پیش‌بینی و مدل‌سازی محتوای رطوبتی توت‌سفید در فرآیند خشک شدن با استفاده از مدل‌های ریاضی و شبکه عصبی مصنوعی

نویسندگان

چکیده

توت‌سفید یکی از میوه‌های سرشار از قند مفید است و خشک‌کردن یکی از راه‌های نگه‌داری این محصول محسوب می‌شود. بررسی روند کاهش محتوای رطوبتی برای پی بردن به زمان و شرایط مناسب خشک شدن محصول ضروری است. در این پژوهش توت‌سفید با استفاده از خشک‌کن جریان هوای گرم در سه سطح دما ) 50،‏ 60 و70 درجه سلسیوس) و سه سطح سرعت جریان هوا (5‎/1،‏ 2 و 5‎/2 متر بر ثانیه) انجام شد. نتایج مقایسه داده‌های افت رطوبت اندازه‌گیری شده با مقدار پیش‌بینی شده توسط مدل‌های ریاضی نشان داد که مدل پیج با توجه به R2 و میزان RMSE پایین می‌تواند برای توصیف و پیش‌بینی سینتیک خشک کردن توت‌سفید به‌ کار رود. نتایج مدل‌سازی با شبکه عصبی نشان داد مدل پیشرو با الگوریتم‌های یادگیری (Trainlm)‎ با ساختار (1-25-4) با تابع آستانه (Tansig و Logsig)‎ در مقایسه با توپولوژی‌های دیگر دقت بهتری را ارائه می‌کند.

کلیدواژه‌ها

عنوان مقاله [English]

Predicting and Modelling of Mulberry Moisture Content in Drying Process using Mathematical Models and Artificial Neural Network

نویسندگان [English]

  • mohammadreza asghari
  • rahim ebrahimi
  • davoud ghanbarian
  • bahram Hosseinzadeh
چکیده [English]

Mulberry is one of the fruits with high levels of useful sugar which one of ways to maintain the product is drying. Evaluation of the moisture content reduction is essential to find the appropriate drying time and conditions. In this study, mulberry drying was carried out using a hot air dryer in three temperature levels (50, 60 and 70 °C) and three air speed levels (1.5, 2 and 2.5 m/s). Results of comparing the measured moisture loss with the predicted values by mathematical models indicated that the Page model, due to the high correlation coefficient and low root mean square error can be used for describing and predicting mulberry drying kinetics. Results of modelling by neural network indicated that the leading model with training algorithm of Trainlm, overall structure of (4-25-1) and threshold functions of Logsig and Tansig had the highest performance (R2=0/9999 and MSE=0/000009) and consequently, it offered tbetter results as compared with other topologies.

کلیدواژه‌ها [English]

  • Mathematical modelling-Mulberry.-Drying-Artificial neural network-Moisture content-

فایل ها

هم رسانی

ارجاع به این مقاله

آمار