كليدواژه :
شبيه‌سازي فرآيند خشك شدن , مدل‌هاي رگرسيوني , هوش مصنوعي , نسبت رطوبت لحظه‌اي
چكيده فارسي :
هدف اصلي اين پژوهش، مقايسه دقت عملكرد سه روش پركاربرد شبيه‌سازي شامل مدل‌هاي رياضي لايه نازك، شبكه‌هاي عصبي مصنوعي و سيستم استنتاج عصبي-فازي تطبيقي (انفيس) در تخمين نسبت رطوبت لحظه‌اي ورقه‌هاي سيب‌زميني در فرآيند خشك كردن با توان مايكروويو است. براي پيش‌بيني نسبت رطوبت، از هفت مدل رياضي استفاده شد. بر اساس داده‌هاي تجربي، توان مايكروويو، ضخامت نمونه‌ها و زمان فرآيند به عنوان پارامترهاي ورودي و نسبت رطوبت به عنوان پارامتر خروجي شبكه‌هاي عصبي مصنوعي و سيستم استنتاج عصبي-فازي تطبيقي در نظر گرفته شدند. شبكه‌هاي عصبي بر اساس ساختار پس‌انتشار پيش‌خور چند لايه (MFFBp ) و پس‌انتشار پيشرو زنجيره‌اي (CFBp )، توابع فعال‌سازي خطي (Lin)، تانژانت هايپربوليك سيگموئيد (Tan) و لگاريتمي (Log) و الگوريتم‌هاي يادگيري لونبرگ-ماركوارت (LM) و تنظيم بيزي (BR) طراحي شد. براي شبيه‌سازي با استنتاج تطبيقي عصبي-فازي، سيستم فازي از نوع تاكاگي-سوگنو انتخاب، ساختار سيستم استنتاج فازي (FIS) به روش خوشه‌بندي شبكه‌اي (Grid partitioning) ايجاد و از توابع عضويت ANFIS در جعبه‌ابزار منطق فازي نرم‌افزار MATLAB استفاده شد. در ميان روش‌هاي مدل‌سازي مورد مطالعه، مدل ميديلي (Midilli)، شبكه CFBp با توپولوژي 1-10-10-3، الگوريتم آموزش LM و تابع Tan-Tan-Lin و مدل ANFIS با تابع عضويت سيگموئيد در ورودي و قوانين فازي 4×3×3 بهترين مدل‌ها شناخته شدند. با توجه به نتايج به دست آمده، هر سه روش مدل‌سازي با دقت مطلوبي قادر به برآورد نسبت رطوبت لحظه‌اي نمونه‌ها بودند. با اين حال، مدل ANFIS با ضريب تبيين 0.9997 و ميانگين مربعات خطاي 5-10×4.53 در برآورد داده‌هاي تجربي عملكرد بهتري داشت.
چكيده لاتين :
The main objective of this research was to compare of accuracy of three widely used simulation methods including mathematical thin0layer models, artificial neural networks (ANN), and adaptive neuro-fuzzy inference system (ANFIS) in estimation of instantaneous moisture ratio of microwave power dried potato slices. To predict the moisture ratio, seven mathematical models were used. Furthermore, based on the experimental data, microwave power, samples thickness and process time, and the moisture ratio were considered as inputs and output of artificial neural networks and adaptive neuro-fuzzy inference system, respectively. Designing of neural networks was performed based on multi-layer feed-forward back-propagation (MFFBP) and cascade forward back-propagation (CFBP) structures, linear (Lin), sigmoid hyperbolic tangent (Tan) and logarithmic (Log) threshold functions, and Levenberg-Marquardt (LM) and Bayesian Regularization (BR) training algorithms. For simulation by adaptive neuro-fuzzy inference system, Takagi-Sugeno fuzzy system was selected, structure of the fuzzy inference system (FIS) created by grid partitioning method, and the membership functions in fuzzy logic toolbar of MATLAB software used. Among the studied modeling methods, Midilli model, CFBP network with 3-10-10-1 topology, LM training algorithm and Tan-Tan-Lin function, and ANFIS model with sigmoid membership function in input and 3×3×4 fuzzy rules were found as the best models. Based on the obtained results, all the three modeling methods were capable t estimate the instantaneous moisture ratio with desirable accuracy. However, showing the coefficient of determination of 0.9997 and mean square error of 4.53×10-5, ANFIS model had the better performance in estimation of the experimental data.
