Convective drying of garlic (Allium sativum L.): Artificial neural networks approach for modeling the drying process

خشك شدن همرفتي سير (.Allium sativum L): رويكرد شبكه هاي عصبي مصنوعي براي مدل سازي فرآيند خشك كردن

در اين مطالعه، شبكه عصبي مصنوعي براي مدل سازي و پيش بيني ميزان رطوبت سير در طي خشك كردن سير استفاده شد. براي اين منظور شبكه عصبي مصنوعي پرسپترون چند لايه تحت عنوان پس انتشار پيشرو به كار گرفته شد. پارامترهاي مهم از جمله دماي هواي خشك كردن (50 ، 60 و 70 درجه سانتيگراد)، ضخامت ورقه ها (2 ، 3 و 4 ميليمتر) و زمان خشك كردن به عنوان ورودي و محتواي رطوبت به عنوان خروجي شبكه در نظر گرفته شد. داده هاي آزمايشگاهي به دست آمده از فرآيند خشك كردن لايه نازك سير براي آموزش و تست شبكه استفاده شد. توپولوژي بهينه 3-25-5-1 با الگوريتم LM و تابع آستانه TANSIG براي لايه ها بود. با اين شبكه بهينه، مقدار R2 و خطاي نسبي به ترتيب 0.9923 و 9.67 % بود. مقدار MC براي سير را ميتوان با استفاده از شبكه عصبي، با ميانگين خطاي متوسط كمتر و ضريب تبيين بيشتر نسبت به مدل رياضي ويبل پيش بيني كرد.

In this study, artificial neural networks (ANNs) was utilized for modeling and the prediction of moisture content (MC) of garlic during drying. The application of a multi-layer perceptron (MLP) neural network entitled feed forward back propagation (FFBP) was used. The important parameters such as air drying temperature (50, 60 and 70°C), slice thickness (2, 3 and 4 mm) and time (min) were considered as the input parameters, and moisture content as the output for the artificial neural network. Experimental data obtained from a thin-layer drying process were used testing the network. The optimal topology was 3-25-5-1 with LM algorithm and TANSIG threshold function for layers. With this optimized network, R2 and mean relative error were 0.9923 and 9.67 %, respectively. The MC (or MR) of garlic could be predicted by ANN method, with less mean relative error (MRE) and more determination coefficient compared to the mathematical model (Weibull model).