پیش‌بینی ضریب پخش رطوبت موثر و انرژی مصرفی ویژه بادمجان در خشک‌کن پیوسته با استفاده از روش‌های جدید

نشریه پژوهشهای علوم و صنایع غذایی ایران

مقاله 1، دوره 14، شماره 5 - شماره پیاپی 53، آذر و دی 1397، صفحه 725-741  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v14i5.66106

نویسندگان

محمد کاوه ¹؛ رضا امیری چایجان²؛ یوسف عباسپور گیلانده³؛ ترحم مصری گندشمن¹

¹دانشگاه محقق اردبیلی

²دانشگاه بوعلی سینا همدان

³دانشگاه تهران

چکیده

در این پژوهش، به‌منظور برآورد خواص خشک‌کردن بادمجان در یک خشک‌کن پیوسته از روش شبکه‌های عصبی مصنوعی (ANN)، الگوریتم بهینه‌سازی توده ذرات (PSO) و الگوریتم گرگ خاکستری (GWO) استفاده شد. فرآیند خشک‌کردن در سه سطح دمایی (45، 60 و C°75)، سه سطح سرعت هوا (1 و 5/1 و m/s2) و سه سطح سرعت خطی تسمه (5/2، 5/6 و mm/s 5/10) در یک خشک‌کن پیوسته صورت گرفت که این سه پارامتر به‌عنوان ورودی در پیش‌بینی ضریب پخش رطوبت موثر و انرژی مصرفی ویژه، در مدل‌های ANN، PSO و GWO مورد استفاده قرار گرفت. آزمایش‌ها برای خشک کردن بادمجان از رطوبت (d.b.%) 1025 تا زمانی که رطوبت نهایی به (d.b.%) 10 رسید انجام گرفت. با توجه به نتایج به‌دست آمده، بیشترین مقدار ضریب پخش رطوبت موثر (Deff) برای بادمجان (m2/s 8-10×14/1) حاصل شد. همچنین کمترین مقدار انرژی مصرفی ویژه (SEC) MJ/kg62/130 به‌دست آمد. پس از آن 27 نمونه آماده با توجه به استانداردهای مربوطه و مجموعه داده‌ها به‌دست آمد. سپس با توجه به چندین شاخص عملکرد، از جمله ضریب تعیین (R2)، میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE)، مدل‌ها مورد بررسی و مقایسه قرار گرفتند و بهترین مدل پیش‌بینی انتخاب شد. با توجه به نتایج به‌دست آمده مقدار R2 برای مدل GWO به‌ترتیب 9996/0 و 9994/0 برای ضریب پخش رطوبت موثر و انرژی مصرفی نشان‌دهنده برتر بودن مدل GWO نسبت به سایر مدل‌ها می‌باشد، در حالی که این مقادیر به‌ترتیب 9992/0 و 9991/0 برای PSO و 9990/0 و 9988/0 برای ANN به‌دست آمد. نتایج نشان داد که مدل GWO دارای ظرفیت بیشتری برای پیش‌بینی Deff و SEC در مقایسه با دیگر مدل‌ها می‌باشد.

کلیدواژه‌ها

بادمجان؛ ضریب پخش رطوبت موثر؛ انرژی مصرفی ویژه؛ ANN؛ PSO؛ GWO

مراجع

Aghbashlo, M., Kianmehr, M.H., Arabhosseini, A., & Nazghelichi T., 2011, Modelling the carrot thin-layer drying in a semi-industrial continuous band Dryer. Czech Journal of Food Science. 29 (5). 528–538.

Aghbashlo, M., Kianmehr, M.H., & Arabhosseini, A., 2009a, Modeling of thin-layer drying of potato slices in length of continuous band dryer. Energy Conversion and Management, 50, 1348–1355.

Aghbashlo, M., Kianmehr, M.H., Arabhosseini, A., 2009b, Performance analysis of drying of carrot slices in a semi-industrial continuous band dryer. Journal of Food Engineering, 91, 99–108

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

Amiri Chayjan, R., & Kaveh M., 2016, Drying characteristics of eggplant (Solanum melongenaL.) slices under microwave-convective drying. Research in Agricultur Engineering, 62(4), 170–178.

Amiri Chayjan, R., Kaveh, M., & Khayati, S., 2014, Modeling some drying characteristics of sour cherry (Prunus cerasusL.) under infrared radiation using mathematical models and artificial neural networks. Agricultur Engineergin International: CIGR Journal, 16(1), 265-279.

Amirsadri, S., Mousavirad, S.J., & Ebrahimpour-Komleh, H., 2017, A Levy flight-based grey wolf optimizer combined with backpropagation algorithm for neural network training. Neural Computing & Applications, DOI 10.1007/s00521-017-2952-5 (In Press).

Armaghani, D.J., Shoib., R.S.N.S.B.R., Faizi, K., & Rashid, A.S.A., 2017, Developing a hybrid PSO–ANN model for estimating the ultimate bearing capacity of rock-socketed piles. Neural Computing & Applications, 28(2), 391-405.

Beigi, M., 2017, Mass transfer parameters of celeriac during vacuum drying. Heat & Mass Transfer, 53(4), 1327–1334.

Chakraborty, S., Sarma, M., Bora, J., Faisal, S., & Hazarika, M.K., 2016, Generalization of drying kinetics dur-ing thin layer drying of paddy. Agricultur Engineergin International: CIGR Journal, 18(4), 177-189.

Darici, S., & Sen, S., 2015, Experimental investigation of convective drying kinetics of kiwi under different conditions. Heat & Mass Transfer, 51(8), 1167–1176

Doymaz, I., 2012. Prediction of drying characteristics of pomegranate arils. Food Analytical Methods, 5, 841–848.

Fazaeli, M., Emam-Djomeh, Z., Omid, M., & Kalbasi-Ashtari, A., 2013, Prediction of the physicochemical properties of spray-dried black mulberry (Morus nigra) juice using artificial neural networks. Food & Bioprocess Technology, 6, 585–590.

Ghaderi, A., Abbasi, S., Motevali, A., & Minaei, S., 2012, Comparison of mathematical model and artificial neural network for predication of drying kinetics of mushroom in microwave- vacuum dryer. Chemical Industry & Chemical Engineering Quarterly, 18 (2), 283−293

Ghasemi, E., 2016, Particle swarm optimization approach for forecasting backbreak induced by bench blasting. Neural Computing & Applications, 28(7), 1855- 1862.

Gordan, B., Armaghani, D.J., Hajihassani M., & Monjezi, M., 2016, Prediction of seismic slope stability through combination of particle swarm optimization and neural network. Engineering with Computers, 32(1), 85-97.

Hajihassani, M., Jahed Armaghani, D., Sohaei, H., Tonnizam Mohamad, E., & Marto, A., 2014, Prediction of airblast-overpressure induced by blasting using a hybrid artificial neural network and particle swarm optimization. Applied Acoustics, 80, 57–67.

Hasanipanah, M., Amnieh, S.B., Arab, H., & Zamzam, M.S., 2016. Feasibility of PSO–ANFIS model to estimate rock fragmentation produced by mine blasting. Neural Computing & Application. DOI 10.1007/s00521-016-2746-1(In Press).

Junqueira, J.R.D.J., Correa, J.L.G., & Ernesto, D.B., 2017, Microwave, convective, and intermittent microwave–convective drying of pulsed vacuum osmodehydrated pumpkin slices. Journal of Food Processing & Preservation. DOI: 10.1111/jfpp.13250. (In Press)

Kamboj, V.K., 2016, A novel hybrid PSO–GWO approach for unit commitment Problem. Neural Computing & Applications, 27(6), 1643–1655.

Karakuzu, C., Karakaya, F., & Cavuslu, M.A, 2016, FPGA implementation of neuro-fuzzy system with improved PSO learning. Neural Networks, 79, 128–140.

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

Kaveh, M., & Amiri Chayjan, R., 2015, Mathematical and neural network modelling of terebinth fruit under fluidized bed drying. Research in Agricultur Engineering, 61(2), 55–65

Kennedy, J, & Eberhart, R., 1995, Particle swarm optimization, IEEE international conference on neural networks, Perth, Australia, 1942–1948.

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

Medjahed,S.A., Ait Saadi, T. & Benyettou, A., Ouali, M., 2016, Gray Wolf Optimizer for hyperspectral band selection. Applied Soft Computing, 40, 178–186.

Mirjalili, S, Mirjalili, v., & Lewis, A., 2014, Grey wolf optimizer. Advances in Engineering Software, 69:46–61

Saghatforoush, A., Monjezi, M., Faradonbeh, R.S., & Armaghani, D.J., 2016, Combination of neural network and ant colony optimization algorithms for prediction and optimization of flyrock and back‑break induced by blasting. Engineering with Computers, 32 (2), 255–266.

Sulaiman, M.H., Mustaffab, Z., Mohameda, M.R., & Aliman, O., 2015, Using the gray wolf optimizer for solving optimal reactive power dispatch problem. Applied Soft Computing, 32, 286–292.