عملكرد شبكه هاي عصبي مصنوعي در پيش بيني اثرات ميزان بوجاري، رطوبت، دما و زمان بر ويژگيهاي فيزيكي و ميكروبي دانه ي گندم

Evaluation of artificial neural networks (ANNs) in predicting the effects of cleaning, moisture content, temperature and time on the physical and microbial characteristics of wheat

شناخت ويژگيهاي فيزيكي دانه ي گندم در فرآيند انتقال، جدا سازي و ذخيره اين محصول ارزشمند، نقش اساسي ايفا مي نمايد. در اين مطالعه و در گام نخست، اثرات ميزان بوجاري، رطوبت، دما و مدت زمان نگهداري روي برخي از ويژگيهاي فيزيكي (هكتوليتر، وزن هزار دانه و دانسيته توده) و ميكروبي (شمارش كلي ميكروارگانيسمها و كپكها) دانه ي گندم رقم 80-n بررسي شد و سپس داده هاي حاصله توسط شبكه ي عصبي مصنوعي مدل پرسپترون چند لايه و شبكه تابع پايه ي شعاعي با توابع آستانه مختلف، شبيه سازي شد و داده هاي پيش بيني شده توسط شبكه عصبي مصنوعي با داده هاي تجربي مورد مقايسه قرار گرفتند. نتايج نشان داد، شبكه پرسپترون چند لايه با يك لايه مخفي با تابع فعال سازي تانژانت هيپربوليك - تانژانت هيپربوليك، براي ويژگيهاي هاي فيزيكي با چيدماني با پنج ورودي، 11 نرون در لايه پنهان، 3 خروجي (0-11-3) با تعداد تكرار 3000 و همچنين براي ويژگي هاي ميكروبي، چيدماني با پنج ورودي، 4 نرون در لايه پنهان، 2 خروجي (5-6-2) و با تعداد تكرار 6000، بهترين نتيجه را براي پيش بيني اين ويژگي ها در مقايسه با شبكهي تابع پايه ي شعاعي داشتند. ضرايب تبيين براي ويژگيهاي هكتوليتر، وزن هزار دانه، دانسيته توده، شمارش كلي ميكروارگانيسم ها و كپك در شبكه ي پرسپترون چند لايه به ترتيب برابر با 0/950، 0/989، 0/908، 0/908 و 0/938 بودند. ميزان هكتوليتر و دانسيته توده با بالا رفتن سطوح رطوبتي، مدت زمان نگهداري و دما كاهش و با افزايش سطوح بوجاري افزايش يافت. ميزان شمارش كلي ميكروارگانيسم ها و كپك با افزايش رطوبت، دما و مدت زمان نگهداري افزايش و با بالا رفتن سطوح بوجاري كاهش يافتند.

Evaluation of physical characteristics of wheat grain during transportation, separation and storage of this valuable product plays a critical role. In this study, in the first step, effects of cleaning, moisture content, storage temperature and time, on some physical (hectoliter, thousand seed weight, and bulk density) and microbial (total count of microorganisms and mold counts) properties of wheat grain variety n-80 was determined and then obtained data were simulated by two Artificial Neural Network models including multilayer perceptron and radial basis function with different threshold functions and the data predicted by the ANNs were compared with experimental data. Our results revealed that multilayer perceptron network model with one hidden layer, and a TanhAxon – TanhAxon function of stimulus for the physical characteristics, with a structure of (5-11-3) including 5 inputs, 11 neurons in the hidden layer, and 3 outputs, with epoch of 3000, and also for microbial characteristics, with a structure of (5-4-2) including 5 inputs, 4 neurons in the hidden layer, and 2 outputs, with epoch of 4000, were the best ANN models for data predicting compared with radial basis function networks. Determination coefficients (R2) of hectoliter, thousand seed weight, bulk density, total count of microorganisms and mold count in multilayer perceptron network were 0.95, 0.989, 0.908, 0.908, and 0.938, respectively. The hectoliter and bulk density decreased with increasing levels of moisture content, storage time and temperature while they were increased with the rise of cleaning level. Also, the total count of microorganisms and mold count increased with increasing levels of moisture content, storage temperature and time and decreased with increasing levels of cleaning.