مدل سازي سينتيك خشك كردن پياز در يك خشك كن بستر سيال مجهز به كنترل كننده رطوبت با استفاده از روش هاي رگرسيوني، منطق فازي و شبكه هاي عصبي مصنوعي

Modeling the drying kinetics of onion in a fluidized bed drier equipped with a moisture controller using regression, fuzzy logic and artificial neural networks methods

سابقه و هدف: مدل سازي سينتيك خشك شدن با استفاده از روشهاي جديد مدل سازي از جمله منطق فازي و شبكه هاي عصبي مصنوعي مي تواند به بهينه سازي فرايند و كاهش انرژي مصرفي كمك كند. در اين پژوهش علاوه بر مدل سازي رگرسيوني، در رويكردي جديد اصول منطق فازي و شبكه هاي عصبي مصنوعي به صورت تركيبي و مكمل هم به كار برده شده و مدلي فازي – عصبي ارائه ودر نهايت توپولوژي بهينه شبكه هاي عصبي مصنوعي براي خشك كردن پياز معرفي شده و ماتريس هاي ضرايب وزني آن داده شد. مواد و روش ها: در اين پژوهش ورقه هاي نازك پياز در يك خشك كن بستر سيال آزمايشگاهي با سه دماي 40، 50 و 60 درجه سانتيگراد و دو سرعت هواي 2 و 3 متر بر ثانيه در رطوبت هواي ثابت خشك گرديد و جهت بررسي سينيتيك خشك كردن آن از سه روش مدلسازي رگرسيوني، منطق فازي و شبكه هاي عصبي مصنوعي استفاده شد. يافته ها: در روش مدلسازي تجربي با برازش داده هاي آزمايشگاهي حاصل با معادلات جبري شناخته شده مربوط به سينتيك خشك كردن، با استفاده از ابزار برازش منحني نرم افزار MATLAB و تكنيك رگرسيون غير خطي، مدل تقريب ديفوزيون با ضريب همبستگي 0/9999، ريشه ميانگين مربعات خطاي 0/004157 و مجموع مربعات خطاي 0/0005702 از بين 9 مدل موجود به عنوان بهترين معادله جبري بين متغيرها تعيين گرديد. براي شبيه سازي، درون يابي و افزايش نسبت هاي رطوبت اندازه گيري شده، از ابزار منطق فازي در نرم افزار MATLAB با بكارگيري مدل ممداني در قالب قواعد اگر-آنگاه و توابع عضويت مثلثي استفاده شد و با وارد كردن نتايج مستخرج از مدل فازي در ابزار شبكه هاي عصبي مصنوعي، شبكه پس انتشار پيشخور با توپولوژي 2-5-1، و ضريب همبستگي 0/99956 و ميانگين مربعات خطاي 0/000039385 با بكارگيري تابع فعال سازي تانژانت سيگموئيد هيپربوليكي، الگوي يادگيري لونبرگ – ماركوات و چرخه يادگيري 1000 اپچ به عنوان بهترين مدل عصبي ارائه گرديد. نتيجه گيري: در مجموع مي توان گفت تركيب اصول منطق فازي و شبكه هاي عصبي مصنوعي روشي مناسب و قابل اطمينان براي مدل سازي و پيش بيني سينيتيك خشك كردن پياز و محصولات مشابه مي باشد.

Background and Objective: Kinetic modeling of drying through novel modeling techniques including fuzzy logic and artificial neural networks can help optimization of the process and reduce energy consumption. Our main goal was to apply combined modeling methods for the drying process of onions. Materials and Methods: In this research، thin layers of onion were dried in a laboratorial fluidized bed drier using three temperatures of 40، 50 and 60 C and two airflow speeds of 2 and 3 m/s in a constant air moisture. Three modeling methods including regression، fuzzy logic and artificial neural networks were applied to investigate the drying kinetics of the thin layer of this food. Results: In the empirical modeling، the curve fitting tool of MATLAB software and nonlinear regression technique were used. According to the obtained results، the Diffusion Approximation with the correlation coefficient of 0.9999، root mean square error of 0.004157 and sum of squares error of 0.0005702 showed the best fit with the experimental data among the 9 fitted model. For simulation، interpolation and increase of the measured moisture ratios، fuzzy logic tool of MATLAB software with the Mamdani fuzzy model in the form of If-Then rules and triangular membership function was used. By entering the obtained results from fuzzy model into the neural network tool، the Feed-Forward-Back-Propagation network with the topology of 2-5-1 and the correlation coefficient of 0.99956 and mean square error of 0.000039385 with application of hyperbolic tangent sigmoid transfer function، Levenberg–Marquardt learning algorithm and 1000 epoch was determined as the best neural model. Conclusion: In general، we can conclude، the combination of fuzzy logic and neural networks is a suitable and reliable method for modeling and prediction of drying kinetics of onion and similar product.