مدل‌سازی سینتیک جذب رطوبت دانه جو با استفاده از مدل ویسکوالاستیک و شبکه‌های عصبی مصنوعی

ماشین های کشاورزی

مقاله 5، دوره 5، شماره 2 - شماره پیاپی 10، 1394، صفحه 270-280   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v5i2.28305

نویسندگان

معین کمالی؛ سید جلیل رضوی^* ؛ مرتضی صادقی؛ سید مجتبی شفاعی

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران

چکیده

در این تحقیق پیش‌بینی مقدار جذب رطوبت سه رقم جو (ریحان03، فجر و MB862) در فرآیند غوطه‌وری با استفاده از مدل ریاضی و شبکه عصبی مصنوعی مورد بررسی قرار گرفت. آزمایش‌ها در سه دمای 10، 20 و 45 درجه سانتی‌گراد و در سه تکرار برای هر نمونه با آب مقطر انجام شد. مقدار جذب رطوبت دانه‌ها با اندازه‌گیری تغییر وزن دانه‌ها محاسبه گردید. از مدل ویسکوالاستیک که توانایی خوبی در تحلیل فاز اول و دوم جذب رطوبت در فرآیند خیساندن محصولات کشاورزی را دارد، استفاده گردید. در طراحی شبکه عصبی از دو روش پرسپترون چندلایه (MLP) و تابع شعاع مبنا (RBF) با سه لایه نورون استفاده شد. لایه اول، لایه ورودی که متغیرهای مستقل دما و زمان و لایه دوم، لایه‌های مخفی شبکه و لایه سوم، لایه خروجی که متغیر وابسته محتوای رطوبتی می‌باشد، انتخاب گردید. به‌منظور اعتبارسنجی پیش‌بینی مدل ویسکوالاستیک و شبکه عصبی به‌ترتیب از شاخص‌های آماری بیشترین ضریب تبیین (R2) و کمترین ریشه میانگین مربعات خطا (RMSE) استفاده شد. نتایج نشان داد که روش پرسپترون چندلایه به‌دلیل ساختار یادگیری پس از انتشار خطا، با الگوریتمBFGS و ساختار شبکه 1-4-2 بهترین نتایج را برای هر سه رقم جو در مقابل مدل ریاضی ویسکوالاستیک حاصل نمود. ترسیم نمودارهای سه بعدی محتوای رطوبت لحظه‌ای بر پایه متغیرهای دما و زمان براساس پیش‌بینی شبکه عصبی انتخاب شده برای هر سه رقم واریته آزمایشی نشان داد که با افزایش دما و زمان غوطه‌وری، رطوبت جذب شده افزایش یافت.

کلیدواژه‌ها

الگوریتم آمورش؛ پرسپترون چند لایه؛ تابع شعاع مبنا؛ غوطه وری؛ محتوای رطوبت

مراجع

1. Abu-Ghannam, N., and B. Mckenna. 1997. Hydration kinetics of kidney beans (Phaseolus vulgaris L.). Journal of Food Science 62 (3): 520-523.

2. ASAE. 1999. ASAE Standards, 46th ed. 1999. S352.2: Moisture measurement - unground grain and seeds. St. Joseph, Mich.: ASAE.

3. Dayhoff, J. E. 1990. Neural Network Principles. Prentice-Hall International, U.S.A.

4. Fletcher, R. 1987. Practical methods of optimization (2nd ed). New York: Wiley.

5. Heristev, R. M. 1998. The ANN Book. GNU Public License. USA.

6. Hunt, C. W. 1996. Factors affecting the feeding quality of barley for ruminants. Animal Feed Science and Technology 62 (1): 37-48.

7. Kashaninejad, M., A. M. Dehghani, and M. Khashiri. 2009. Modeling of wheat soaking using two artificial neural networks (MLP and RBF). Journal of Food Engineering 91 (4): 602-607.

8. Khanna, T. 1990. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A.

9. Khazaei, J., and S. Daneshmandi. 2007. Modeling of thin-layer drying kinetics of sesame seeds: mathematical and neural networks modeling. International Agrophysics 21 (4): 335-348.

10. Khazaei, J., and N. Mohammadi. 2009. Effect of temperature on hydration kinetics of sesame seeds (sesamum indicum L.). Journal of Food Engineering 91 (4): 542-552.

11. Maskan, M. 2002. Effect of processing on hydration kinetics of three wheat products of the same variety. Journal of Food Engineering 52 (4): 337-341.

12. McWatters, K. H., M. S. Chinnan, R. D. Phillips, L. R. Beuchat, L. B. Reid, and R. M. Mensa-Wilmot. 2002. Functional, nutritional, mycological and akara-making properties of stored cowpea meal. Journal of Food Science 67 (6): 2229-2234.

13. Mohsenin, N. N. 1986. Physical properties of plant and animal materials. 2nd ed. Gordon Breach Science, Publ; New York.

14. Peleg, M. 1988. An empirical model for the description of moisture sorption curves. Journal of Food Science 53 (4): 1216-1217.

15. Ranjbari, A., M. Kashaninejad, M. Alami, and M. Khomeiri. 2011. Effect of ultrasound pretreatment on water absorption characteristic of pea during steeping process. Electronic Journal of Food Processing and Preservation 2 (1): 91-105. (In Farsi).

16. Sayar, S., M. Turhan, and S. Gunasekaran. 2001. Analysis of chickpea soaking by simultaneous water transfer and water-starch reaction. Journal of Food Engineering 50 (2): 91-98.

17. Shafaei, S. M., and A. A. Masoumi. 2014a. Estimating moisture absorption kinetics of beans during soaking using mathematical models. Agricultural Engineering International: CIGR Journal 16 (3): 230-237.

18. Shafaei, S. M., and A. A. Masoumi. 2014b. Studying and modeling of hydration kinetics in chickpea seeds (Cicer arietinum L.). Agricultural Communications 2 (2): 15-21.

19. Shafaei, S. M., and A. A. Masoumi. 2014c. Use of viscoelastic model to describe water absorption of beans during soaking. Acta Horticulture (ISHS) 1054 (1): 191-196.

20. Shafaei, S. M., A. A. Masoumi, and H. Roshan. 2014. Analysis of water absorption of bean and chickpea during soaking using Peleg model. Journal of the Saudi Society of Agricultural Sciences. in Press.

21. Sopade, P. A., and J. A. Obekpa. 1990. Modeling water absorption in soybean, cowpea and peanuts at three temperatures using Peleg’s equation. Journal of Food Science 55 (4): 1084-1087.

22. Toma, M., M. Vinatoru, L. Paniwnyk, and T. J. On. 2001. Investigation of the effects of ultrasound on vegetal tissues during solvent extraction. Ultrasonics Sonochemistry 8 (2): 137-142.

23. Turhan, M., S. Sayar, and S. Gunasekaran. 2002. Application of Peleg model to study water absorption in chickpea during soaking. Journal of Food Engineering 53 (2): 153-159.

24. Yang, W. Z., K. A. Beauchemin, and L. M. Roda. 2000. Effect of barley grain processing on extent of digestion and milk production of lactating cows. Journal of Dairy Science 83 (3): 554-568.