مدل پیش بینی خواص مکانیکی شبه استاتیکی بادام با استفاده از شبکه عصبی- موجک

نویسندگان

چکیده

تعیین خواص مکانیکی به منظور طراحی و ساخت ادوات و ماشینهای مورد نیاز برای مراحل مختلف پس از برداشت، فرآوری و بسته‌بندی محصولات لازم می‌باشد. شبکه‌ عصبی به عنوان یکی از مولفه‌های اصلی هوش محاسباتی از خواص مهمی بوده و تبدیل موجک باعث افزایش دقت مدل می گردد. بدین منظور جهت پیش ‍‌بینی خواص مکانیکی مغز بادام ابتدا در این تحقیق در وضعیت قرارگیری افقی بادام، نیروی شکست شبه استاتیکی مغز سه رقم بادام به نام‌های مامایی، ربیع و شاهرود دوازده در سه سطح رطوبتی (?/?%، ??% و ??% بر پایه تر) و سه سرعت بارگذاری (?، ?? و ?? میلیمتر بر دقیقه) تعیین و بررسی گردید. در بخش شبکه عصبی پارامترهای ورودی شامل سه سطح رطوبت و سه سطح سرعت به عنوان متغیر مستقل وارد مدل گردید. متغیرهای نیروی شکست، انرژی مصرفی و مدول الاستیسیته به عنوان متغیرهای وابسته خروجی مدل‌ در نظر گرفته شد که برای دقت بیش تر ابتدا موجک های مختلف مانند Haar، db?، Sym? ، Coif? بر روی این داده ها اعمال گردید. برای ارزیابی دقت مدل از معیار R استفاده شد. نتایج ارزیابی متقابل حاکی از برتری موجک Coif? بود. در این الگوریتم از یک شبکه پیشخور با الگوریتم لونبرگ مارکوات با تابع تانژانت سیگموئید در لایه پنهان و تابع خطی در لایه خروجی استفاده گردید. نتایج حاصل، دقت بالای شبکه عصبی-موجک را نشان می‌دهد. برای رقم مامایی شبکه عصبی با آرایش ?-?-? با ????/?=R ، آرایش ?-?-? با ????/?=R و آرایش ?-?-? با ????/?=R بهترین پیش بینی را برای مدول الاستیسیته، نیروی شکست و انرژی مصرفی داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Predicting Model of Quasi-Static Mechanical Properties of Almond using Wave-let Neural Network

نویسندگان [English]

  • Abdollah Imanmehr
  • Naser Ganji
چکیده [English]

Dimensions, shape and mechanical properties for the design of agricultural machinery for separation, harvesting and classification are important. The neural network as one of the main components of computational intelligence has important properties and wavelet transformation improves the accuracy of the model. In Research, by horizontal position of almonds, power failure, static brain, three varieties of almond named Mamaee, Rabie and Shahrood ??, in three levels of moisture (?.?%, ??% and ??% wb) and three speed loading (?,?? and ?? millimeters per minute) were determined. In the neural network, input parameters including three levels of humidity and three levels of speed as an independent variable were introduced into the model. The variables of fracture force, energy consumption and modulus of elasticity were considered as dependent variables of the model output. For more precision, various wave-lets such as Haar, db?, Sym?, Coif? were first applied to these data. The R-criteria was used to evaluate the accuracy of the model. The cross validation results indicated the superiority of the Coif? wavelet. In this algorithm, a feed forward network with a Levenberg-Marquardt algorithm with a sigmoid tangent function in the hidden layer and a linear function in the output layer were used. The results show the high accuracy of the neural network-wavelet. For the mamaee Variaty neural network with an arrangement of ?-?-? with R = ?.????, the arrangement ?-?-? with R = ?.???? and the arrangement of ?-?-? with R = ?.???? the best prediction for the modulus Elasticity has the power of failure and energy consumption. The R-criteria was used to evaluate the accuracy of the model. The cross validation results indicated the superiority of the Coif? wavelet. In this algorithm, a feed forward network with a Levenberg-Marquardt algorithm with a sigmoid tangent function in the hidden layer and a linear function in the output layer were used. The results show the high accuracy of the neural network-wavelet.

کلیدواژه‌ها [English]

  • Almond
  • Mechanical properties
  • Correlation Coefficient
  • Artificial Intelligence
  • Processing machinery