بررسي تغييرات رطوبت گل‌محمدي (Rosa damascena Mill.) در خشك‌كن جريان هواي داغ با استفاده از مدل‌هاي رياضي و شبكه‌هاي عصبي مصنوعي

Rosa damascene Mill. moisture modeling in hot air dryer using mathematic models and artificial neural network

گل‌محمدی با نام علمی Rosa damascene Mill. گیاهی متعلق به تیره Rosaceae و ازجمله گیاهان حاوی اسانس می‌باشد كه دارای خواص دارویی زیادی است. استخراج كمّی و كیفی اسانس و در عین حال توجیه اقتصادی آن بستگی به روشهای مناسب خشك كردن دارد. روش مناسب خشك كردن، ضایعات و خسارت‌ها را در طول انبارداری كاهش داده و به كیفیت محصول كمك می‌كند. هدف از این تحقیق پیش‌بینی میزان رطوبت گل‌محمدی در طی فرایند خشك شدن با جریان هوای داغ به‌عنوان تابعی از دمای هوا در چهار سطح (40، 50، 60 و 70 درجه سانتی‌گراد( و سرعت هوا در سه سطح (5/0، 1 و m/s5/1) به كمك شبكه‌های عصبی مصنوعی بود. متوسط رطوبت اولیه 78% و متوسط رطوبت نهایی 9% تعیین گردید. نمودارهای محتوی رطوبتی با استفاده از نرم‌افزار Excel بدست آمدند و فرایند خشك شدن نیز با استفاده از نرم‌افزار Matlab مدل‌سازی ریاضی گردید. سپس فرایند خشك شدن با استفاده از شبكه‌های عصبی با سه ورودی دما، سرعت هوا و زمان مدل‌سازی شد. نتایج تحقیق حاضر نشان داد كه شبكه‌های عصبی با دقت بیشتری نسبت به مدل‌های ریاضی توانایی مدل‌سازی و پیش‌بینی فرایند خشك شدن گل‌محمدی را دارند و می‌توان از آنها در فرایند كنترل بلادرنگ استفاده نمود.

Damask rose with scientific name of Rosa damascena Mill. contains essential oils with large medicinal properties. Qualitative and quantitative extraction of essential oils as well as its economic justification depends on appropriate methods of drying. Appropriate method of drying reduces loss and damage during storage and helps maintain product quality. The purpose of this study was to predict Rose moisture content during the drying process with  hot air flowing as a function of temperature at four levels (40, 50, 60 and 70°C) and air velocity at three levels (0.5, 1 and 1.5 m/s), using artificial neural networks. The average initial and final moisture contents were calculated to be 78% and 9%, respectively. The drying process was modeled by mathematical models using matlab and then the moisture content graphs were achieved by excel. Then, the drying process was modeled using neural networks with three inputs including temperature, air velocity and time. Results showed that neural network was more accurate than mathematic models in modeling and predicting the drying process of damask rose and could be used in on-line controlling.