پیش بینی محتوای رطوبتی خشک شدن لایه ‌نازک قارچ خوراکی به کمک شبکه‌ های عصبی مصنوعی پس انتشار

قارچ خوراکی دکمه‎ای (agaricus bisporus) به‌عنوان منبع غذای پرپروتئین و کم‌کالری و همچنین مصارف دارویی، امروزه بسیار موردتوجه قرارگرفته است. با افزایش بیش‌ازپیش تولید قارچ خوراکی نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از قارچ خشک‌شده بیشتر احساس می‌شود. به همین جهت خشک‌کردن این محصول به‌عنوان یکی از راهکارهای عملی همواره مطرح می‌باشد. امروزه با توجه به مزایای فناوری هوش مصنوعی استفاده از شبکه های عصبی مصنوعی در سطح وسیعی برای شبیه‌سازی و پیش‌بینی پارامترهای موردنیاز در فرایندهای خشک‌کردن در حال رشد و توسعه است. هدف از انجام این تحقیق پیش‌بینی محتوای رطوبتی قارچ خوراکی دکمه ای به کمک شبکه عصبی مصنوعی پس انتشار می‌باشد. در این تحقیق قارچ خوراکی دکمه ای به‌صورت لایه‌نازک با استفاده از خشک‌کن هوای داغ در سه سطح دما c° 40، 50 و 60 و سه سطح سرعت جریان باد m/s 5/0، 7/0 و 1 خشک‌شده تا محتوای رطوبتی آن به 10% (بر پایه وزن خشک) برسد. مدل های رگرسیونی و شبکه عصبی پیشرو با الگوریتم های یادگیری لونبرگ مارکوارت (trainlm) برای تخمین و پیش‌بینی میزان رطوبت لایه‌نازک قارچ استفاده شد. نتایج نشان داد که مدل رگرسیونی درجه دوم کامل با ضریب تبیین 97/0 و مجموع مربعات خطای 071/0 و همچنین شبکه عصبی با ساختار 118203 با توابع آستانه سیگموئید و لگاریتمی در مقایسه با توپولوژی‌های دیگر نتایج بهتری را ارائه می‌کنند و دارای دقت قابل قبولی در تخمین رطوبت لایه‌نازک قارچ در هنگام خشک شدن دارد.