X
تبلیغات
انجمن علمی مکانیک کشاورزی دانشگاه جیرفت - پيش‌بيني متغيرهاي کیفی، انرژی و سینتیک خشك‌شدن شلتوك در شرایط بستر سيال به كمك شبكه ‌هاي پس انتشار

 

 

 

پيش‌بيني متغيرهاي کیفی، انرژی و سینتیک خشك‌شدن شلتوك در شرایط بستر سيال به كمك شبكه ‌هاي پس انتشار (کد مقاله 588)

رضا امیری چایجان[1] ، محمد هادی خوش تقاضا[2]

 

 

چكيده

       به منظور تخمين همزمان چهار متغير مؤثر در خشک‌کردن بستر سيال شلتوك از شبکه‌های عصبی مصنوعی استفاده شد.  پارامترهاي مؤثر در عملكرد خشك‌كن‌هاي بستر سيال شلتوك در شرايط آزمايشگاهي لحاظ شد. تعداد 274 آزمايش به وسيلة يك خشك‌كن آزمايشگاهي انجام شد. براي به دست آوردن متغيرهاي خروجي از روابط فيزيكي و ترموديناميكي استفاده شد. براي انجام آزمايش‌ها از دستگاه‌هاي آزمايشگاهي مختلف استفاده شد. نتايج بررسي‌ها نشان داد كه بهترين نتايج براي شبكة پس‌انتشار پيشرو با توپولوژي 4- 10- 11- 7، الگوريتم آموزش لونبرگ- مارکوارت و تابع آستانة لگاريتم ‌سيگموييد حاصل مي‌شود. با توپولوژي مذكور، مقدار خطاي مربعات ميانگين، 00051/0 بود. مقادير ضريب همبستگي براي پيش‌بيني متغيرهاي خروجي بين 9050/0 و 9570/0 به دست آمد. اعمال نويز به شبكة بهينه نشان داد كه پايداري شبكه مناسب است، به طوري كه افزايش متوسط خطا 47/1 درصد بوده است.

 

کلیدواژه: شلتوک، انرژی، شبکه‌های عصبی، خشک‌کردن


 مقدمه

افزايش مصرف سرانة برنج در ايران، ضرورت بهینه‌سازی سیستم‌های فراوری و تولید برنج را به منظور کاهش ضایعات و افزایش تولید نشان می‌دهد. لازمة دستیابی به این هدف، در نظرداشتن دو راهبرد است. راهبرد اول، افزایش بهره‌وری سیستم‌های موجود و قدیمی است که در سطح وسیعی از نقاط کشور در حال کار هستند و راهبرد دوم، ارائه و اجرای برنامة میان‌مدت و بلندمدت در راستای بکارگیری روشها و سیستمهای نوین در زمینة تکنولوژی پس از برداشت برای فراوری و تولید برنج است. شلتوک در محدودة رطوبتی 16 تا 28 درصد پایة تر برداشت می‌شود که بستگی به روش برداشت، رقم و موقعیت مکانی آن دارد. در شرایط کلی، در رطوبت برداشت بالاتر، عملکرد تبدیل شلتوک به برنج سفید افزایش می‌یابد. در حالی که در میزان رطوبت پایین‌تر، انرژی لازم برای خشک‌کردن کاهش می‌یابد [5].

شلتوک برداشت شده، پس از کاهش قابل توجه میزان رطوبت در مزرعه (روش برداشت سنتی) یا بلافاصله پس از برداشت (روش برداشت مکانیزه) برای انجام عملیات تبدیل به کارخانه شالیکوبی منتقل می‌شود. محققان توصیه می‌کنند که برای ذخیره‌سازی، رطوبت شلتوک می‌بایست حدود 13 درصد (پایة تر) باشد و برای انجام عملیات تبدیل نیز بهتر است رطوبت شلتوک (بسته به نوع رقم شلتوک) بین 10 تا 13 درصد (پایة تر) باشد [26].

یکی از سیستم‌های نوین خشک‌کردن شلتوک، خشک‌کن بستر سیال است که یافتن نقطة بهینة آن نیز می‌تواند در طراحی، ساخت و کاربرد این سیستم برای بهبود شاخص‌های کیفی خشک‌کردن شلتوک، زمینة ورود آن را به صنعت برنج کشور فراهم کند. فنّاوری سیال‌سازی یکی از روشهایی است که به طور گسترده در خشک‌کردن مواد غذایی و کشاورزی  استفاده می‌شود.  روش بستر سیال به عنوان یک روش آرام و یکنواخت خشک‌شدن شناخته شده است که قابلیت کاهش رطوبت مواد را با بازدة بالا دارد. در فرایند خشک‌کردن شلتوک، عواملی مانند دمای هوای ورودی، رطوبت نهایی شلتوک، رطوبت اولیة شلتوک، دبی هوای ورودی، رطوبت نسبی و دمای هوای محیط و عمق شلتوک بر روی ایجاد ضایعات برنج، سینتیک خشک‌شدن و میزان مصرف انرژی مؤثرند. توسعة یک مدل ریاضی برای پیش‌بینی متغیرهای وابستة این مسأله در ارتباط با همة متغیرهای مستقل بسیار مشکل است. اگر چه برخی روش‌ها برای پیش‌بینی شاخص‌های کیفی، سینتیک و مصرف انرژی توسعه یافته است ولی داراي دقت مناسبي نيستند [4].

روش متداول برای بررسی شرایط فراوری پارامترهای کیفی محصولات کشاورزی، روش‌های آماری است. در این روش واقعیت پدیده به کمک یک معادلة جبری بیان می‌شود که فرضیات اصلی مسأله در آن لحاظ شده است. تحلیل آماری مسائل حرارتي مستلزم ارائة تعدادی روابط ریاضی است که اغلب برای استفاده و تفسیر مشکل است. امروزه با توسعة سریع فنّاوری‌های پردازش رایانه‌ای و ایجاد نرم‌افزارهای مربوطه، از مزایای فناوری هوش مصنوعی مانند شبکه‌های عصبی برای حل مسائل مربوط به مدل‌سازی سیستم‌ها و فرایندها و استفاده می‌شود. یک شبکة عصبی مصنوعی، مجموعه‌ای از عناصر محاسباتی متصل به همدیگر است که شبیه نرونهای زیستی است. این مجموعه قادر است بدون هیچ دانش قبلی ارتباط ذاتی موجود میان داده‌های مسأله را کشف و در خود حفظ کند [10].

پژوهشگران بسياري از روشهاي آزمايشي، آماري و رياضي براي تحليل، پيش‌بيني و مدلسازي متغيرهاي خشك‌كن‌هاي بستر سيال اقدام كردند كه برخي از آنها عبارتند از: جينر و دي‌ميشليز (1988)، پراساد و همكاران (1994)؛ دي متيا و همكاران (1996)؛ سوپونروناریت (1999)؛ تمپل و همكاران (2000)، صادقي (1383)؛ جاروس و پابيس (2006).

محققين بسياري نيز از شبكه‌هاي عصبي مصنوعي براي دستيابي به اهداف مورد نظر در زمينه‌هاي كشاورزي استفاده كرده‌‌اند كه برخي از آن ها عبارتند از: اسلام و همكاران (2003) براي پيش بيني نرخ خشك كردن قطعات سيب زميني، زانگ و همكاران (2002) براي پيش بيني شاخصه هاي خشك كردن شلتوك از پارامتر هاي موثر در خشك كردن به روش بستر ثابت، كوبيلوس و ريز (2003) براي پيش بيني ميزان رطوبت خروجي در فرايند خشك كردن هويج، ارنتورك و همكاران (2004) براي مدلسازي ديناميكي خشك‌كردن لاية نازك گياه اگناسه آنگوستيفوليا (يك گياهي دارويي)‌، ارنتورك و ارنتورك (2007) در فرايند خشك كردن لاية نازك هويج، مارتيننكو و يانگ (2006) براي تعيين آهنگ خشك كردن ريشة درخت جنسه و پونوي و همكاران (2006 و 2007) براي پيش‌بيني نسبت رطوبتي قارچ و پيش بيني دما و رطوبت ورقه‌هاي نازك گوجه‌فرنگي در يك خشك‌كن ميكرويو خلائي.

با توجه به ضرورت‌های بیان شده، هدف اين تحقيق عبارت است از: ایجاد ارتباط بین متغیر‌های مستقل مؤثر در فرایند خشک‌کردن شلتوک به روش بستر سيال با شاخص‌های کیفی، انرژی، سینتیک خشک‌کردن و ظرفيت خشك‌كن در شرایط بستر ثابت آزمایشگاهی به عنوان روش خشک‌کردن متداول و یافتن شبکة عصبی با توپولوژی مناسب به منظور پیش‌بینی متغيرهاي مستقل در خشک‌کردن شلتوك.

مواد و روش­ها

انتخاب پارامترهاي ورودي و خروجي

برای ارزیابی خشک‌کن‌ها، چهار متغیر ظرفیت کاری خشک‌کن از نظر میزان محصول خشک‌شده، کیفیت سینتیک خشک‌شدن، میزان انرژی مصرفی و شاخص کیفی مورد بررسی قرار گرفت. پس از اتمام هر آزمایش خشک‌کردن شلتوک و مشخص شدن زمان خشک‌شدن و میزان رطوبت نهایی برای هر الگوی آموزشی، متغیرهای در نظر گرفته شده عبارت بودند از: آهنگ خروج محصول به عنوان معیار ظرفیت خشک‌کن، آهنگ تبخیر به عنوان کیفیت سینتیک خشک‌شدن، مصرف ویژة انرژی به عنوان شاخص انرژی و ضریب تبدیل شلتوک به عنوان شاخص کیفی.

متغیرهای خروجی مذکور به کمک روابط زیر محاسبه می‌شود [6،19، 22]:

 (1)                        

 (2)                         

(3)          

(4)                       

در این روابط، POR آهنگ خروج محصول (kg/m2.s)،  جرم محصول خشک‌شده (kg)،  سطح مقطع خشک‌کن (m2)، t زمان خشک‌شدن (s)،  ER آهنگ تبخیر (kgv/m2.s)،  جرم رطوبت تبخیرشده (kg)، SCE مصرف ویژة انرژی (J/kgv)،  دبی هوای ورودی به محفظه (m3/s)،  و  به ترتیب ظرفیت گرمای ویژة هوا و بخار ((J/kg°C،  رطوبت مطلق هوا (هوای خشک/kgبخارkg)،  دمای هوای ورودی به محفظه (°C) ،  دمای هوای محیط (°C) و حجم ویژة هوا (m3/kg) است. مقادیر گرمای ویژة هوا و بخار بترتیب برابر با 16/1004  و ((J/kg °C 8/1828 است، HRY ضریب تبدیل شلتوک (درصد)،   HR  وزن برنج سفید سالم (g) و RW وزن شلتوک اولیه (g) است.

بررسی مطالعات گذشته نشان می‌دهد که عوامل متعددی در عملکرد خشک‌شدن شلتوک و متغیرهای خروجی نقش تعیین‌کننده‌ای دارند. مهمترین این عوامل عبارت است از: عمق بستر شلتوک (db)، دمای هوای محیط (Ta)، رطوبت نسبی هوای محیط (RHa)، دمای هوای ورودی به محفظة خشک‌کن (Tin)، میزان رطوبت اولیة شلتوک (MCin)، میزان رطوبت نهایی شلتوک (MCf)، سرعت هوای ورودی (Vin) [2، 6، 24] .

خشک‌کن آزمایشگاهی

   برای انجام آزمایش‌های بستر ثابت و سیال از خشک‌کن بستر سیال آزمایشگاهی که توسط صادقی و همکاران (1383) ساخته شده است، استفاده شد (شکل 1).  اين خشك‌كن مجهز به دمنده‌اي سانتريفيوژي با پره‌هاي عقبگرد و موتور متحرک سه‌فاز، قدرت  hp2 و دور  rpm2800 است. یک کورة حرارتی هوای گرم را تامين مي‌كند. محفظة خشک‌کن دارای سطح مقطع m2 16/0×16/0 بوده و از جنس پلکسی‌گلاس شفاف است.

شكل1- نماي كلي خشك­كن آزمايشگاهي (1- رايانه، 2 و 3- منبع تغذيه، اتصال حسگرها و سيستم كنترل، 4- دمنده، 5- اينورتر، 6- كوره حرارتي، 7- فشارسنج، 8- بادسنج، 9- محفظة خشك­كن 10و 11- حسگر دما، و 12- حسگر رطوبت نسبي)

روش و دستگاههاي آماده سازي نمونه‌ها

شلتوک پس از برداشت به وسیلة کمباین برنج، در کیسه‌های پلاستیکی بزرگ نگهداري شد. برای جلوگیری از کاهش رطوبت شلتوک، دَرِ پلاستیک، محکم بسته شد و در دمای C° 4 در سردخانه نگهداری شد. قبل از انجام آزمایش‌های خشک‌کردن، نمونه‌های شلتوک از یخچال خارج شده و به مدت حدود 12 ساعت در دمای اتاق (حدود C° 20) به تعادل دمایی می‌رسید. برای تعیین رطوبت شلتوک از نمونه‌های 10 گرمی استفاده شد که به مدت 24 ساعت و دمای C°130 در اجاق آزمایشگاهی قرار داده شد.

از يك دستگاه پوست كن شلتوك مشابه سازي شده از مدل ST50 شرکت یانمار ژاپن، برای انجام آزمایش‌ها استفاده شد. دستگاه مذكور داراي دو غلتک لاستیکی دوار است [1]. برای سفیدکردن نمونه‌های آزمایشی به منظور محاسبة ضریب تبدیل، از یک سفید‌کن آزمایشگاهی ساخت شرکت KETT ژاپن مدل PEARLEST استفاده شد. پس از خارج‌کردن نمونه‌های سفید‌شده، برنج سفید سالم و شکسته به روش دستی جدا شده و وزن آن ثبت می‌‌شود.

برای اندازه‌گیری رطوبت نسبی هوای اتاق خشک‌کن از یک رطوبت‌سنج Lutron HT-3005 ساخت کشور تایوان استفاده شد. برای اندازه‌گیری دمای محیط از یک دماسنج دیجیتالی Lutron TM-915 ساخت کشور تایوان استفاده شد. به منظور اندازه‌گیری افت فشار ناشی از ستون بستر مواد در داخل محفظة خشک‌کن از یک فشارسنج دیجیتالی Testo 505-P1 ساخت کشور آلمان استفاده شد. برای اندازه‌گیری دبی هوای خروجی از محفظة خشک‌کن، از یک سرعت‌سنج پره‌ای Lutron A-M-4202 ساخت کشور تایوان استفاده شد.

روش انتخاب سرعت‌های هوای اعمال‌شده به بستر شلتوک

پس از انجام آزمایش‌های سیال‌سازی، منحنی‌های مشخصة سرعت هوا-افت فشار تحت شرایط مذکور سيال برای عمق‌های 5، 5/12 و  cm20 به دست آمد که نتایج آن  در جدول 1 ارائه شده است.

آموزش برای شبکه‌های عصبی مصنوعی

ساختار عمومی شبکه‌های عصبی چندلایه در شکل 2 نشان داده شده است. لایة اول هفت نرون دارد که برابر با تعداد ورودی‌ها است. لایة دوم، لایة پنهان اول است و لایة سوم ،لایة پنهان دوم است. محدوده آزمایش ها در جدول 2 نشان داده شده است. به منظور بررسی و ارزیابی شبکه‌های مختلف، پایگاه داده‌ای به دو قسمت تقسیم شد: آموزش  و ارزیابی. حدود 25 درصد کل الگوها (68 آزمایش) براي ارزيابي شبكه هاي آموزش ديده استفاده شد. نرم‌افزارNeural Networks Toolbox MATLAB 7 (ver. 4.01) براي طراحي و ارزيابي شبكه هاي عصبي مصنوعي مختلف استفاده شد.


 

جدول1- مقادیر سرعت انتخاب‌شده از منحنی‌های سرعت هوا- افت فشار برای انجام آزمایش‌های بستر سیال

 

 

 

 

 

پارامتر

عمق (m)

9/7

7

6/6

1/3

5/1

سرعت هوا (m/s)

5

2800

2400

2000

1500

1100

دور موتور (rpm)

 

-

7/7

3/7

7/5

3/2

سرعت هوا (m/s)

5/12

-

2800

2400

2000

1600

دور موتور (rpm)

 

-

-

5/6

1/4

7/1

سرعت هوا (m/s)

20

-

-

2800

2400

2000

دور موتور (rpm)

 

 

شکل 2- ساختار عمومی شبکة عصبی مصنوعی مورد استفاده

برای پردازش داده‌ها، از شبکه‌های متعدد استفاده شد كه عبارتند از:

الف) شبکه های پس انتشار پیشخور (FFBP): ساختار ایستایی (غیر وابسته به زمان) این شبکه در مسائل مهندسی و محاسبات علمی کاربرد دارد [15]. نرون‌ها که عناصر پردازشگر سیگنال هستند از طریق اتصالات سیناپسی بین لایه‌ای پیشخور به هم متصل می‌شوند. ارتباط ورودی-خروجی ممکن است به وسیلة توابع نگاشت (توابع آستانه) غیرخطی انجام شود. الگوریتم پس‌انتشار خطا روش اصلی برای بهنگام‌سازی وزن‌های شبکة FFBP برای انجام محاسبات است. لایة اول، لایة ورود اطلاعات است و هیچ‌گونه پردازشی در این لایه انجام نمی‌شود. لایة آخر لایة خروجی شبکه بوده و کاربر یا سیستم کنترل می‌تواند اطلاعات پردازش‌شده را دریافت کند.

ب) شبکه‌های پس‌انتشار پیشرو (CFBP): این شبکه‌ها نیز مانند شبکة پس‌انتشار پیشخور از الگوریتم پس‌انتشارخطا برای بهنگام‌سازی وزنها استفاده می‌کند ولی خصوصیات اصلی شبکة مذکور این است که نرونهای هر لایه به همة نرونهای لایه‌های قبل متصل ‌است. توابع آستانه و الگوریتم‌های بکار گرفته شده برای شبکة پس‌انتشار پیشرو مشابه شبکة پس‌انتشار پیشخور است. نکتة قابل توجه این است که به دلیل افزایش پیوندهای بین‌نرونی، شبکة بکار رفته پیچیده‌تر می‌شود، زیرا حجم محاسبات آن افزایش می‌یابد [8].

ج)شبکة اِلْمان (EN): این شبکه یکی از شبکه‌های بازگشتی است و جزء شبکه‌های پس‌انتشار به شمار می‌رود که یک پیوند پسخوردی از خروجی لایة پنهان به ورودی آن دارد. این مسیر بازخوردی برای شبکة المان این امکان را فراهم می‌کند تا الگوهای موقتی را مانند الگوهای دائمی فرا بگیرد [11]. فاصة الگوريتم يادگيري به كار رفته براي شبكة المان نيز، پس انتشار است و توابع آستانه و الگوريتم‌هاي به كار رفته براي شبكةالمان نيز مانند دو شبكة اخير است.


 

جدول2- محدودة در نظر گرفته شده برای متغیرهای مستقل در شرایط بستر سيال

عمق‌شلتوک(cm)

دمای هوای محیط(°C)

رطوبت نسبی هوای‌محیط(%)

دمای هوای ورودی(°C)

رطوبت اولیة شلتوک(%w.b.)

رطوبت نهایی شلتوک(%w.b.)

سرعت هوای ورودی(m/s)

پارمتر

سطوح

5

20

40

40

9/14

10

47/1

کمینه

20

30

90

70

22

14

9/7

بیشینه

3

3

6

4

-

3

5

تعداد سطوح

 

بررسی قابلیت تعمیم‌ شبکة عصبی آموزش‌دیده، آخرين مرحله در توسعة مدل شبکة عصبی مصنوعی است. براي يافتن شبكه‏اي با معماري مناسب به كمك الگوريتم‏هاي آموزشي، از معيار خطاي مربعات ميانگين استفاده مي‏شود[15]:

(5)                    

كه در آن،  خطاي مربعات ميانگين،  خروجي شبكه در نرون iام و الگوی pام،  خروجي هدف در نرون iام و الگوی pام،  تعداد الگوها،  تعداد نرون‌های لایة خروجی،  N تعداد نرونهاي خروجي و M تعداد الگوهاي آموزشي است.  هدف آن است که میزان این خطا به کمترین مقدار ممکن برسد.

برای ارزیابی یادگیری شبکه‌های عصبی و حصول بهترین نتایج، از چندین معیار استفاده شد. مقادیر آماری برای‌ارزیابی قابلیت تعمیم‌ عبارتند از ضریب تعیین (R2)، خطاي مطلق ميانگين  ( )، انحراف معيار خطاي مطلق ميانگين  ( )، خطای نسبی میانگین ( ) و انحراف معیار خطای نسبی میانگین ( )که  به ترتیب از روابط زیر محاسبه می‌شوند:

 (6)                  ,       

(7)                               

(8)                                        

(9)                                  

(10)               

در این رابطه‌ها،  مقدار پیش‌بینی‌شده به وسیلة شبکة عصبی مصنوعی برای الگوی kام،  مقدار هدف (آزمایشی) برای الگوی kام،  میانگین مقادیر پیش‌بینی‌شده و n تعداد الگوهای آموزشی است.

توابع آستانة مختلفي براي يافتن حالت بهينة شبکه‌ها مورد ارزيابي قرار گرفت كه عبارتند از: تابع سيگموييد لگاریتمی، تابع خطي و تابع تانژانت هايپربوليك سیگمویید، همچنین الگوریتم‌ آموزش بکار‌رفته برای بهنگام‌سازی وزنهای شبكه‌ها، الگوريتم لونبرگ-ماركوارت (LM) است كه بر مبنای ماتریس هسین است و به شبکه اجازه می‌دهد تا با دقت بیشتری الگوها را فرا بگیرد. براي هنجار‌سازی تمامی عناصر موجود در یک الگو، داده‌های مربوطه به دامنه‌های [1و0] و [1، 1-] تبديل شدند.

نتايج و بحث

سه شبکة FFBP، CFBP و EN برای به دست آوردن جواب مناسب به‌کار رفت. کاربرد الگوریتم LM با سه شبکة مذکور نشان داد که بهترین نتیجه مربوط به شبکة FFBP، تابع آستانة TANSIG و توپولوژی 4-10-11-7 است. خطای آموزش آن 00051/0 است که بهترین توپولوژی در میان توپولوژی‌های مورد آزمایش است (جدول 3). مقادیر R2، ، ،  و  برای هر چهار متغیر و الگوهای ارزیابی وضعیت مناسبی دارد. اختلاف اندک بین مقادیر ارزیابی بیانگر یادگیری مناسب شبکة طراحی‌شدة بهینه است. روند یادگیری شبکة طراحی‌شدة بهینه در شکل 3 نشان داده شده است. همچنان که ملاحظه می‌شود تا ششمين چرخة آموزش، روند یادگیری الگوهای آموزش، ارزیابی و اعتبارسنجی بسیار به هم نزدیک است. ولی پس از آن اندکی واگرایی مشاهده می‌شود. لیکن بعد از چرخة آموزش شش، مقدار MSE الگوهای آموزش کاهش می‌یابد و به 00051/0 می‌رسد. با این وجود مقادیر معیارها برای الگوهای ارزیابی مناسب است.

جدول 3- نتیجة حاصل از  بکارگیری الگوریتم یادگیری BR، تابع آستانة TANSIG در شبکة FFBP با توپولوژی4-10-11-7

MSE

 

R2

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

چرخة آموزش

00051/0

9156/0

9050/0

9312/0

9570/0

023/0

524

0002/0

98/3

025/0

458

0002/0

53/7

30/9

52/10

55/8

81/8

13/11

28/13

36/10

13/10

12

 

 

شکل3- چگونگی یادگیری شبکة CFBP، الگوریتم یادگیری LM، تابع آستانة TANSIG با توپولوژی 4-10-11-7

به منظور بررسی پایداری شبکة مذکور نیز نویزی تصادفی با دامنه‌ای برابر با 10± درصد دامنة الگوهای ورودی به آنها افزوده شد. نتايج نشان داد که شبکة مذکور پایداری مناسبی و قابلیت اعتماد بالایی در مواجهه با الگوهای ناشناخته دارد. زیرا مقادیرMSE،R2 ، خطاها و انحراف ‌معیارها تغییرات ناگهانی نداشتند (جدول 4). نتایج مربوطه همچنين بیانگر عدم وراآموزی شبکه است، زیرا با اعمال نویز به شبکه، قدرت پیش‌بینی آن کاهش قابل ملاحظه‌ای را نداشته است. به طوري كه مقدار متوسط براي چهار متغير از مقدار 25/9% در قبل از اعمال نويز به 77/10% بعد از اعمال نويز رسيده است كه افزايش 47/1 درصدي خطا را نشان مي‌دهد.

جدول 4- نتیجة حاصل از اعمال نویز در بکارگیری الگوریتم یادگیری LM، تابع آستانة TANSIG در شبکة FFBP با توپولوژی

 4-10-11-7

MSE

 

R2

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

(HRY

SCE

ER

POR)

چرخة آموزش

00077/0

8831/0

8792/0

9025/0

9242/0

028/0

633

0003/0

51/4

031/0

585

0003/0

11/8

22/11

52/12

13/10

2/9

32/13

28/15

22/13

33/11

19

 

منابع مورد استفاده

  1. پیمان، م. ح.، توکلی هشجین، ت. و مینایی، س.1379. تعیین فاصلة مناسب بین غلطک‌ها در پوست‌کن غلطک لاستیکی برای تبدیل سه رقم برنج متداول در استان گیلان. مجلة علمی پژوهشی علوم کشاورزی، 20 (5): 48-37.
  2. کیانمهر، م. 1380. بررسی عوامل مؤثر فیزیکی در ترک‌خوردگی شلتوک در خشک‌کن با جریان معکوس‌شوندة هوا. رسالة دکتری مهندسی مکانیک ماشین‌های کشاورزی. دانشكدة كشاورزي. دانشگاه تربیت مدرس.
  3. صادقی، م. 1383. بررسی تاثیر ارتعاش بر عملکرد خشک‌کنهای بستر سیال برای خشک‌کردن چای. رسالة دکتری مهندسی مکانیک ماشین‌های کشاورزی. دانشكدة كشاورزي. دانشگاه تربیت مدرس.
  4. Bonazzi, C. Du Peuty, M.A. and Themelin, A. 1997. Influence of drying conditions on the processing quality of rough rice. Drying Technology, 3&4 (15): 1141-1157.
  5. Brooker, D.B., Bakker-Arkema, F.W. and Hall, C.W. 1992. Drying and Storage of Grain and Oilseeds. New York: Van Nostrand Reinhold.
  6. Chen, H. Siebenmorgen, T.J. and Marks, B.P. 1997. Relating drying rate constant to reduction of long-grain head-rice yield. Transactions of the ASAE, 40(4): 1132-1139.
  7. Cubillos, F. and Reyes, A. 2003. Drying of Carrots in a fluidized bed. II. Design of a model based on a modular neural network approach. Drying Technology, 21(7): 1185-1196.
  8. Demuth, H. and Beale, M. 2003. Neural Network Toolbox for Matlab- Users Guide Version 4.1. Natrick: The Mathworks Inc.
  9. DiMattia, D.G., Amyotte, P.R. and Hamdullahpur, F. 1996. Fluidized bed drying of large particles. Transactions of the ASAE, 39(5): 1745-1750.
  10. Farkas, I. Remenyi, P. and Biro, A. 2000. Modeling aspects of grain drying with a neural network. Computer and Electronics in Agriculture, 29: 99-113.
  11. Elman J L, 1990. Finding structure in time. Cognitive Sciences 14:179-211.
  12. Erenturk, K., Erenturk, S. and Tabil, L.G. 2004. A comparative study for the estimation of dynamical drying behavior of Echinacea Angustifolia: regression analysis and neural network. Computer and Electronics in Agriculture, 45: 71-90.
  13. Erenturk, S. and Erenturk, K. 2007. Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering, 78: 905-912.
  14. Giner, S.A. and DeMichelis, A. 1988. Evaluation of the thermal efficiency of wheat drying in fluidized bed: Influence of air temperature and heat recovery. Journal of Agricultural Research, 41: 11-23
  15. Heristev, R.M. 1998. The ANN Book. GNU Public License. USA.
  16. Islam, M.R. Sablani, S.S. and Mujumdar, A.S. 2003. An artificial neural network model for prediction of drying rates. Drying Technology, 21(9): 1867-1884.
  17. Jaros, M. and Pabis, S. 2006. Theoretical models for fluidized bed drying of cut vegetables. Biosystems Engineering, 93(1): 45-55.
  18. Martynenko, A.I. and Yang, S.X. 2006. Biologically inspired neural computation for ginseng drying rate. Bisystems Engineering, 95(3): 385-396.
  19. Mc Cabe, L.W., Smith, J. C. and Harriot, P. 1988. Unit Operation of Chemical Engineering. New York: Mc Grow Hill Book Company. USA.
  20. Poonnoy, P., Tansakul, A. and Chinnan, M., 2006. Estimation of moisture ratio of a mushroom undergoing microwave vacuum drying using artificial neural network and regression models. Proceeding of the international conference on innovations in food and bioprocess technologies. December 12-14. Pathumthani-Thailand, Pp. 477-491.
  21. Poonnoy, P., Tansakul, A., and Chinnan, M. 2007. Artificial neural network modeling for temperature and moisture contentprediction in tomato slices undergoing microwave vacuum drying. Journal of Food Sciences, 72(1): 42-47.
  22. Prasad, B.V.S., Chandra. P.K. and Bal, S. 1994. Drying parboiled rough rice in stationary, semi-fluidized and fluidized conditions. Transactions of the ASAE, 37(2): 589-594.
  23. Soponronnarit, S. 1999 . Fluidized bed paddy drying. Science Asia, 25:51-56.
  24. Sun, Z.H. and Siebenmorgen, T. 1993. Milling characteristics of various rough rice kernel thickness fractions. Cereal Chemistry, 70(6): 727-733.
  25. Temple, S.J., Tambala, S.T. and Van Baxtel, A.J.B. 2000. Monitoring and control of fluid bed drying of tea. Control Engineering Practice, 8:165-173.
  26. Teter, N. 1987. Paddy Drying Manual. Rome: Food and Nutrition Series (FAO). Italy.
  27. Zhang, Q., Yang, S.X., Mittal. G.S. and Yi, S. 2002. Prediction of performance indices and optimal parameters of rough rice drying using neural network. Biosystems Engineering, 83(3): 281-290.

 



1- استادیار مهندسی مکانیک ماشینهای کشاورزی، دانشگاه بوعلی سینا همدان، پست الکترونیک: amirireza@basu.ac.ir

2- دانشیار مهندسی مکانیک ماشینهای کشاورزی، دانشگاه تربیت مدرس

+ نوشته شده توسط دانشجو در و ساعت 12 PM |