مقایسه مدل‌سازی ریاضی، شبکه‌های عصبی مصنوعی و منطق فازی در پیش‌بینی سینتیک خشک‌کردن سیر و موسیر در خشک‌کن بسترسیال

ماشین های کشاورزی

مقاله 8، دوره 9، شماره 1 - شماره پیاپی 17، 1398، صفحه 99-112   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v9i1.66231

نویسندگان

محمد کاوه^{* 1}؛ یوسف عباسپور گیلانده¹؛ رضا امیری چایجان²؛ رضا محمدی گل³

¹گروه مکانیک بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

²گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

³گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران

چکیده

هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشک‌کن بسترسیال با استفاده از روش‌های مدل‌سازی ریاضی، شبکه‌های عصبی مصنوعی و منطق فازی می‌باشد. فرآیند خشک‌کردن در سه سطح دمایی (40، 55 وC °70) و سه سطح سرعت هوای ورودی (5/0 و 5/1 و  ms-15/2) صورت گرفت. از 5 مدل ریاضی خشک‌کردن جهت پیش بینی نسب رطوبت سیر و موسیر استفاده شد. سرعت هوای ورودی، دمای هوای ورودی و زمان خشک‌کردن به‌عنوان پارامترهای ورودی در پیش‌بینی نسبت رطوبت، برای شبکه‌های عصبی مصنوعی و منطق فازی مورد استفاده قرار گرفت. برای ایجاد الگوهای آموزشی و ارزیابی فرآیند، از شبکه عصبی پس انتشار پیش‌خور و پیشرو با توابع آموزش لونبرگ- مارکوارت (LM) و تنظیم بیزی (BR) و همچنین از سیستم استنتاجی فازی ممدانی و به‌کارگیری تابع عضویت مثلثی برای مدل‌سازی استفاده شد. با توجه به نتایج به‌دست آمده، بهترین مدل برای پیش‌بینی خشک کردن سیر مدل (Page) و برای موسیر مدل Midilli  و همکاران انتخاب شد. نتایج بررسی‌های شبکه عصبی مصنوعی نشان داد که به‌ترتیب ضرایب تبیین 9994/0 و 9996/0، ریشه خطای میانگین مربعات 0036/0 و 0014/0 و میانگین خطای مطلق 044/0 و 038/0 در شرایط مختلف خشک‌کردن سیر و موسیر را پیش‌بینی نماید. همچنین سیستم استنتاجی فازی این مقادیر را برای سیر و موسیر به‌ترتیب (ضرایب تبیین 9997/0 و 9998/0، ریشه خطای میانگین مربعات 0027/0 و 0011/0 و میانگین خطای مطلق 032/0 و 029/0) به‌دست آورد. مقایسه نتایج به‌دست آمده از مدل‌های ریاضی، شبکه‌های عصبی مصنوعی و منطق فازی نشان داد که ریشه خطای میانگین مربعات در منطق فازی کمتر از شبکه‌های عصبی مصنوعی و مدل‌های ریاضی است.

کلیدواژه‌ها

خشک‌کن بستر سیال؛ سیر و موسیر؛ شبکه‌های عصبی مصنوعی؛ منطق فازی و نسبت رطوبت

مراجع

1. Adak, N., N. Heybeli, and C. Ertekin. 2017. Infrared drying of strawberry. Food Chemistry 219: 109-116.

2. Aghbashlo, M., R. Sotudeh-Gharebagh, R. Zarghami, A. S. Mujumdar, and N. Mostoufi. 2014. Measurement techniques to monitor and control fluidization quality in fluidized bed dryers: A review. Drying Technology 32: 1005-1051.

3. Akpinar, E. K., and S. Toraman. 2016. Determination of drying kinetics and convective heat transfer coefficients of ginger slices. Heat and Mass Transfer 52 (10): 2271-2281.

4. Amiri Chayjan, R., and M. Kaveh. 2014. Physical parameters and kinetic modeling of fix and fluid bed drying of terebinth seeds. Journal of Food Processing and Preservation 38: 1307-20.

5. Amiri Chayjan, R., M. Kaveh, and S. Khayati. 2017. Modeling some thermal and physical characteristics of terebinth fruit under semi industrial continuous drying. Journal of Food Measurement and Characterization 11: 12-23.

6. Bebartta, J. P., N. R. Sahoo, S. K. Dash, M. K. Panda, and U. S. Pal. 2014. Kinetics modeling and moisture diffusivity of onion slices in fluidized bed drying. Journal of Food Processing and Preservation 38 (1): 193-199.

7. Doymaz, I., H. Demir, and A. Yildirim. 2015. Drying of quince slices: effect of pretreatments on drying and Rehydration Characteristics. Chemical Engineering Communication 202 (10): 1271-1279.

8. Foroughi-dahr, M., M. Golmohammadi, R. Pourjamshidiyan, M. Rajabi-hamaneh, and S. J. Hashemi. 2015. On the Characteristics of thin layer drying models for intermittent drying of rough rice. Chemical Engineering Communication 202 (8): 1024-1035.

9. Gharibi, H., A. Hossein Mahvi, R. Nabizadeh, H. Arabilibeik, M. Yunesian, and M. H. Sowlat. 2012. A novel approach in water quality assessment based on fuzzy logic Journal of Environmental Management 112: 87-95.

10. Hasanipanah, M., D. J. Armaghani, H. Khamesi, S. B. Amnieh, and S. Ghoraba. 2016. Several non‑linear models in estimating air‑overpressure resulting from mine blasting. Engineering with Computer 32 (3): 441-455.

11. Jafari, S. M., M. Ganje, D. Dehnad, and V. Ghanbari. 2016. Mathematical, fuzzy logic and artificial neural network modeling techniques to predict drying kinetics of onion. Journal of Food Processing and Preservation 40 (2): 329-339.

12. Kaleta, A., K. Gornicki, R. Winiczenko, and A. Chojnacka. 2013. Evaluation of drying models of apple (var. Ligol) dried in a fluidized bed dryer. Energy Conversion and Management 67: 179-185.

13. Kantrong, H., A. Tansakul, and G. S. Mittal, 2014. Drying characteristics and quality of shiitake mushroom undergoing microwave-vacuum drying and microwave-vacuum combined with infrared drying. Journal of Food Science and Technology 51 (12): 3594-3608.

14. Kaveh, M., and R. Amiri Chayjan. 2017. Modeling thin-layer drying of turnip slices under semi-industrial continuous band dryer. Journal of Food Processing and Preservation 41 (2): e12778.

15. Kaveh, M., R. Amiri Chayjan, and A. M. Nikbakht. 2017. Mass transfer characteristics of eggplant slices during length of continuous band dryer. Heat and Mass Transfer 53: 2045-2059.

16. Khanali, M., A. Banisharif, and Sh. Rafiee. 2016. Modeling of moisture diffusivity, activation energy and energy consumption in fluidized bed drying of rough rice. Heat and Mass Transfer 52 (11): 2541-2549.

17. Khoshtaghaza M. H., H. Darvishi, and S. Minaei. 2015. Effects of microwave- fluidized bed drying on quality, energy consumption and drying kinetics of soybean kernels. Journal of Food Science and Technology 52 (8): 4749-4760.

18. Kouchakzadeh, A. 2014. Drying kinetic and shrinkage circumstance of Persian shallot bulb. Agriculture Engineering International. CIGR Journal 16 (2): 176-180.

19. Mahani, M. N. Z., and M. H. Aghkhani. 2016. The effect of slicing type on drying kinetics and quality of dried carrot. Journal of Agricultural Machinery 6 (1): 224-235. (In Farsi).

20. Mohamed, M. T. 2011. Performance of fuzzy logic and artificial neural network in prediction of ground and air vibrations. International Journal of Rock Mechanics and Mining Sciences 48: 845-851.

21. Momenzadeh, L., A. Zomorodian, and D. Mowla. 2011. Experimental and theoretical investigation of shelled corn drying in a microwave-assisted fluidized bed dryer using artificial neural network. Food and Bioproducts Processing 89: 15-21.

22. Murthy, T. P. K., and B. Manohar. 2014. Hot air drying characteristics of mango ginger: Prediction of drying kinetics by mathematical modeling and artificial neural network. Journal of Food Science and Technology 51 (12): 3712-3721.

23. Muzzammil, M., and M. Ayyub, 2010. ANFIS-based approach for scour depth prediction at piers

in non-uniform sediments. Journal of Hydroinformatics 12 (3): 303-317.

24. Nazghelichi, T., M. H. Kianmehr, and M. Aghbashlo. 2011. Prediction of carrot cubes drying kinetics during fluidized bed drying by artificial neural network. Journal of Food Science and Technology 48 (5): 542-550.

25. Oberoi, D. P. S., and D. S. Sogi. 2015. Drying kinetics, moisture diffusivity and lycopene retention of watermelon pomace in different dryers. Journal of Food Science and Technology 52 (11): 7377-7384.

26. Puspasari, I., M. Z. M. Talib, W. R. W. Daud, and S. M. Tasirin. 2012. Drying kinetics of oil palm frond particles in an agitated fluidized bed dryer. Drying Technology 30: 619-630.

27. Samadi, S. H., B. Ghobadian, G. Najafi, A. Motevali, and S. Faal. 2013. Drying of apple slices in combined heat and power (CHP) dryer: Comparison of mathematical models and neural networks. Chemical Product and Process Modeling 8 (1): 41-52.

28. Sarimeseli, A., M. A. Coskun, and M. Yucceer. 2014. Modeling microwave drying kinetics of thyme (Thymus Vulgaris L.) leaves using ANN methodology and dried product quality. Journal of Food Processing and Preservation 38 (1): 558-564.

29. Sharma, G. P., S. Prasad, and V. K. Chahar. 2009. Moisture transport in garlic cloves undergoing microwave-convective drying. Food and Bioproducts Processing 87: 11-16.

30. Silva, B. G. D., A. M. F. Fileti, and O. P. Taranto. 2015. Drying of Brazilian pepper-tree fruits (Schinus terebinthifolius Raddi): development of classical models and artificial neural network approach. Chemical Engineering Communication 202: 1089-1097.

31. Tavakolipour, H., M. Mokhtarian, and A. Kalbasi-Ashtari. 2014. Intelligent monitoring of zucchini drying process based on fuzzy expert engine and ANN. Journal of Food Process Engineering 37 (5): 474-481.

32. Zadeh, L. 1965. Fuzzy sets, Inform. Control 8: 338-353.