پيش‌بيني برخي خواص خشك كردن دانه هاي انار، انگور و بنه به كمك شبكه‌هاي عصبي مصنوعي

Prediction of pomegranate, grape and terebinth drying properties using artificial neural network approach

هدف از اين تحقيق برآورد ضريب پخش رطوبت موثر، انرژي مصرفي ويژه، نرخ خشك­كردن و نسبت رطوبت در خشك كردن بستر سيال دانه هاي انار، انگور و بنه به كمك شبكه­ هاي عصبي مصنوعي مي ­باشد. سه عامل موثر براي پيش ­بيني ضريب پخش رطوبت موثر و انرژي مصرفي ويژه عبارتند از: نوع محصول، سرعت هواي ورودي، دماي هواي ورودي. براي پيش­ بيني نرخ خشك ­كردن و نسبت رطوبت از چهار عامل موثر استفاده شد كه عبارت بودند از: نوع محصول، سرعت هواي ورودي، دماي هواي ورودي و زمان خشك­ كردن. تعداد 27 آزمايش براي ضريب پخش رطوبت موثر و انرژي مصرفي ويژه و 2165 آزمايش براي نرخ خشك­ كردن و نسبت رطوبت براي ايجاد الگوهاي آموزش و ارزيابي به وسيله يك خشك ­كن آزمايشگاهي انجام گرفت. از شبكه ­ها و الگوريتم­ هاي متعددي براي آموزش الگوهاي موجود استفاده شد. نتايج بررسي­ ها نشان داد كه شبكه پس انتشار پيش خور با توپولوژي 2-5-5-3 و تابع آستانه لونبرگ-ماركوارت قادر است ضريب پخش رطوبت موثر و انرژي مصرفي ويژه را با ضريب تعيين 0/9805 و 0/9954 و خطاي ميانگين مربعات 0/00009 در شرايط مختلف خشك­كردن دانه هاي انار، انگور و بنه در خشك­ كن بستر سيال را پيش ­بيني نمايد. همچنين بيشترين ضريب تعيين براي پيش­ بيني نرخ خشك­ كردن و نسبت رطوبت به ترتيب 0/9799 و 0/9996 به دست آمد.

The objective of this research was the predication of effective moisture diffusivity, energy consumption, drying rate and moisture ratio in fluidized bed dryer of pomegranate, grape and terebinth by using artificial neural network approach. The effective factor to predict the effective moisture diffusivity and specific energy consumption were: product type, air velocity and air temperature. Four factors were used to predict the drying rate and moisture ratio as: Product type, air velocity, air temperature and time. A lot of 27 tests were conducted by a laboratory fluidized bed dryer to created training set for effective moisture diffusivity and specific energy consumption and 2165 tests for drying rate and moisture ratio. Several network and algorithms were used to train and evaluate the patterns. The best neural network feed forward back-propagation topology for the prediction of effective moisture diffusivity and energy consumption were 3-5-5-2 with the training algorithm of Levenberg-Marquardt (LM). This structure is capable to predict effective moisture diffusivity and specific energy consumption With R2= 0.9954 and 0.9805, respectively and mean-square error of 0.00009. Also the highest R2 values to predict the drying rate and moisture ratio were 0.9799 and 0.9996 respectively.