نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشیار گروه مکانیک ماشینهای کشاورزی دانشکده کشاورزی دانشگاه تربیت مدرس
2 استادیار گروه ماشینهای کشاورزی دانشکده کشاورزی دانشگاه بوعلی سینا
3 استادیار مهندسی فناوری اطلاعات دانشگاه تربیت مدرس
چکیده
هدف از این تحقیق پیشبینی ضریب تبدیل شلتوک به برنج سفید در خشک‌کردن به روش بستر ثابت به کمک شبکه‌های عصبی مصنوعی است. چند پارامتر در عملکرد خشک‌کن‌های بستر ثابت مؤثرند که به عنوان متغیرهای مستقل برای شبکة عصبی مصنوعی در نظر گرفته شدهاند. این متغیرها عبارتاند از رطوبت نسبی هوای محیط، دمای هوای محیط، سرعت هوای ورودی، عمق بستر شلتوک، دمای هوای ورودی، رطوبت اولیه و رطوبت نهایی. برای ایجاد الگوهای آموزش و ارزیابی به وسیلة یک خشک‌کن آزمایشگاهی، 357 آزمایش خشک کردن اجرا شد. سپس نمونه‌هایی از عمق‌های مختلف خشک‌کن جدا و عملیات پوست‌کنی و سفید‌کردن با دستگاه‌های آزمایشگاهی انجام شد. ضریب تبدیل برای تمام عمق‌ها اندازهگیری و میانگین آنها به عنوان ضریب تبدیل آزمایش منظور شد. از شبکه‌های پس انتشار پیشرو و پس‌انتشار پیشخور با الگوریتم‌های یادگیری لونبرگ- مارکوارت و تنظیم بیزی برای آموزش الگوهای موجود استفاده شد. نتایج نشان داد که شبکة پس‌انتشار پیشخور با توپولوژی 1-7-7-7 و الگوریتم آموزش لونبرگ- مارکوارت و راهبرد توابع یکسان برای تمام لایه‌ها (تانژانت سیگمویید) قادر است راندمان تبدیل شلتوک را به برنج سفید با ضریب تعیین 55/96 درصد و خطای متوسط مطلق 019/0 در شرایط مختلف خشک‌کردن شلتوک در گسترة بستر ثابت پیشبینی کند. نتایج نشان داد که دمای هوای ورودی و پس از آن میزان رطوبت نهایی، بیشترین تأثیر را بر ضریب تبدیل شلتوک دارند.
عنوان مقاله [English]
Prediction of Head Rice Yield in Fixed Bed Drying Using Artificial Neural Networks
چکیده [English]
The objective of this research was the prediction of head rice yield (HRY) in fixed bed dryer by using artificial neural network approach. Several parameters affect on operation of fixed bed dryers that were considered as input variables for artificial neural network. These variables were: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture content and inlet air temperature. In total, 375 drying experiments were accomplished for creating of training and testing patterns by a laboratory dryer. Samples were separated from various depths of dryer and then dehulling and polishing operations were done by laboratory apparatues. HRY was measured for all the depths and average of them was considered as HRY for each experiment. Feed forward neural network and cascade forward neural network with Levenberg-Marquardt and Bayesians regulation back propagation algorithm were used for training of presented patterns. Results showed that the feed forward back propagation algorithm with topology of 7-7-7-1 and Levenberg-Marquardt training algorithm and similar activation functions for all of the layers (Sigmoid Tangent) predicted the HRY with coefficient of determination 0.9655 and mean absolute error 0.019 at different conditions of fixed bed paddy drying method. Results showed that the input air temperature and final moisture content had the strongest effect on HRY.
کلیدواژه‌ها [English]
- Bayesian Regularization
- Feed- Forward Back Propagation Network
- Head Rice Yield
- Levenberg-Marquardt
- Rough Rice
)