این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و صنایع غذایی ایران، جلد ۷، شماره ۲۴، صفحات ۳۹-۴۹
عنوان فارسی شبیه‌سازی مدل سینتیک خشک‌شدن بستر نازک پرتقال رقم تامسون با استفاده از شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله چکیده مرکبات به ویژه پرتقال جایگاه بسیار مهمی را در میان تولیدات کشاورزی در دنیا به خود اختصاص داده­اند. در این تحقیق خشک‌کردن بستر نازک پرتقال رقم تامسون به­وسیله شبکه عصبی مصنوعی مدلسازی شد؛ برای این منظور از خشک‌کن آزمایشگاهی استفاده گردید. توده بستر نازک ورقه‌های پرتقال با پنج دمای 40 ،50 ،60 ،70 و80 درجه سانتی‌گراد و سه سرعت هوای 5/0 ،1 و 2 متر‌بر‌ثانیه و سه ضخامت 2 ،4 و 6 میلی‌متر خشک ‌شد.‌ رطوبت اولیه پرتقال در طی آزمایش 4/5 تا 7/5 (g/g) بر پایه خشک بود. جرم توده بستر نازک در طی خشک‌کردن هر پنج ثانیه یک‌بار توسط ترازوی دیجیتال متصل به رایانه، اندازه‌گیری 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 پرتقال در نظر گرفته شد. نتایج نشان داد که شبکه پس انتشار پیشخور با توپولوژی 1-6-2 برای ضخامت 2 میلی­متری ورقه پرتقال، 1-7-2 برای ضخامت 4 میلی­متری ورقه پرتقال و 1-5-2 برای ضخامت 6 میلی­متری ورقه پرتقال و الگوریتم آموزش لونبرگ- مارکوارت و راهبرد توابع یکسان برای تمام لایه­ها (تانژانت سیگمویید) قادر است نسبت رطوبت را با ضرایب تعیین 99906/0، 99919/0 و 99930/0 و خطای متوسط مطلق 00013/0، 00012/0 و 00009/0 به ترتیب برای سه ضخامت 2 ،4 و 6 میلی­متری ورقه­های پرتقال در شرایط مختلف خشک­کردن لایه نازک پیش­بینی کند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Kinetic model simulation of thin-layer drying of orange fruit (var. Thompson) using artificial neural network
چکیده انگلیسی مقاله Citrus, especially orange, are of great important among agricultural products in the world. In this study thin-layer drying of orange (var. Thompson) was modeled using artificial neural network (ANN). An experimental dryer was used. Thin-layer of orange slices at five air temperatures (40, 50, 60, 70 & 80 ºC), three air velocities (0.5, 1 & 2 m/s) and three thicknesses (2, 4 & 6 mm) were artificially dried. Initial M.C. during all experiments was between 5.4 to 5.7 (g/g) (d.b.). Mass of samples were recorded and saved every 5 sec. using a digital balance connected to a PC. MLP with momentum and LM were used to train the ANNS. In order to develop ANN's models, temperatures, air velocity and time are used as input vectors and moisture ration as the output. Results showed a 3-6-1 topology for thickness of 2 mm, 3-7-1 topology for thickness of 4 mm and 3-5-1 topology for thickness of 6 mm, with LM algorithm and TANSIG activation function were able to predict moisture ratio withof 0.99906, 0.99919 and 0.99930 respectively. The corresponding MSE for this topology were 0.00013, 0.00012 and 0.00009 respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://fsct.modares.ac.ir/article_158_95140f607d2a005b81c73e6c91f402b8.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/969/article-969-198635.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات