نویسندگان: محمد شریفی ، شاهین رفیعی ، محمود امید
خلاصه مقاله:
مرکبات جایگاه بسیار مهمی را در میان تولیدات کشاورزی در دنیا به خود اختصاص داده اند . در این تحقیق خشک کردن بستر نازک ترنج بهوسیله شبکه عصبی مصنوعی مدلسازی شد ؛ برای این منظور از خش ک کن آزمایشگاهی استفاده گردید. توده بستر نازک ورقه های ترنج با پنج دمای 40 و50و60و70و80 درجه سلسیوس و دو سرعت هوای 1 و 2 متر بر ثانیه و ضخامت 4 میلی متر خشک شد. رطوبت اولیه ترنج در طی آزمایش 5/2تا 5/8 g/g بر پایه خشک بود. جرم توده بستر نازک در طی خشک کردن هر پنج ثانیه یک بار توسط ترازوی دیجیتال متصل به رایانه، اندازه گیری و ثبت گردید. از شبکه پس انتشار پیشخور با الگوریتمهای یادگیری مومنتوم و لونبرگ- مارکوارت برای آموزش الگوهای موجود استفاده شد. برای توسعه مدلهای شبکه عصبی مصنوعی بردار ورودی شامل دما، سرعت هوا و زمان خشکشدن و بردار خروجی محتوای رطوبتی ترنج در نظر گرفته شد . نتایج نشان داد که شبکه پس انتشار پیشخور با توپولوژی 1-6-3 برای ضخامت 4 میلی متری ورقه ترنج و الگوریتم آموزش لونبرگ- مارکوارت و راهبرد توابع یکسان برای تمام لایهها (تانژانت سیگمویید) قادر است نسبت رطوبت را با ضریب تعیین 0/99925 و خطای متوسط 0/00011 در شرایط مختلف خشککردن لایه نازک پیش بینی کند.
کلمات کلیدی: ترنج، خشک کردن لایه نازک، شبکه های عصبی مصنوعی، الگوریتم لونبرگ - مارکوارت
خلاصه مقاله:
مرکبات جایگاه بسیار مهمی را در میان تولیدات کشاورزی در دنیا به خود اختصاص داده اند . در این تحقیق خشک کردن بستر نازک ترنج بهوسیله شبکه عصبی مصنوعی مدلسازی شد ؛ برای این منظور از خش ک کن آزمایشگاهی استفاده گردید. توده بستر نازک ورقه های ترنج با پنج دمای 40 و50و60و70و80 درجه سلسیوس و دو سرعت هوای 1 و 2 متر بر ثانیه و ضخامت 4 میلی متر خشک شد. رطوبت اولیه ترنج در طی آزمایش 5/2تا 5/8 g/g بر پایه خشک بود. جرم توده بستر نازک در طی خشک کردن هر پنج ثانیه یک بار توسط ترازوی دیجیتال متصل به رایانه، اندازه گیری و ثبت گردید. از شبکه پس انتشار پیشخور با الگوریتمهای یادگیری مومنتوم و لونبرگ- مارکوارت برای آموزش الگوهای موجود استفاده شد. برای توسعه مدلهای شبکه عصبی مصنوعی بردار ورودی شامل دما، سرعت هوا و زمان خشکشدن و بردار خروجی محتوای رطوبتی ترنج در نظر گرفته شد . نتایج نشان داد که شبکه پس انتشار پیشخور با توپولوژی 1-6-3 برای ضخامت 4 میلی متری ورقه ترنج و الگوریتم آموزش لونبرگ- مارکوارت و راهبرد توابع یکسان برای تمام لایهها (تانژانت سیگمویید) قادر است نسبت رطوبت را با ضریب تعیین 0/99925 و خطای متوسط 0/00011 در شرایط مختلف خشککردن لایه نازک پیش بینی کند.
کلمات کلیدی: ترنج، خشک کردن لایه نازک، شبکه های عصبی مصنوعی، الگوریتم لونبرگ - مارکوارت
شبیه سازی مدل سینتیک خشک شدن بستر نازک ترنج با استفاده از شبکه های عصبی مصنوعی