهاي موجود استفاده شد. نتايج نشان داد كه بهترين شبكه براي پيش بيني چروكيدگي، شبكه اي با توپولوژي 1-4-2 با چرخه آموزش 11 و با تابع آستانه TANSIG در شبكه CFBP داراي كمترين خطاي آموزشي 0/00001 و ضريب تعيين 0/9917 مي باشد. بيشترين ضريب تعيين براي نيروي شكست 0/9841 به دست آمد.

The purpose of this study was prediction of physical (shrinkage and color) and mechanical properties (rupture force) of terebinth fruit during fluidized bed dryer drying assist with artificial neural networks (ANNs). Two effective factors on physical (shrinkage and color) and mechanical properties (rupture force), were air temperature and air velocity as independent variables for artificial neural network modeling. Data necessary for training, evaluating and testing of ANN were conducted using a laboratory fluidized bed dryer were collected. Feed and cascade forward back propagation networks with learning algorithms of Levenberg-Marquardt and the Bayesian regulation the patterns were used to train. The results showed that the best network for prediction of shrinkage was cascade forward back propagation with threshold function of TANSIG and 2-4-1 topology. This structure was trained at 11 epochs. This optimized network had presented the lowest training mean square error (0.00001) and the highest coefficient of determination (0.9917) was obtained. The highest coefficient of determination for the rupture force was 0.9841