محسن آزادبخت؛ محمد واحدی ترشیزی
چکیده
آسیب‌های گلابی یکی از علت‌های اصلی ازدست‌دادن کیفیت میوه است. کبودی در هنگام بارگذاری دینامیکی و شبه استاتیک رخ می‌دهد که باعث تخریب بافت سالم میوه می‌گردد. در این پژوهش ابتدا گلابی‌ها تحت بارگذاری شبه استاتیکی (لبۀ پهن و لبۀ نازک) و بارگذاری دینامیکی قرار گرفتند. سپس در دوره‌های 5، 10 و 15 روزه انبارداری شده و بعد از هر دوره انبارداری ...
بیشتر
آسیب‌های گلابی یکی از علت‌های اصلی ازدست‌دادن کیفیت میوه است. کبودی در هنگام بارگذاری دینامیکی و شبه استاتیک رخ می‌دهد که باعث تخریب بافت سالم میوه می‌گردد. در این پژوهش ابتدا گلابی‌ها تحت بارگذاری شبه استاتیکی (لبۀ پهن و لبۀ نازک) و بارگذاری دینامیکی قرار گرفتند. سپس در دوره‌های 5، 10 و 15 روزه انبارداری شده و بعد از هر دوره انبارداری با استفاده از تکنیک غیرمخرب سی‌تی‌اسکن (CT-Scan) برای تخمین درصد پوسیدگی مورد بررسی قرار گرفتند. شبکۀ عصبی مصنوعی پرسپترون چندلایه (MLP) با دولایۀ پنهان و تعداد 3، 5، 7 و 9 نرون در هر لایه برای مدل‌سازی نیروی بارگذاری و دورۀ انبارداری میوۀ گلابی جهت پیشگویی میزان پوسیدگی انتخاب گردید. بیشترین مقادیر R2 آموزش و آزمون برای بارگذاری شبه استاتیکی لبۀ نازک و لبۀ پهن در شبکه‌ای با 9 نرون به‌ترتیب 0/91=لبۀ نازک آموزش، 0/99=لبۀ نازک آزمون و 0/95= لبۀ پهن آموزش و 0/99= لبۀ پهن آزمون بوده است و برای بارگذاری دینامیکی شبکه‌ای با 3 نرون در لایۀ مخفی 0/98=آموزش، 0/99=آزمون بیشترین مقدار را به خود اختصاص داده است. همچنین بهترین شبکه برای یادگیری (9 نرون) بارگذاری شبه استاتیکی لبۀ نازک، (7 نرون) بارگذاری شبه استاتیکی لبۀ پهن و بارگذاری دینامیکی (7 نرون) بود. باتوجه‌به نتایج به‌دست‌آمده برای R2، RMSE و سیکل یادگیری می‌توان گفت شبکۀ عصبی توانایی پیش‌بینی میزان درصد پوسیدگی را در حد قابل‌قبولی برای گلابی داشته است.
