تخمين ضريب تبديل شلتوك با استفاده از شبكه هاي عصبي مصنوعي در خشك كردن بستر سيال

Estimation of Head Rice Yield Using Artificial Neural Networks for Fluidized Bed Drying of Rough Rice

هدف از اين پژوهش، براورد ضريب تبديل شلتوك به برنج سفيد در خشك كردن بستر سيال به كمك شبكه هاي عصبي مصنوعي است. هفت عامل موثر در عملكرد خشك كن هاي بستر سيال به عنوان متغيرهاي مستقل براي شبكه عصبي مصنوعي در نظر گرفته شد. اين متغيرها عبارت اند از رطوبت نسبي هواي محيط، دماي هواي محيط، سرعت هواي ورودي، عمق بستر شلتوك، دماي هواي ورودي، رطوبت اوليه و رطوبت نهايي شلتوك. تعداد 274 آزمايش براي ايجاد الگوهاي آموزش و ارزيابي به وسيله يك خشك كن آزمايشگاهي انجام گرديد. سپس نمونه هايي از محفظه خشك كن جدا و عمليات پوست كني و سفيد كردن با دستگاه هاي آزمايشگاهي انجام گرفت. ضريب تبديل ميانگين، به عنوان ضريب تبديل آزمايش منظور شد. از شبكه ها و الگوريتم هاي يادگيري متعدد براي آموزش الگوهاي موجود استفاده شد. نتايج بررسي ها نشان داد كه شبكه پس انتشار پيشر و با توپولوژي 7-13-7-1 و الگوريتم آموزش لونبرگ – ماركوارت و تابع آستانه تانژانت سيگموييد قادر است راندمان تبديل شلتوك را به برنج سفيد با ضريب تعيين 95.48 درصد و خطاي متوسط مطلق 0.019 در شرايط مختلف خشك كردن شلتوك در گستره بستر سيال پيش بيني نمايد هم چنين نتايج نشان داد كه دماي هواي ورودي و ميزان رطوبت نهايي شلتوك، بيشترين تاثير را بر ضريب تبديل شلتوك به برنج سفيد در خشك كردن بستر سيال دارند.

The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture content and inlet air temperature. In aggregate, 274 drying experiments were conducted for creating training and testing patterns by a laboratory dryer. Samples were collected from dryer, and then dehulling and polishing operations were done using laboratory apparatus. HRY was measured at several different depths , average of which was considered as HRY for each experiment. Three networks and two training algorithms were used for training presented patterns. Results showed that the cascade forward back propagation algorithm with topology of 7- 13-7-1 and Levenberg-Marquardt training algorithm and activation function of Sigmoid Tangent predicted HRY with determination coefficient of 95.48% and mean absolute error 0.019 in different conditions of fluidized bed paddy drying method. Results showed that the input air temperature and final moisture content has the most significant effect on HRY.