Prediction of Papaya fruit moisture content using hybrid GMDH - neural network modeling during thin layer drying process

تخمين محتواي رطوبتي خربزه درختي با استفاده از مدلسازي GMDH حين خشك شدن لايه نازك

در اين تحقيق يك مدل هيبريدي شبكه عصبي-GMDH جهت تخمين محتواي رطوبتي قطعات خربزه درختي در حين خشك شدن با هواي داغ در يك خشك كن كابينتي تعيين شد. براي اين منظور پارامترهاي زمان خشك كردن، ضخامت قطعات و دماي خشك‌كردن بعنوان ورودي تعريف گرديد و مقدار نسبت رطوبتي (MR) به عنوان خروجي تخمين زده شد. دقيقاً 50 درصد داده‌ها جهت آموزش و 50 درصد ديگر براي تست كردن مدل استفاده شد. بعلاوه، چهار مدل رياضي مختلف بر داده‌هاي آزمايشگاهي برازش داده شدند و نتايج اين مدلسازي با GMDH مقايسه گرديد. مقدار ضريب تبيين (R2) و جذر ميانگين مربعات خطا (RMSE) بدست آمده براي مدل GMDH به ترتيب 9960/0 و 0220/0 بدست آمد، در حالي كه براي بهترين مدل رياضي (مدل نيوتن) اين مقادير به ترتيب برابر 9954/0 و 0230/0 تعيين شد. پس مي توان نتيجه گرفت كه مدلسازي با GMDH كارايي بالاتري نسبت به مدل رياضي در تخمين محتواي رطوبتي قطعات لايه نازك خربزه درختي دارد.

In this work, a hybrid GMDH–neural network model was developed in order to predict the moisture content of papaya slices during hot air drying in a cabinet dryer. For this purpose, parameters including drying time, slices thickness and drying temperature were considered as the inputs and the amount of moisture ratio (MR) was estimated as the output. Exactly 50% of the data points were used for training and 50% for testing. In addition, four different mathematical models were ?tted to the experimental data and compared with the GMDH model. The determination coefficient (R2) and root mean square error (RMSE) computed for the GMDH model were 0.9960 and 0.0220,and for the best mathematical model (Newton model) were 0.9954 and 0.0230, respectively. Thus, it was deduced that the estimation of moisture content of thin layer papaya fruit slices could be better modeled by a GMDH model than by the mathematical models.