پيش بيني محتوي رطوبت ميوه كيوي در خشك كن خلا با استفاده از روش شبكه عصبي مصنوعي

Prediction the moisture content of kiwifruit in vacuum drier using artificial neural network

در اين تحقيق محتوي رطوبت ميوه كيوي خشك شده در خشك كن خلا با استفاده از روش شبكه عصبي مصنوعي پيش بيني گرديد. دماي خشك شدن (50 ،60 و70 درجه سانتي گراد)، فشار خلا (500، 550 و600 ميلي متر جيوه)، ضخامت قطعه هاي كيوي (3، 5 و 7 ميلي متر) و مدت زمان خشك شدن به عنوان پارامترهاي مستقل ورودي و محتوي رطوبت كيوي به عنوان متغير وابسته خروجي تعريف شدند. داده هاي به دست آمده از فرآيند خشك كردن خلا به منظور آموزش و آزمون شبكه استفاده گرديد. چندين معيار شامل الگوريتم هاي آموزش، نرخ يادگيري، ضريب اندازه حركت، تعداد لايه هاي مخفي، تعداد نرون در هر لايه و تابع هاي فعال سازي به منظور بهبود كارايي شبكه عصبي مصنوعي مورد استفاده قرار گرفتند. تعداد لايه هاي مخفي و تعداد نرون ها در هر لايه به روش سعي و خطا به دست آمد. بهترين الگوريتم آموزشي، لونبرگ- ماركوارت با كمترين ميزان ميانگين مربعات خطا بود. مقادير مطلوب نرخ يادگيري و ضريب اندازه حركت براي شبكه با استفاده از الگوريتم آموزش كاهش شيب با مومنتم به ترتيب 2/0 و 05/0 به دست آمدند. ساختارهاي مطلوب به دست آمده، 1-20-4 با تابع انتقال تانژانت سيگموييد و مقدار ميانگين مربعات خطا ، 0016/0 و1-20-15-4 با توابع انتقال يكسان لگاريتم سيگموييد در هر دو لايه پنهان و مقدار ميانگين مربعات خطا، 000147/0 بودند. همبستگي ميان مقاديرآزمايشي و پيش بيني شده در ساختارهاي مطلوب بيشتر از 75/99 درصد به دست آمد.

In this study, the moisture content of kiwifruit in vacuum dryer was predicted usingartificial neural networks (ANN) method. The drying temperatures (50, 60 and 70?C), vacuum pressures(500, 550 and 600 mmHg), thicknesses of kiwifruit slices (3, 5 and 7mm) and drying times were considered as the independent input parameters and moisture content as the dependentparameter. Experimental data obtained from vacuum drying process, were used for training and testing the network. Several criteria such as training algorithm, learning rate, momentum coefficient, number of hidden layers, number of neurons in each hidden layer and activation function were given to improve the performance of the ANN. The total number of hidden layers and the number of neurons in each hidden layer were chosen by trial and error. The best training algorithm was LM with the least MSE value. Optimum values of learning rate and momentum for the ANN with GDM training algorithm were set at 0.2 and 0.05, respectively. The optimal topologies were 4-20-1 with Tansig activation function and MSE values of 0.0016 and 4-15-20-1 with Logsig activation function in both hidden layer and MSE values of 0.000147. The correlation between the predicted and experimental values in the optimal topologies was higher than 99.75%.