مهندسی صنایع غذایی
هادی عظیمی نژادیان؛ محمود محمودی اشکفتکی
چکیده
در تحقیق حاضر، تأثیر توان مایکروویو و ضخامت نمونه‌ها بر ضریبهای انتقال جرم ورقه‌های سیب‌زمینی بررسی شدهاست. داده‌های تجربی از خشک کردن ورقه‌های سیب‌زمینی با ضخامت‌های 3.5، 5، 7 و 9 میلی‌متر با چهار سطح توان مایکروویو 200، 400، 600 و 800 وات به دست آمد. از مدل تحلیل دینسر و داست برای مدل‌سازی فرآیند خشک کردن و تخمین ضریبهای انتقال ...
بیشتر
در تحقیق حاضر، تأثیر توان مایکروویو و ضخامت نمونه‌ها بر ضریبهای انتقال جرم ورقه‌های سیب‌زمینی بررسی شدهاست. داده‌های تجربی از خشک کردن ورقه‌های سیب‌زمینی با ضخامت‌های 3.5، 5، 7 و 9 میلی‌متر با چهار سطح توان مایکروویو 200، 400، 600 و 800 وات به دست آمد. از مدل تحلیل دینسر و داست برای مدل‌سازی فرآیند خشک کردن و تخمین ضریبهای انتقال جرم در نمونه‌ها استفاده شد. عدد بایوت در محدود 1.299 تا 4.096 به دست آمد و با افزایش توان مایکروویو و کاهش ضخامت نمونه‌ها بهبود یافت. ضریبهای انتشار رطوبت و انتقال جرم سطحی ورقه‌های سیب‌زمینی به ترتیب از 8-10*2.389 تا 8-10*14.681 متر مربع بر ثانیه و از 5-10*2.246 تا 5-10*7.116 متر بر ثانیه متغیر و بهطور معنیداری (در سطح احتمال 5 درصد) با افزایش توان مایکروویو و ضخامت نمونه‌ها افزایش یافتند. انرژیهای فعال‌سازی انتشار رطوبت و تبخیر رطوبت سطحی به ترتیب در محدودههای 1.451-1.746 وات بر گرم و 0.712-1.323 وات بر گرم به دست آمدند.
هادی عظیمی نژادیان؛ مهدی مرادی
چکیده
هدف اصلی این پژوهش، مقایسه دقت عملکرد سه روش پرکاربرد شبیه‌سازی شامل مدل‌های ریاضی لایه نازک، شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (انفیس) در تخمین نسبت رطوبت لحظه‌ای ورقه‌های سیب‌زمینی در فرآیند خشک کردن با توان مایکروویو است. برای پیش‌بینی نسبت رطوبت، از هفت مدل ریاضی استفاده شد. بر اساس داده‌های تجربی، توان ...
بیشتر
هدف اصلی این پژوهش، مقایسه دقت عملکرد سه روش پرکاربرد شبیه‌سازی شامل مدل‌های ریاضی لایه نازک، شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (انفیس) در تخمین نسبت رطوبت لحظه‌ای ورقه‌های سیب‌زمینی در فرآیند خشک کردن با توان مایکروویو است. برای پیش‌بینی نسبت رطوبت، از هفت مدل ریاضی استفاده شد. بر اساس داده‌های تجربی، توان مایکروویو، ضخامت نمونه‌ها و زمان فرآیند به عنوان پارامترهای ورودی و نسبت رطوبت به عنوان پارامتر خروجی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی در نظر گرفته شدند. شبکه‌های عصبی بر اساس ساختار پس‌انتشار پیش‌خور چند لایه (MFFBp ) و پس‌انتشار پیشرو زنجیره‌ای (CFBp )، توابع فعال‌سازی خطی (Lin)، تانژانت هایپربولیک سیگموئید (Tan) و لگاریتمی (Log) و الگوریتم‌های یادگیری لونبرگ-مارکوارت (LM) و تنظیم بیزی (BR) طراحی شد. برای شبیه‌سازی با استنتاج تطبیقی عصبی-فازی، سیستم فازی از نوع تاکاگی-سوگنو انتخاب، ساختار سیستم استنتاج فازی (FIS) به روش خوشه‌بندی شبکه‌ای (Grid partitioning) ایجاد و از توابع عضویت ANFIS در جعبه‌ابزار منطق فازی نرم‌افزار MATLAB استفاده شد. در میان روش‌های مدل‌سازی مورد مطالعه، مدل میدیلی (Midilli)، شبکه CFBp با توپولوژی 1-10-10-3، الگوریتم آموزش LM و تابع Tan-Tan-Lin و مدل ANFIS با تابع عضویت سیگموئید در ورودی و قوانین فازی 4×3×3 بهترین مدل‌ها شناخته شدند. با توجه به نتایج به دست آمده، هر سه روش مدل‌سازی با دقت مطلوبی قادر به برآورد نسبت رطوبت لحظه‌ای نمونه‌ها بودند. با این حال، مدل ANFIS با ضریب تبیین 0.9997 و میانگین مربعات خطای 5-10×4.53 در برآورد داده‌های تجربی عملکرد بهتری داشت.
