مدلسازي خشككردن لايهنازك موز و بهينه سازي فرآيند توسط شبكه عصبي مصنوعي

Modeling thin-layer drying of banana and process optimization using artificial neural network

يكي از فرآيندهاي مهم به منظور نگهداري محصولات كشاورزيپس از برداشت، خشك كردن آن ها مي باشد. از آن جا كهمدت زمان و شرايط خشك كردن بر بازده اقتصادي و ميزان مصرف انرژي مورد نياز براي فرايندتاثير بسزايي دارد، لذا مدلسازي سينتيك خشك كردن مي تواند يك راه مناسب براي كنترل بهينه فرايندباشد.در اين تحقيق،خشك-كردنلايهنازك موز در چهار دماي هواي 50، 60، 70 و 80 درجه سلسيوس، سه سطح سرعت هواي 5/0، 1 و 5/1 متر بر ثانيه و سه ضخامت 2، 4 و 6 ميلي متر انجام شد. نتايج نشان داد كه مدل پيج و پيج اصلاح شده، بهترين مطابقترابا داده هايآزمايشيدارند. اين مدلها دارايR2بيشتر وRMSE و? 2كمتربودند. از شبكه عصبي مصنوعي نيز براي شبيه سازي ورقه هاي خشك شده موز استفاده شد. نتايج نشان داد كه داده هاي آزمايشگاهي بخوبي مي توانند توسط شبكه برازششوند (ضريب همبستگي: 9984/0).

One of the important processesto preserve agricultural crops after harvest is drying.Since drying time and condition has considerable impacts on the process economic efficiency and energy consumption,therefore, kinetic modeling of drying can be a suitable way foroptimum process control.In this study, banana thin layer drying was performed at four air temperatures(50, 60, 70 and 80°C), three air velocities(0.5, 1 and 1.5 m/s) and three banana thicknesses(2, 4 and 6 mm).Results showed that the Page and modified Page modelshave the best fit with the experimental data. These models had higher R2 and lower RMSE and ? 2.Artificial neural network was also used to optimize thin layer drying of banana. The results demonstrated that the experimental data can be fitted wellwith the network (correlation coefficient:0.9984).