بكار گيري شبكه عصبي مصنوعي براي پيش بيني ميزان چروكيدگي نخود سبز در يك خشك كن بستر سيالي با كمك ماكروويو

Applying Artificial Neural Network for Shrinkage Prediction of Green Pea in a Microwave Assisted Fluidized Bed Dryer

در اين تحقيق خواص خشك شدن نخود سبز (Pisum satium) با رطوبت اوليه 76% بر پايه خشك (db) در يك خشك كن بستر سيالي با كمك ماكروويو مورد مطالعه قرار گرفت. چهار سطح دماي هواي خشك كننده (30، 40، 50 و 60 درجه سانتيگراد) و پنج سطح توان ماكروويو از جمله پارامترهاي مورد مطالعه مي باشد. يكي از مهمترين تغييرات فيزيكي كه در زمان خشك كردن مواد غذايي همراه با نفوذ رطوبت بخارج از ماده رخ مي دهد، كاهش حجم پوسته خارجي يا چروكيدگي ميباشد. براي اندازه گيري ميزان چروكيدگي محصول، در ابتدا و انتهاي هر آزمايش توسط يك كوليس سه بعد عمود بر هم نمونه ها اندازه گيري و يادداشت شد تغييرات حجم قرايت گرديد. مشاهده شد كه با افزايش توان ماكروويو و دماي هواي خشك كننده مورد استفاده ميزان چروكيدگي محصول به دليل سرعت بخشيدن به نرخ خروج رطوبت كاهش مي يابد. در ادامه اين تحقيق با استفاده از شبكه عصبي مصنوعي مدل مناسبي براي يافتن مدت ميزان چروكيدگي (پارامتر خروجي شبكه) ارايه گرديد. توان ماكروويو، دماي هواي خشك كننده و محتواي رطوبت دانه به عنوان پارامترهاي ورودي مدل مي باشد. نتيجه نشان داد كه شبكه عصبي مورد استفاده با 4 نرون و تابعlogsig و الگوريتم پس انتشارtrainrp بهينه حالت ممكن براي پيش بيني ميزان چروكيدگي محصول مي باشد. براي اعتبار سنجي مدل از (RMSE)، (MAE) و(SE) استفاده شد و نتايج نشان داد كه اين مقادير كمتر از 5% مي باشد اين در حالي است كه ضريب همبستگي(R2) بيشتر از 98% مي باشد.

In this search drying characteristics of green pea (Pisum satium) with an initial moisture content of 76% (db) was studied in a fluidized bed dryer assisted by microwave heating. Four drying air temperatures (30,40, 50 and 60°C) and five microwave powers (180, 360, 540, 720 and 900W) were adopted. At each drying operating conditions the volume of green pea was calculated by measuring the three principal characteristic dimensions and the variation of the ratio of mean diameter of the kernel to its initial mean diameter was investigated for different operating conditions. It has been shown that power of microwave and temperature of drying could reduce the shrinkage of particles considerably. Furthermore, in this study, the application of Artificial Neural Network (ANN) for predicting the drying time (output parameter) was investigated. Microwave power; drying air temperature and green pea moisture content were considered as input parameters for the model. An ANN model with 4 neurons was selected for studying the influence of transfer functions and training algorithms. The results revealed that a network with the logsig transfer function and trainrp back propagation algorithm made the most accurate predictions for the green pea drying system. In order to test the ANN model, (RMSE), (MAE) (SE) were calculated and found that the random errors were within and acceptable range of ±5% with correlation coefficient (R2) of 98%.