استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی هدایت حرارتی آب‌گلابی

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 2، دوره 11، شماره 6 - شماره پیاپی 36، بهمن و اسفند 1394، صفحه 770-778   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v1394i6.50308

نویسندگان

زینب رفتنی امیری^* ؛ هنگامه درزی اربابی

دانشگاه علوم کشاورزی و منابع طبیعی ساری.

چکیده

هدایت حرارتی، یکی از ویژگی‎های مهم آب‎میوه‎ها برای پیش‎بینی ضرایب انتقال جرم وحرارت و همچنین طراحی تجهیزات انتقال جرم و حرارت در صنعت آب‌میوه می‌باشد. شبکه عصبی مصنوعی برای پیش‌بینی هدایت حرارتی آب‌گلابی توسعه داده شد. دما و غلظت متغیرهای ورودی و هدایت حرارتی آب‌میوه متغیر خروجی بودند. مدل بهینه این شبکه شامل دو لایه پنهان با 5 نرون در لایه اول و یک نرون در لایه دوم بود. مدل شبکه مصنوعی توانست مقادیر هدایت حرارتی را بسیار نزدیک به مقادیر اندازه‌گیری‌شده در آزمایش پیش‌بینی کند و در مقایسه با مدل‌های متعارف و رگرسیون چندمتغیره از پایین‌ترین مجذور خطای میانگین (R2=0.999) برخوردار بود. به‌علاوه با به‌کارگیری این روش می‌توان ساختار پنهان لایه‎ها در شبکه‌های عصبی را از طریق آزمون و خطا تعیین کرد. این روش می‌تواند در محاسبات انتقال حرارت در فرآوری انواع آب‌میوه، جایی‎که نیاز به محاسبه هدایت حرارتی برحسب دما و غلظت باشد، به‌خوبی مورداستفاده قرار گیرد.

کلیدواژه‌ها

آب‌میوه؛ شبکه عصبی مصنوعی؛ گلابی؛ هدایت حرارتی

مراجع

Curteanu, S., Piuleac, C., Godini, K. & Azaryan, G., 2011, Modeling of electrolysis process in wastewater treatment using different types of neural networks. Chemical Engineering Journal, 172(1), 267-276.

Colin Cameron, A., Windmeijer Frank, A., Gramajo, H.,Cane, D. & Khosla, C., 1997, An R-squared measure of goodness of fit for some common nonlinear regression models. Journal of Econometrics, 77(2), 1790–1792.

Draper, N. & Smith, H., 1998, Applied Regression Analysis (3rd ed.). John Wiley. ISBN 0-471, 17082-17088.

Fernandes, F. & Lona, L. 2005, Neural Network applications in polymerization processes. Brazilian Journal of Chemical Engineering, 22, 323-330.

Heaton, J., 2005, Introduction to Neural Networks with Java, Heaton Research Inc., Chesterfield.

Hussain, M., Shafiur Rahman, M. & Ng, C., 2002, Prediction of pores formation (prosity) in foods during: generic models by the use of hybrid neural network. Journal of Food Engineering, 5, 239-248.

Hussain, M. & Rahman, M., 1999, Thermal conductivity prediction of fruits and vegetables using neural networks. International Journal of Food Properties, 2, 121–138.

Kamali, M. & Mousavi, M., 2008, Analytic, neural network, and hybrid modeling ofsupercritical extraction of -pinene. The Journal of Supercritical Fluids, 47, 168–173.

Lübbert, A. & Simutis, R., 1994, Using measurement data in bioprocess measurement and control, Tibtech 12, 304–311.

Magerramov, M., Abdulagatov, A., Azizov, N. & Abdulagatov, I., 2006, Thermal Conductivity of pear, sweet-cherry, apricot and cherry-plum juices as a function of temperature and concentration. Journal of Food Science, 71(5), 238-244.

Mahmoud, S., Medhat, A., Moustafa, E., Hamdy, A., Seif, E. & Kobrosy, G., 2012, Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT. Alexandria Engineering Journal, 51, 1, 37–43.

Mittal, G. & Zhang, J., 2000, Prediction of temperature and moisture content of frankfurters during thermal processing using neural network. Meat Science, 55, 13-24.

Pirdashti, M., Curteanu, S., Hashemi, M., Hassim, M. & Khatami, M., 2013, Artificial neural networks: applications in chemical engineering. Reviews in Chemical Engineering, 29(4), 205-239.

Rai, P., Majumdar, G., Dasgupta, S. & De, S., 2005a, Prediction of the viscosity of clarified fruit juice using artificial neural network: a combined effect of concentration and temperature. Journal of Food Engineering, 68, 527–533.

Rai, P., Majumdar, G., Dasgupta, S. & De, S., 2005b, Modeling the performance of batch ultrafiltration of synthetic fruit juice and mosambi juice using artificial neural network. Journal of Food Engineering, 71, 273–281.

Sablani, S., Baik, S. & Marcotte, M., 2002, Neural networks for predicting thermal conductivity of bakery products. Journal of Food Engineering, 52, 299–304.

Sablani, S. & Shafiur, M., 2003, Using neural networks to predict thermal conductivity of food as a function of moisture content, temperature and apparent porosity. Food Research International, 36, 617–623.

Armstrong, J. & Collopy, N., 1992, Error measures for generalizing about forecasting methods: Empirical comparisons (PDF). International Journal of Forecasting, 8 (1), 69–80.

Shafiur, M., Rashid, M. & Hussain, M., 2012, Thermal conductivity prediction of foods by Neural Network and Fuzzy (ANFIS) modeling techniques. Food and bioproducts processing, 90, 333–340.

Wilamowski, B., 2009, Neural Network architectures and learning algorithms. Industrial Electronics IEEE , 3(4), 56-63.