مقایسه مدل‌ ریاضی و شبکه عصبی مصنوعی در تخمین نسبت رطوبت برش‌های پرتقال طی فرآیند خشک‌شدن

در تحقیق حاضر، خشک‌کردن لایه نازک برش‌های پرتقال در خشک‌کن هوای داغ آزمایشگاهی مدل‌سازی گردید. فرایند خشک‌کردن تحت شرایط متفاوت، سه دمای 50، 60 و 70 c° و سرعت جابه‌جایی هوای 1.0و  2.0 m/s انجام شد. آنالیز آماری داده‌ها نشان داد که تغییرات دما و سرعت جابه‌جایی هوا بر روی نسبت رطوبت اثرات معنی‌داری 0.05>p داشته، اما اثر متقابل دما و سرعت جابه‌جایی هوا، اثر معنی‌دار نداشته است. بنابر نتایج حاصل، کم‌ترین نسبت رطوبت در برش‌های پرتقال خشک شده تحت دمای 70 c° و سرعت جابه‌جایی هوای 2 m/s به‌میزان 5.3% به‌دست آمد. پس از انجام آزمایش‌ها، داده‌های حاصل از آزمایش‌های خشک‌کردن با 7 مدل شناخته‌شده ریاضی برازش داده شد. بر اساس نتایج برازش، مدل پیج با بالاترین مقدار ضریب تعیین 0.9992=r2 و 10^-3×2.71=rmse در مقایسه با سایر مدل‌ها عملکرد بهتری در برآورد نسبت رطوبت، نشان داد. هم‌چنین، از مدل شبکه عصبی مصنوعی پس‌انتشار پیش‌خور برای تخمین نسبت رطوبت برش‌های پرتقال بر اساس سه متغیر ورودی مدت زمان خشک‌کردن، دما و سرعت جابه‌جایی هوا استفاده شد. در طراحی این شبکه از دو تابع آستانه تانژانت هیپربولیک و خطی در لایه پنهان و خروجی استفاده گردید. شبکه عصبی طراحی شده با توپولوژی 1-20-3 و الگوریتم آموزشی لونبرگمارکوات بهترین نتایج را با بالاترین مقدار ضریب تعیین 0.9994=r2 و کم‌ترین مقدار ریشه مجذور خطا 10^-3×1.009=rmse  ارائه داد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه، دارای دقت بالاتری در تخمین نسبت رطوبت برش‌های پرتقال طی فرایند خشک‌شدن است.

Comparison of mathematical models and artificial neural network for prediction of moisture ration of orange slices during drying process

In present study, the thin layer drying of orange slices in a laboratory scale hotair dryer has been modeled. Drying experiments were conducted at three different temperatures of 50, 60 and 70°C, and two air velocities of 1.0 and 2.0 m/s. The statistical results of data showed the change of drying temperature and air velocity had significant effects on moisture ratio (p<0.05) but interaction effect of air velocity and temperature had insignificant effect on moisture ratio. Based on the results, the minimum moisture ratio of dried orange slices was obtained 5.3% when the dryer air temperature and velocity were 70°C and 2.0 m/s, respectively. After the end of experiments, the experimental data were fitted to the 7 wellknown drying models. According to fitting results, Page’s model with determination coefficient R23 showed better performance to predict the moisture ratio. Also, this study used a feed forward back propagation neural network in order to estimate orange slices moisture ratio, based on the temperature, air velocity and time as input variables. In order to design this model, two main activation functions called tanh and purlin, widely used in engineering calculations, were applied in hidden and output layer, respectively. The artificial neural network with 3201 topology and LevenbergMarquardt training algorithm provided best results with the maximum determination coefficient (0.9994) and minimum Root of Mean Square Error (1.009×103) values. The results indicated the artificial neural network model was more accurate than Page’s model for prediction of moisture ratio of orange slices during drying process.