مدل‌سازی خشک‌کردن توت سیاه با سامانه مادون‌قرمز به روش الگوریتم ژنتیک شبکه عصبی مصنوعی

شاه توت سرشار از پلی فنل ها و آنتوسیانین ها است که خشک‌کردن و نگه‌داری آن می تواند ارزشمند باشد. استفاده از تابش مادون قرمز به‌عنوان یک روش مناسب در خشک‌کردن می‌تواند باعث کاهش زمان خشک‌کردن و کاهش هزینه‌های فرایند می شود. اثر توان هایw  120، 180، 240 لامپ مادون قرمز،  فاصله های cm 5، 10 و 15  نمونه از لامپ و زمان خشک‌کردن بر خشک‌شدن توت سیاه مورد بررسی قرار گرفت. مدل سازی خشک‌شدن توت سیاه به روش الگوریتم ژنتیک شبکه عصبی مصنوعی با چهار ورودی توان، فاصله لامپ و زمان خشک‌کردنو یک خروجی درصد کاهش رطوبت انجام شد. مشخص شد که با افزایش توان لامپ و کاهش فاصله نمونه ها از لامپ مادون قرمز، سرعت خشک‌کردن توت سیاه به روش مادون قرمز دو طرفه به‌طور معنی داری (p<0/05) افزایش می یابد. تابع فعال‌سازی سیگموئیدی به علت مقدار خطای کم‌تر نسبت به سایر توابع، به‌عنوان تابع فعال سازی در لایه پنهان و خروجی انتخاب گردید. برای رسیدن به بهترین شرایط یادگیری روابط بین ورودی ها و خروجی ها توسط شبکه، بر اساس انجام روش آزمون و خطا از 15 درصد داده ها برای آموزش، 15 درصد داده ها برای آزمون شبکه آموزش دیده و 60 درصد باقی مانده داده ها برای ارزیابی شبکه استفاده گردید. طبق نتایج به‌دست آمده مشخص شد با استفاده از تابع فعال سازی سیگموئیدی و شبکه ای با تعداد 8 نرون در یک لایه پنهان می توان به خوبی مدل سازی درصد کاهش رطوبت را به روش الگوریتم ژنتیک شبکه عصبی مصنوعی در طی فرایند خشک‌کردن توت سیاه به روش مادون قرمز دو طرفه پیشگویی کرد (0.00002=mse، 0.999 =r2). زمان خشک‌کردن به‌عنوان موثرترین عامل برای کنترل کاهش رطوبت توت سیاه با استفاده از آنالیز حساسیت توسط شبکه عصبی بهینه معرفی شد.

Modeling of Blackberry Drying Process by Double sided infrared System using Genetic Algorithm–Artificial Neural Network Method

Black mulberry is a very important and rich source of polyphenols and anthocyanin’s that dry and maintain can be valuable. The use of infrared radiation as a new method in drying preserves the quality of the final product, which increases the speed of drying and reduces the cost of the process. The effect of 120, 180, 240 W of infrared power, 5, 10 and 15 cm of sample distance from infrared source and drying time on black mulberry drying were investigated. Modeling of black mulberry drying was used to predict the output of this study using genetic algorithmartificial neural network with four inputs (infrared power, sample distance from infrared source and drying time) and one output (weight loss percentage). It was determined that by increasing the infrared power and reducing the distance between the samples and the infrared lamp, the drying rate of black mulberry was significantly increased by twoway infrared (P<0.05). The sigmoid activation function was selected as the activation function in the hidden layer and output layer due to the lower error value than other functions. According to the test method and the fault method, 15% of the data was used for training to achieve the best learning conditions for the relationships between inputs and outputs by the network. 15% of the data was used for the trained network test, and 60% of the remaining data was used to evaluate the network. According to the results, it can be concluded that using the sigmoid activation function and the network with 8 neurons in a hidden layer, we can well analyze the percentage of weight loss using the genetic algorithmartificial neural network during the black mulberry drying process was predicted by twoway infrared method (R2=0/999). Drying time was introduced as the most effective factor for controlling black mulberry weight loss using sensitivity analysis by optimal neural network.