پيش‌بيني و مدل‌سازي محتواي رطوبتي توت‌سفيد در فرآيند خشك شدن با استفاده از مدل‌هاي رياضي و شبكه عصبي مصنوعي

Predicting and modelling of Mulberry moisture content in drying process using mathematical models and artificial neural network

توت‌سفيد يكي از ميوه‌هاي سرشار از قند مفيد است و خشك‌كردن يكي از راه‌هاي نگه‌داري اين محصول محسوب مي‌شود. بررسي روند كاهش محتواي رطوبتي براي پي بردن به زمان و شرايط مناسب خشك شدن محصول ضروري است. در اين پژوهش توت‌سفيد با استفاده از خشك‌كن جريان هواي گرم در سه سطح دما )50، 60 و70 درجه سلسيوس) و سه سطح سرعت جريان هوا (5/1، 2 و 5/2 متر بر ثانيه) انجام شد. نتايج مقايسه داده‌هاي افت رطوبت اندازه‌گيري شده با مقدار پيش‌بيني شده توسط مدل‌هاي رياضي نشان داد كه مدل پيج با توجه به R2 و ميزان RMSE پايين مي‌تواند براي توصيف و پيش‌بيني سينتيك خشك كردن توت‌سفيد به‌ كار رود. نتايج مدل‌سازي با شبكه عصبي نشان داد مدل پيشرو با الگوريتم‌هاي يادگيري (Trainlm) با ساختار (1-25-4) با تابع آستانه (Tansig و Logsig) در مقايسه با توپولوژي‌هاي ديگر دقت بهتري را ارايه مي‌كند.

Mulberry is one of the fruits with high levels of useful sugar which one of ways to maintain the product is drying. Evaluation of the moisture content reduction is essential to find the appropriate drying time and conditions. In this study, mulberry drying was carried out using a hot air dryer in three temperature levels (50, 60 and 70 °C) and three air speed levels (1.5, 2 and 2.5 m/s). Results of comparing the measured moisture loss with the predicted values by mathematical models indicated that the Page model, due to the high correlation coefficient and low root mean square error can be used for describing and predicting mulberry drying kinetics. Results of modelling by neural network indicated that the leading model with training algorithm of Trainlm, overall structure of (4-25-1) and threshold functions of Logsig and Tansig had the highest performance (R2=0/9999 and MSE=0/000009) and consequently, it offered tbetter results as compared with other topologies.