تخمين پارامترهاي خشك كردن گوجه فرنگي با كمك شبكه هاي عصبي مصنوعي

Estimation of tomato drying parameters using artificial neural networks

در اين پژوهش خشك كردن لايه اي نازك گوجه فرنگي به روش جابجايي هواي داغ شبيه سازي گرديد. اسلايس هاي گوجه فرنگي در دو دماي (60 و 70 درجه سانتيگراد) خشك شدند. شبكه عصبي پرسپترون براي پيش بيني نسبت رطوبت و سرعت خشك كردن نمونه ها در طي خشك كردن بكار گرفته شد. بهترين چيدمان شبكه عصبي براي شبكه اول بر اساس يك لايه پنهان،2 و 8 نرون در لايه پنهان به ترتيب براي نسبت رطوبت و آهنگ خشك كردن بود. همچنين بهترين چيدمان شبكه عصبي دوم بر اساس يك لايه پنهان، 11 نرون براي نسبت رطوبت و آهنگ خشك كردن بود. به طور كلي نتايج نشان داد كه شبكه عصبي با آرايش دوم نتايج بهتري را در پيش بيني پارامترهاي خشك كردن گوجه فرنگي ارايه نمود.

In this research we have simulated drying tomato thin layer by hot air convection. Tomato slices were dried in two temperatures 60° and 70?. Perceptron neural network was used to predict moisture ratio and drying rate of samples during the drying process. Best neural network topology for ANN-I based on one hidden layer 2 and 8 neuron per hidden layers for moisturizing ratio and the drying rate obtained respectively. Furthermore, best neural network topology for ANN-II based on one hidden layer 11 neuron for moisturizing ratio and the drying arte obtained. Generally, the results showed that ANN-II had preferable result to predict drying parameters of drying tomato.