مطالعه تجربی و بررسی عملکرد شبکه‌های عصبی MLP و RBF برای مدل‌سازی فرآیند خشک شدن شلتوک در خشک‌کن مایکروویو

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 12، دوره 16، شماره 2 - شماره پیاپی 62، خرداد و تیر 1399، صفحه 331-341   

نوع مقاله: کوتاه پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v16i2.80737

نویسندگان

محمد ابراهیم محمدپور میر؛ سارا نانواکناری؛ کامیار موقرنژاد^*

گروه مهندسی شیمی، دانشگاه صنعتی نوشیروانی بابل.

چکیده

برنج یکی از گیاهان مهم تیره غلات است و غذای اصلی اکثر مردم دنیا به‌شمار می آید. خشک کردن برنج بعد از برداشت، به جهت غیرفعال کردن عاملین فساد، امری مهم و ضروری است. در این تحقیق به‌منظور بررسی اثر توان مایکروویو بر روی سینتیک خشک شدن شلتوک، ضریب نفوذ مؤثر رطوبت، درصد برنج سالم و کیفیت برنج از یک خشک‌کن مایکروویو استفاده شده است. به‌منظور خشک کردن شلتوک از رطوبت اولیه 21 درصد تا رطوبت نهایی 11 درصد از 3 توان270، 360 و 450 وات استفاده شد. همچنین مدل‌سازی سینتیک خشک شدن شلتوک در خشک‌کن مایکروویو با استفاده از 2 شبکه عصبی MLP و RBF انجام شد. نتایج حاصل از این بررسی بدین صورت بوده که حداکثر و حداقل زمان خشک شدن به‌ترتیب در توان 270 و 450 وات و برابر با 42 و 20 دقیقه بوده است.  با افزایش توان مایکروویو میزان شکستگی افزایش یافته و درصد برنج سالم کاهش می­یابد. و همچنین خشک کردن برنج توسط خشک‌کن مایکروویو تاثیری بر روی کیفیت برنج نداشته است. از نتایج مدل‌سازی انجام شده می‌توان دریافت که شبکه RBF با تابع انتقال گوسی با شاخص پراکندگی و تعداد نورون بالا بهترین عملکرد را در قیاس با سایر حالات طراحی شده در شبکه RBF داشته است و شبکه  MLP با الگوریتم آموزش لونبرگ مارکوارت و تابع انتقال تانژانت سیگموئید با تعداد نورون پایین قادر بوده مدل‌سازی سینتیک خشک شدن را به‌خوبی انجام دهد. به‌طور کلی شبکه عصبی MLP عملکرد بهتری نسبت به شبکه عصبی RBF داشته است و میزان خطا و ضریب همبستگی آن به‌ترتیب کمتر و بیشتر از شبکه عصبی RBF بوده است.

کلیدواژه‌ها

خشک‌کن‌ مایکروویو؛ درصد برنج سالم؛ سینتیک خشک کردن شلتوک؛ شبکه عصبی؛ ضریب نفوذ مؤثر رطوبت؛ کیفیت برنج

مراجع

امیری چایچان، ر.، خوش تقاضا، م.، منتظر، غ.، مینایی، س. و علیزاده، م. 1388. تخمین ضریب تبدیل شلتوک با استفاده از شبکه‌های عصبی مصنوعی در خشک‌کردن بستر سیال. مجله علوم و فنون کشاورزی و منابع طبیعی . 13 (48): 298-285.

تهوری، ع. 1395. پیش‌بینی خواص مختلف آب‌های طبیعی با استفاده شبکه عصبی مصنوعی. پایان‌نامه کارشناسی ارشد مهندسی شیمی، دانشگاه صنعتی نوشیروانی بابل.

جعفری، ح.، کلانتری، د و آزادبخت، م. 1394. بررسی نرخ تغییر رطوبت و درصد شکستگی دانه‌های شلتوک با استفاده از خشک‌کن مایکروویو. فناوری‌‌های نوین غذایی. 2 (4) : 63-74 .

خوش تقاضا، م.، حسین زاده سامانی، ب.، فیاضی، ا. و امیر نجات، ح. 1395. پیش‌بینی محتوای رطوبتی خشک شدن لایه نازک قارچ خوراکی به-کمک شبکه‌های عصبی مصنوعی پس انتشار. علوم و صنایع غذایی. 13(50): 182-171.

کلانتری، د.، جعفری، ح. 1395. مقایسه پارامترهای خشک شدن و خصوصیات کیفی شلتوک طارم هاشمی با استفاده از مایکروویو جریان مداوم و مایکروویو خانگی. فناوری‌های نوین غذایی، 3 (12): 88-77.

کلیکانلو, و.، رحمتی، محمد هاشم.، علیزاده, محمدرضا. و پورباقر, رقیه. 1396. اثر دبی و دمای هوای ورودی بر ویژگی های تبدیل و زمان خشک شدن سه رقم شلتوک در خشک کن بسترسیال با چرخه بسته. تحقیقات غلات، 6 (3): 395-385.

مختاریان، م.، کوشکی، ف.1391. تخمین پارامترهای خشک کردن گوجه فرنگی با کمک شبکه های عصبی مصنوعی. پژوهش و نوآوری در علوم و صنایع غذایی، (1)1: 74-61.

یوسفی، ع.، قاسمیان، ن. و سالاری، ا. 1396. مدل‌سازی سینتیک خشک‌کردن برش‌های لیموترش به‌روش تابش مادون قرمز با استفاده از شبکه عصبی هیبریدی. فناوری‌‌های نوین غذایی، 5 (1):105-91.

Akin, D. & Akba, B. 2010. A neural network (NN) model to predict intersection crashes based upon driver, vehicle and roadway surface characteristics. Sci. Res. Essays, 5(19): 2837-2847.

Alibas, I. 2014. Mathematical modeling of microwave dried celery leaves and determination of the effective moisture diffusivities and activation energy. Food Science and Technology, 34(2): 394-401.

Aquerreta, J., Iguaz, A., Arroqui, C., & Virseda, P. 2007. Effect of high temperature intermittent drying and tempering on rough rice quality. J. of Food Engineering, 80: 611-618.

ASAE Standards. 1999. D245.5. Moisture relationship of plant based agricultural products (46th Ed.). St. Joseph, Mich.: ASAE.

Azadbakht, M., Aghili, H., Ziaratban, A. & Torshizi, M.V. 2017. Application of artificial neural network method to exergy and energy analyses of fluidized bed dryer for potato cubes. Energy, 120: 947-958.

Cao, C. & Wang, X.B. 2002. Automatic control of grain driers. Modernizing Agric, 2: 40-44.

Darvishi, H., Khoshtaghaza, M.H., Najafi, G. & Zarein, M. 2013. Characteristics of sunflower seed drying and microwave energy consumption. International Agrophysics, 27(2): 127-132.

Firouzi, F. & Alizadeh, M.R. 2013. An investigation of the effects of harvesting time and milling moisture content of paddy on the quality of milled rice. International Journal of Biosciences, 3 (10): 133-138.

Jafari, H., Kalantari, D. & Azadbakht, M. 2018. Energy consumption and qualitative evaluation of a continuous band microwave dryer for rice paddy drying, Energy, 142:.647-654.

Scala, K.D., Meschino, G., Vega-Galvez, A., Lemus-Mondaca, R., Roura, S. & Mascheroni, R. 2013. An artificial neural network model for prediction of quality characteristics of apples during convective dehydration. Food Science and Technology, 33(3): 411-416.

Ghritlahre, H.K. & Prasad, R.K. 2018. Exergetic performance prediction of solar air heater using MLP, GRNN and RBF models of artificial neural network technique. Journal of environmental management, 223: 566-575.

Hemis, M., Choudhary, R. & Watson, D.G., 2012. A coupled mathematical model for simultaneous microwave and convective drying of wheat seeds. Biosystems engineering, 112(3): 202-209.

Kalra, R., Deo, M.C., Kumar, R. and Agarwal, V.K. 2005. RBF network for spatial mapping of wave heights. Marine Structures, 18(3): 289-300.

Karaaslan, S.N. & Tuncer, I.K. 2008. Development of a drying model for combined microwave–fan-assisted convection drying of spinach. Biosystems Engineering, 100(1): 44-52.

Kouchakzadeh, A. & Shafeei, S., 2010. Modeling of microwave-convective drying of pistachios. Energy Conversion and Management, 51(10): 2012-2015.

Maskan, M. 2000. Microwave/air and microwave finish drying of banana. Journal of food engineering, 44(2): 71-78.

Minaei, S., Rohi, G.R., & Alizadeh, M.R. 2003. Effect of rice crop parameters and dryer on paddy milling waste and hardness. In Second national symposium on losses of agricultural products. Tehran.

Momenzadeh, L., Zomorodian, A., & Mowla, D. 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(1), 15-21.

Motevali, A., Minaei, S., Banakar, A., Ghobadian, B. & Khoshtaghaza, M.H. 2014. Comparison of energy parameters in various dryers. Energy Conversion and Management, 87:711-725.

Niamnuy, C., Kerdpiboon, S. & Devahastin, S. 2012. Artificial neural network modeling of physicochemical changes of shrimp during boiling. LWT-Food Science and Technology, 45(1):110-116.

Rabha, D.K., Muthukumar, P. and Somayaji, C. 2017. Experimental investigation of thin layer drying kinetics of ghost chilli pepper (Capsicum Chinense Jacq.) dried in a forced convection solar tunnel dryer. Renewable energy, 105: 583-589.

Rad, S.J., Kaveh, M., Sharabiani, V.R. & Taghinezhad, E. 2018. Fuzzy logic, artificial neural network and mathematical model for prediction of white mulberry drying kinetics. Heat and Mass Transfer, 1-14.

Salehi, F., Abbasi Shahkoh, Z. & Godarzi, M. 2015. Apricot osmotic drying modeling using genetic algorithm-artificial neural network. Journal of Innovation in food Science and Technology, 7: 65-76.

Therdthai, N. & Zhou, W. 2009. Characterization of microwave vacuum drying and hot air drying of mint leaves (Mentha cordifolia Opiz ex Fresen). Journal of Food Engineering, 91(3): 482-489.

Yadollahnia, A. R. 2006. A thin layer drying model for paddy dryer, Msc thesis, University of Tehran, Karaj, Iran. (In Farsi)

Zhao, P., Zhong, L., Zhu, R., Zhao, Y., Luo, Z. & Yang, X. 2016. Drying characteristics and kinetics of Shengli lignite using different drying methods. Energy Conversion and Management, 120: 330-337.