مهندسی صنایع غذایی-مدلسازی
الهام زایرزاده؛ محسن مختاریان؛ امیر دارایی؛ مجتبی حیدری مجد
چکیده
برای دستیابی به بهبود و کنترل بهتر کیفیت محصول نهایی، استفاده از شبیه ساز ریاضی و مدل سازی منحنی های خشک کردن در شرایط مختلف ضروری است. این روش ها معمولاً برای مطالعه عوامل موجود در فرآیند، بهینه سازی شرایط و فاکتورهایی کاری و پیش بینی سینتیک خشک شدن محصول اعمال می شود. در مقاله حاضر به منظور پیش بینی نسبت رطوبت ورقههای گوجه خشک شده ...
بیشتر
برای دستیابی به بهبود و کنترل بهتر کیفیت محصول نهایی، استفاده از شبیه ساز ریاضی و مدل سازی منحنی های خشک کردن در شرایط مختلف ضروری است. این روش ها معمولاً برای مطالعه عوامل موجود در فرآیند، بهینه سازی شرایط و فاکتورهایی کاری و پیش بینی سینتیک خشک شدن محصول اعمال می شود. در مقاله حاضر به منظور پیش بینی نسبت رطوبت ورقههای گوجه خشک شده از دو ابزار هوشمند از جمله شبکه عصبی مصنوعی (ANN) و الگوریتم ژنتیک (GA) استفاده شده است. برای این منظور، ابتدا چهار مدل ریاضی از سایر مطالعات گرفته شد و سپس با داده های تجربی مطابقت داده شدند. سپس بهترین مدل برازش برای منحنی خشک کردن گوجه فرنگی انتخاب شد. طبق نتایج، مدلی که توسط آغباشلو و همکاران پیشنهاد شده است، عملکرد بسیار خوبی به منظور پیش بینی نسبت رطوبت ورقه های گوجه خشک شده نشان داد. علاوه بر این، از الگوریتم ژنتیک برای بهینه سازی بهترین مدل تجربی استفاده شد. در نهایت، نتایج با نتایج مشاهده شده در مدل های شبکه عصبی مصنوعی و الگوریتم ژنتیک مقایسه شد. نتیجه نشان داد که مدل الگوریتم ژنتیک دقت بالاتری را به منظور پیش بینی نسبت رطوبت گوجه خشک با ضریب همبستگی (R2) 9987/0 ارائه می دهد.
احسان محمودی؛ سید مهدی جعفری؛ ندا رحمانیان جهرمی؛ محمد جواد اکبریان میمند؛ مهدی وطن خواه
چکیده
در این پژوهش، امکان استفاده از پردازش صدای برخورد در حوزه موجک گسسته و شبکه عصبی مصنوعی جهت جداسازی فندقهای درشت، متوسط و ریز و نیز جداسازی انواع مغزدار و پوک، بررسی شدهاست. ابتدا فندقها بر اساس اندازه به سه گروه درشت، متوسط و ریز تقسیم شدند. فندقهای هر گروه وزن شدند تا انواع مغزدار و پوک از یکدیگر تفکیک ...
بیشتر
در این پژوهش، امکان استفاده از پردازش صدای برخورد در حوزه موجک گسسته و شبکه عصبی مصنوعی جهت جداسازی فندقهای درشت، متوسط و ریز و نیز جداسازی انواع مغزدار و پوک، بررسی شدهاست. ابتدا فندقها بر اساس اندازه به سه گروه درشت، متوسط و ریز تقسیم شدند. فندقهای هر گروه وزن شدند تا انواع مغزدار و پوک از یکدیگر تفکیک شوند. سپس به منظور نمونهبرداری، تمامی دانهها از ارتفاع 40 و 50 سانتیمتری رها شدند و با صفحه فلزی برخورد کردند. صدای برخورد، توسط میکروفن ضبط گردید. سیگنالها پس از پیشپردازش، در حوزه موجک گسسته پردازش شده و مشخصات بدست آمده، به عنوان ورودی شبکه عصبی مصنوعیبکارگرفته شدند. شبکههای عصبی با 3 و 9 نورون در لایه پنهان، به ترتیب توانستند فندقهایی که از ارتفاع 40 و 50 سانتیمتری رها شده بودند را با دقت 100درصد، از یکدیگر تفکیک کنند. همچنین فندقهای مغزدار و پوک گروه درشت، متوسط و ریز به طور جداگانه به ترتیب با دقتهای 100، 99/16 و 98 درصد برای ارتفاع 40 سانتیمتری و 100، 99/66 و 97/5 درصد برای ارتفاع 50 سانتیمتری جدا گردیدند. نتایج حاصل از این تحقیق در ترکیب با روشهای متداول جداسازی فندق، میتواند علاوه بر افزایش دقت و سرعت جداسازی، باعث کاهش آسیبدیدگی آنها گردد.
محسن مختاریان؛ فاطمه کوشکی
چکیده
در این پژوهش خشک کردن لایه ای نازک گوجه فرنگی به روش جابجایی هوای داغ شبیه سازی گردید. اسلایس های گوجه فرنگی در دو دمای (60 و 70 درجه سانتیگراد) خشک شدند. شبکه عصبی پرسپترون برای پیش بینی نسبت رطوبت و سرعت خشک کردن نمونه ها در طی خشک کردن بکار گرفته شد. بهترین چیدمان شبکه عصبی برای شبکه اول بر اساس یک لایه پنهان،2 و 8 نرون در لایه پنهان به ...
بیشتر
در این پژوهش خشک کردن لایه ای نازک گوجه فرنگی به روش جابجایی هوای داغ شبیه سازی گردید. اسلایس های گوجه فرنگی در دو دمای (60 و 70 درجه سانتیگراد) خشک شدند. شبکه عصبی پرسپترون برای پیش بینی نسبت رطوبت و سرعت خشک کردن نمونه ها در طی خشک کردن بکار گرفته شد. بهترین چیدمان شبکه عصبی برای شبکه اول بر اساس یک لایه پنهان،2 و 8 نرون در لایه پنهان به ترتیب برای نسبت رطوبت و آهنگ خشک کردن بود. همچنین بهترین چیدمان شبکه عصبی دوم بر اساس یک لایه پنهان، 11 نرون برای نسبت رطوبت و آهنگ خشک کردن بود. به طور کلی نتایج نشان داد که شبکه عصبی با آرایش دوم نتایج بهتری را در پیش بینی پارامترهای خشک کردن گوجه فرنگی ارائه نمود.