|
علوم تغذیه و صنایع غذایی ایران، جلد ۷، شماره ۵، صفحات ۳۹۹-۴۰۷
|
|
|
عنوان فارسی |
مدلسازی سینتیک خشککردن پیاز در یک خشک کن بستر سیال مجهز به کنترل کننده رطوبت با استفاده از روشهای رگرسیونی، منطق فازی و شبکههای عصبی مصنوعی |
|
چکیده فارسی مقاله |
سابقه و هدف: مدل سازی سینتیک خشک شدن با استفاده از روشهای جدید مدل سازی از جمله منطق فازی و شبکه های عصبی مصنوعی می تواند به بهینه سازی فرایند و کاهش انرژی مصرفی کمک کند. در این پژوهش علاوه بر مدل سازی رگرسیونی، در رویکردی جدید اصول منطق فازی و شبکه های عصبی مصنوعی به صورت ترکیبی و مکمل هم به کار برده شده و مدلی فازی – عصبی ارائه ودر نهایت توپولوژی بهینه شبکه های عصبی مصنوعی برای خشک کردن پیاز معرفی شده و ماتریس های ضرایب وزنی آن داده شد. مواد و روش ها: در این پژوهش ورقه های نازک پیاز در یک خشک کن بستر سیال آزمایشگاهی با سه دمای 40، 50 و 60 درجه سانتیگراد و دو سرعت هوای 2 و 3 متر بر ثانیه در رطوبت هوای ثابت خشک گردید و جهت بررسی سینیتیک خشک کردن آن از سه روش مدلسازی رگرسیونی، منطق فازی و شبکه های عصبی مصنوعی استفاده شد. یافته ها: در روش مدلسازی تجربی با برازش داده های آزمایشگاهی حاصل با معادلات جبری شناخته شده مربوط به سینتیک خشک کردن، با استفاده از ابزار برازش منحنی نرم افزار MATLAB و تکنیک رگرسیون غیر خطی، مدل تقریب دیفوزیون با ضریب همبستگی 9999/0، ریشه میانگین مربعات خطای 004157/0 و مجموع مربعات خطای 0005702/0 از بین 9 مدل موجود به عنوان بهترین معادله جبری بین متغیرها تعیین گردید. برای شبیه سازی، درون یابی و افزایش نسبت های رطوبت اندازه گیری شده، از ابزار منطق فازی در نرم افزار MATLAB با بکارگیری مدل ممدانی در قالب قواعد اگر-آنگاه و توابع عضویت مثلثی استفاده شد و با وارد کردن نتایج مستخرج از مدل فازی در ابزار شبکه های عصبی مصنوعی، شبکه پس انتشار پیشخور با توپولوژی 2-5-1، و ضریب همبستگی 99956/0 و میانگین مربعات خطای 000039385/0 با بکارگیری تابع فعال سازی تانژانت سیگموئید هیپربولیکی، الگوی یادگیری لونبرگ – مارکوات و چرخه یادگیری 1000 اپچ به عنوان بهترین مدل عصبی ارائه گردید. نتیجه گیری: در مجموع می توان گفت ترکیب اصول منطق فازی و شبکه های عصبی مصنوعی روشی مناسب و قابل اطمینان برای مدل سازی و پیش بینی سینیتیک خشک کردن پیاز و محصولات مشابه می باشد. واژه های کلیدی: خشک کن بستر سیال، رگرسیون، شبکه های عصبی مصنوعی، مدلسازی، منطق فازی |
|
کلیدواژههای فارسی مقاله |
|
|
عنوان انگلیسی |
Modeling the drying kinetics of onion in a fluidized bed drier equipped with a moisture controller using regression, fuzzy logic and artificial neural networks methods |
|
چکیده انگلیسی مقاله |
Background and Objective: Kinetic modeling of drying through novel modeling techniques including fuzzy logic and artificial neural networks can help optimization of the process and reduce energy consumption. Our main goal was to apply combined modeling methods for the drying process of onions. Materials and Methods: In this research, thin layers of onion were dried in a laboratorial fluidized bed drier using three temperatures of 40, 50 and 60 C and two airflow speeds of 2 and 3 m/s in a constant air moisture. Three modeling methods including regression, fuzzy logic and artificial neural networks were applied to investigate the drying kinetics of the thin layer of this food. Results: In the empirical modeling, the curve fitting tool of MATLAB software and nonlinear regression technique were used. According to the obtained results, the Diffusion Approximation with the correlation coefficient of 0.9999, root mean square error of 0.004157 and sum of squares error of 0.0005702 showed the best fit with the experimental data among the 9 fitted model. For simulation, interpolation and increase of the measured moisture ratios, fuzzy logic tool of MATLAB software with the Mamdani fuzzy model in the form of If-Then rules and triangular membership function was used. By entering the obtained results from fuzzy model into the neural network tool, the Feed-Forward-Back-Propagation network with the topology of 2-5-1 and the correlation coefficient of 0.99956 and mean square error of 0.000039385 with application of hyperbolic tangent sigmoid transfer function, Levenberg–Marquardt learning algorithm and 1000 epoch was determined as the best neural model. Conclusion: In general, we can conclude, the combination of fuzzy logic and neural networks is a suitable and reliable method for modeling and prediction of drying kinetics of onion and similar product. Keywords: Fluidized bed drier, Regression, Artificial neural networks, Modeling, Fuzzy logic |
|
کلیدواژههای انگلیسی مقاله |
|
|
نویسندگان مقاله |
محمد گنجه | m ganjeh
سید مهدی جعفری | m jafari
فرید قنبری | f ghanbari
مسعود دزیانی | m dezyani
رقیه عزتی | r ezzati
مریم سلیمانی | m soleimani
|
|
نشانی اینترنتی |
http://nsft.sbmu.ac.ir/browse.php?a_code=A-10-1-343&slc_lang=fa&sid=fa |
فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
کد مقاله (doi) |
|
زبان مقاله منتشر شده |
fa |
موضوعات مقاله منتشر شده |
صنایع غذایی |
نوع مقاله منتشر شده |
پژوهشی |
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|