Using artificial neural networks to predict thermal conductivity of pear juice

استفاده از شبكه هاي عصبي مصنوعي براي پيش‌بيني هدايت حرارتي آب گلابي

هدايت حرارتي، يكي از ويژگي هاي مهم آب ميوه ها براي پيش بيني ضرايب انتقال جرم وحرارت و هم چنين طراحي تجهيزات انتقال جرم و حرارت در صنعت آب ميوه مي باشد. شبكه عصبي مصنوعي براي پيش بيني هدايت حرارتي آب گلابي توسعه داده شد. دما و غلظت متغيرهاي ورودي و هدايت حرارتي آب ميوه متغير خروجي بودند. مدل بهينه اين شبكه شامل دو لايه پنهان با 5 نرون در لايه اول و يك نرون در لايه دوم بود. مدل شبكه مصنوعي توانست مقادير هدايت حرارتي را بسيار نزديك به مقادير اندازه گيري شده در آزمايش پيش بيني كند و در مقايسه با مدل هاي متعارف و رگرسيون چند متغيره از پايين ترين مجذور خطاي ميانگين (R2=0.999)برخوردار بود. به علاوه با بكارگيري اين روش مي توان ساختار پنهان لايه ها در شبكه هاي عصبي را از طريق آزمون و خطا تعيين كرد.اين روش مي تواند در محاسبات انتقال حرارت در فراوري انواع آب ميوه، جايي كه نياز به محاسبه هدايت حرارتي بر حسب دما و غلظت باشد، به خوبي مورد استفاده قرار گيرد.

Thermal conductivity is an important property of juices in the prediction of heat- and mass-transfer coefficients and in the design of heat- and mass-transfer equipment for the fruit juice industry. An artificial neural network (ANN) was developed to predict thermal conductivity of pear juice. Temperature and concentration were input variables. Thermal conductivity of juices was outputs. The optimal ANN model consisted 2 hidden layers with 5 neurons in first hidden layer and the second one has only one neuron. The ANN model was able to predict thermal conductivity values which closely matched the experimental values by providing lowest mean square error (R2=0.999) compared to conventional and multivariable regression models. However this method also improves the problem of determining the hidden structure of the neural network layer by trial and error. It can be incorporated in heat transfer calculations during juices processing where temperature and concentration dependent thermal conductivity values are required.