مدل‌سازي پارامترهاي كيفي توت سفيد در فرآيند خشك شدن با استفاده از شبكه عصبي مصنوعي

Mulberry qualitative pramaters modelling in drying process using artificial neural networks

توت سفيد يكي از ميوه هاي سرشار از قند مفيد بوده و از راه هاي نگه داري اين محصول خشك كردن مي باشد. امروزه شبكه هاي عصبي مصنوعي در مدل سازي خشك كردن در حال رشد و توسعه است. پژوهش حاضر با هدف مدل سازي كيفيت خشك شدن توت سفيد توسط شبكه عصبي انجام گرديد. آزمايش هاي خشك كردن توسط خشك كن جريان هواي داغ در دو رطوبت اوليه (1±85% و 1±80%) و در سه دماي 50، 60 و 70 درجه سلسيوس و سه جريان هواي 1.5، 2 و 2.5 متر بر ثانيه در رطوبت هواي ثابت خشك گرديد. به منظور مدل سازي از شبكه عصبي چند لايه (MLP) با توابع آستانه مختلف و تعداد نورون مختلف و الگوريتم آموزش (trainlm) براي آموزش شبكه ها استفاده گرديد. نتايج نشان داد كه شبكه عصبي با ساختار (3-8-3) با توابع آستانه لگاريتمي و تانژانت سيگموئيد با ضريب تعيين (0.9998) و مقدار ميانگين مربعات خطا (0.00002) در مقايسه با ساير ساختارهاي شبكه، نتايج بهتري را ارائه مي كند

Mulberry (Morus alba) has been considered as one of the strategic fruits with high levels of useful sugar. Regarding to the advantages of artificial intelligence technology, the application of this technology has been developed extensively to modelling the required parameters in drying procedures.In this study, mulberry drying experiments were implemented in a hot air dryer in two initial moisture levels (%80±1-85%±1) three temperature levels of 50, 60 and 70 and three air speed levels of 1/5, 2 and 2/5 m/s in stable moisture. In order to model the quality of drying, (MLP) neural networks with various threshold and neurons as well as Levenberg-Marquardt algorithm and threshold function of tan-sigmoid were used to instruct networks. The results indicated that the best neural network layout with the structure of (3-12-3) and the threshold function of (Logsig and Purelin) indicate the best result compared to other topologies with the largest coefficient (0/9998) and lowest MSE (0/00002).