پيش بيني تغييرات خواص الاستيك پوست سيب طي انبارداري با شبكه عصبي مصنوعي

Simulation of peeling elastic properties of apples with artificial neural network

يكي از مهمترين خواصي كه در طول انبارداري دستخوش تغيير مي شود، خواص مكانيكي پوست محصولات كشاورزي مي باشد. به منظور جلوگيري از افت خواص الاستيك پوست سيب از پوشش هاي خوراكي استفاده مي گردد. تا طي انبارداري خواص آن بهتر حفظ شود. در اين تحقيق از سه پوشش كارنوبا، كيتوسان و نانوكامپوزيت كيتوسان-رس استفاده گرديد. براي پيش بيني و تصميم گيري مناسب تر خواص فوق با استفاده از شبكه مصنوعي عصبي شبيه سازي شد. به منظور شبيه سازي با شبكه عصبي داده هاي ثبت شده طي انبارداري به دو دسته ورودي و خروجي تقسيم شدند. داده هاي ورودي شبكه شامل زمان نگهداري، نوع پوشش، درخت، روش نگهداري و پارامترهاي فيزيكي نمونه(وزن، حجم و اقطار) بوده و داده هاي خروجي نيز شامل داده هاي استخراجي از آزمايشات خواص الاستيك پوست مي باشد. خواص الاستيكي پوست شامل نيرو، جابجايي و انرژي در نقطه گسيختگي در پوست مي باشد. شبكه مورد استفاده شبكه چند لايه ي پرسپترون با الگوريتم پس انتشار پيشخور مي باشد. براي بهينه سازي مدل، چهار المان بررسي گرديد. اين المانها شامل الگوريتم يادگيري، تابع آستانه، تعداد لايه هاي پنهان و تعداد نورُن هاي لايه هاي پنهان بودند. در آزمون خواص الاستيك پوست، بر اساس نتايج حاصله مدل بهينه در توپولوژي 8-8-6 و 8-6-10 با تابع tansig و logsig با الگوريتم trainbr(BR) رخ داد. در اين مدل به ترتيب MSE و R2 براي هر دو برابر با 0031/0 و 8/98 درصد شد. تابع tansig و logsig در الگوريتم trainbr جابجايي و انرژي بيشينه بهترين ضريب تعيين را داشت. مقدار R2 براي انرژي بيشينه در دو تابع به ترتيب 94% و براي جابجايي بيشينه 4/92 و. 3/92 درصد تعيين گرديد

One of the most specific change occurs during storage, mechanical properties of agricultural products respectively. In order to avoid compromising the mechanical properties of the coating edible apples in throughput to better maintain its properties during storage. In this study, three carnauba coating, chitosan and chitosan-clay nanocomposite was used. Forecasting and decision-making is more suitable for the above characteristics was simulated using artificial neural network. In order to simulate the neural network-recorded data during storage were divided into two groups: inputs and outputs. Input data network including storage time, type of cover, tree preservation methods and sample physical parameters (weight, volume and dimensions) and output data also includes data derived from peeling punch tests respectively. Peeling punch testing of mechanical properties including properties such as, the maximum load, energy and strain were measured. Multi-layer network used Perceptron network with feedforward propagation algorithm respectively. To optimize the model, four elements were investigated. These elements include learning algorithm, threshold function, number of hidden layers and the number of hidden layers was masured. The peeling punch properties test, the best result happened in logsig and tansig function on BR algorithm with topology 6-8-8 and 10-6-8, with R2 98.8 and MSE 0.0031 best model. According to the results in the logsig and tansig function on BR algorithm for maximum energy and strain had the best coefficient of determination. The amount of R2, 94 and 92.3 were detected.