بررسی تجربی و مدل‌سازی فرآیند خشک شدن صمغ دانه بالنگو با خشک‌کن فروسرخ به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی

از روش بهینه‌سازی الگوریتم ژنتیک می‌توان برای غلبه بر محدودیت‌های ذاتی شبکه عصبی مصنوعی استفاده کرد. روش الگوریتم ژنتیک شبکه عصبی مصنوعی دارای قابلیت بالایی برای یافتن مقدار بهینه یک تابع هدف پیچیده است. در این مطالعه ابتدا جهت خشک‌کردن صمغ دانه بالنگو، از یک خشک‌کن فروسرخ استفاده گردید. در این خشک‌کن فروسرخ اثر فاصله نمونه‌ها از لامپ پرتودهی در سه سطح 5، 7.5 و 10 سانتی‌متر و اثر ارتفاع صمغ درون ظرف در سه سطح 0.5، 1.0 و 1.5 سانتی‌متر بر زمان خشک شدن و درصد کاهش وزن صمغ دانه بالنگو در طی زمان خشک‌کردن، مورد بررسی قرار گرفت. نتایج خشک‌کردن صمغ دانه بالنگو با روش فروسرخ نشان داد با کاهش فاصله نمونه‌ها از منبع حرارتی و همچنین کاهش ضخامت صمغ موجود در ظرف نمونه، زمان خشک‌کردن کاهش می‌یابد. با افزایش فاصله لامپ‌ها از 5 به 10 سانتی‌متر، میانگین زمان خشک شدن صمغ دانه بالنگو از 62.6 دقیقه به 87.6 دقیقه افزایش یافت. با افزایش ضخامت نمونه‌ها از 0.5 به 1.5 سانتی‌متر نیز میانگین زمان خشک شدن صمغ دانه بالنگو از 45.9 دقیقه به 109.2 دقیقه افزایش یافت. در مرحله بعد، این فرآیند توسط روش الگوریتم ژنتیک شبکه عصبی مصنوعی با 3 ورودی (زمان پرتودهی، فاصله لامپ از سطح نمونه‌ها و ضخامت نمونه‌ها) و 1 خروجی (درصد کاهش وزن) مدل‌سازی شد. نتایج مدل‌سازی به روش الگوریتم ژنتیک شبکه عصبی مصنوعی نشان داد شبکه‌ای با ساختار 193 در یک لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک می‌تواند درصد کاهش وزن صمغ دانه بالنگو هنگام خشک شدن در خشک‌کن فروسرخ را با ضریب همبستگی بالا (0.999) و مقدار میانگین مربعات خطا پایین (0.788) پیش‌بینی نماید.

Experimental investigation and modeling of drying process of balangu seeds gum using infrared dryer by genetic algorithm-artificial neural network method

The genetic algorithm (GA) optimization method can be used to overcome the inherent limitations of artificial neural network (ANN). Genetic algorithm -artificial neural network (GAANN) method has a high capability to find the optimum value of a complex objective function. In this study, first, to balangu seeds gum drying, an infrared dryer was used. In this infrared dryer, the effect of distance of samples from lamp at three levels of 5, 7.5 and 10 cm and the effect of height of the gum inside the container at three levels of 0.5, 1 and 1.5 cm on drying time and weight loss percentage of balangu seeds gum during drying time, were investigated. The results of balangu seeds gum drying using infrared method showed that with decreases in sample distance from the heat source and also with decreases in thickness of the gum in the sample container, drying time were decreased. With increasing in the lamp distance from 5 to 10 cm, the average drying time of balangu seeds gum increased from 62.6 minutes to 87.6 minutes. With sample thickness increasing from 0.5 to 1.5 cm, the average drying time of balangu seeds gum increased from 45.9 to 109.2 minutes. In the next step, this process was modeled by GAANN method with 3 inputs (radiation time, lamp distance from samples surface and thickness of samples) and 1 output (weight loss percentage). The results of modeling with GAANN method showed that the network with structure of 391 in a hidden layer and using the hyperbolic tangent activation function could predict the weight loss percentage of balangu seeds gum during drying in an infrared dryer with high correlation coefficient (0.999) and low mean squared error (0.788).