بكارگيري روش شبكه‌هاي عصبي مصنوعي در بررسي و تخمين برخي مشخصه‌هاي خشك‌كردن بادنجان و شلغم در يك خشك‌كن تركيبي مايكروويو - همرفتي

Using artificial neural networks (ANNs) method in investigation and estimation of some drying characteristics of eggplant and turnip in a combined microwave – convective dryer

در اين پژوهش، به منظور برآورد خواص خشك­ كردن بادنجان و شلغم در يك خشك­ كن مايكروويو - همرفتي از روش شبكه ­هاي عصبي مصنوعي استفاده شد. فرآيند خشك­كردن در سه سطح دمايي (40، 55 وC° 70)، سه سطح سرعت هواي ورودي­ (0/5 و 1/1 و m/s1/7) و سه سطح توان مايكروويو (270، 450 وW 630) در يك خشك­ كن مايكروويو - همرفتي صورت گرفت كه اين سه پارامتر به عنوان ورودي در پيش­ بيني ضريب پخش رطوبت موثر و انرژي مصرفي ويژه، در شبكه­ ي عصبي مصنوعي مورد استفاده قرار گرفت. همچنين براي پيش ­بيني نرخ خشك ­كردن و نسبت رطوبت علاوه بر اين سه پارامتر از زمان خشك­ كردن نيز به عنوان پارامتر ورودي استفاده شد. براي ايجاد الگوهاي آموزشي و ارزيابي فرآيند، از شبكه عصبي پس انتشار پيش خور و پيشرو با توابع آموزش لونبرگ – ماركوارت (LM) و تنظيم بيزي (BR) براي آموزش الگوها استفاده شد. با توجه به نتايج بدست آمده، بيشترين مقدار ضريب پخش رطوبت موثر براي بادنجان و شلغم به ترتيب (9-10×3/39 و m2/s 9-10×3/05) حاصل شد. نتايج بررسي­ هاي شبكه عصبي مصنوعي نشان داد كه شبكه­ ي بهينه پس انتشار پيش خور با توپولوژي 2-20-20-3 و تابع آموزش لونبرگ - ماركوارت توانست ضريب پخش رطوبت موثر و انرژي مصرفي ويژه را به ترتيب با ضرايب تبيين 0/9821 و 0/9952 و خطاي ميانگين مربعات 0/00014 در شرايط مختلف خشك ­كردن بادنجان و شلغم پيش­بيني نمايد. همچنين بيشترين ضرايب تبيين براي پيش ­بيني نرخ خشك­ كردن و نسبت رطوبت به ترتيب 0/9698 و 0/9988 با مقدار خطاي ميانگين مربعات 0/0045 در شبكه­ ي عصبي پيشرو با الگوريتم آموزشي لونبرگ - ماركوارت به دست آمد.

In this research work, in order to estimate the drying properties of eggplant and turnip in a combined microwave-convection dryer it was used artificial neural network method in order to estimate the Drying process was accomplished in three temperature levels (40, 55, and 70 °C), three inlet air velocity levels (0.5, 1.1 and 1.7 m/s) and three microwave power levels (270, 450 and 630 W) in a combined microwave-convection dryer that the three parameters were utilized as input in predicting the effective moisture diffusion coefficient and specific energy consumption in artificial neural network. A feed forward and cascade forward back propagation neural network with training functions of Levenberg - Marquardt (LM) and Bayesian Regulation (BR) for training of patterns. According to results, the highest value of the effective moisture diffusion coefficient for eggplant and turnip was obtained 3.39×10-9 and 3.05×10-9 m2/s, respectively. Results of ANN investigations showed that the optimum feed forward back propagation network with 3-20-20-2 topology and training function of Levenberg – Marquardt could predict the effective moisture diffusion coefficient and specific energy consumption with determination coefficients of 0.9821 and 0.9952 and mean square error of 0.00014 in various drying conditions of eggplant and turnip. Also the highest determination coefficients for prediction of drying rate and moisture ration obtained 0.9698 and 0.9988 with the value of mean square error of 0.0045 in cascade back propagation neural network with training algorithm of Levenberg – Marquardt.