%0 Journal Article %T مقایسه مدل‌ ریاضی و شبکه عصبی مصنوعی در تخمین نسبت رطوبت برش‌های پرتقال طی فرآیند خشک‌شدن %J فناوری‌های جدید در صنعت غذا %I ﺳﺎزﻣﺎن ﭘﮋوهشهای ﻋﻠﻤﯽ و ﺻﻨﻌﺘﯽ اﯾﺮان %Z 2783-350X %A نیکزاد, مریم %A خاورپور, مریم %A موقرنژاد, کامیار %D 2019 %\ 01/21/2019 %V 6 %N 2 %P 161-174 %! مقایسه مدل‌ ریاضی و شبکه عصبی مصنوعی در تخمین نسبت رطوبت برش‌های پرتقال طی فرآیند خشک‌شدن %K پرتقال %K خشک کردن %K نسبت رطوبت %K شبکه عصبی مصنوعی %K مدل ریاضی %R 10.22104/jift.2018.2853.1689 %X در تحقیق حاضر، خشک‌کردن لایه نازک برش‌های پرتقال در خشک‌کن هوای داغ آزمایشگاهی مدل‌سازی گردید. فرایند خشک‌کردن تحت شرایط متفاوت، سه دمای 50، 60 و 70 C° و سرعت جابه‌جایی هوای 0/1و  0/2 m/s انجام شد. آنالیز آماری داده‌ها نشان داد که تغییرات دما و سرعت جابه‌جایی هوا بر روی نسبت رطوبت اثرات معنی‌داری 05/0>p داشته، اما اثر متقابل دما و سرعت جابه‌جایی هوا، اثر معنی‌دار نداشته است. بنابر نتایج حاصل، کم‌ترین نسبت رطوبت در برش‌های پرتقال خشک شده تحت دمای 70 C° و سرعت جابه‌جایی هوای0/2 m/s به‌میزان 3/5% به‌دست آمد. پس از انجام آزمایش‌ها، داده‌های حاصل از آزمایش‌های خشک‌کردن با 7 مدل شناخته‌شده ریاضی برازش داده شد. بر اساس نتایج برازش، مدل پیج با بالاترین مقدار ضریب تعیین 9992/0R2= و 3-10×71/2=RMSE در مقایسه با سایر مدل‌ها عملکرد بهتری در برآورد نسبت رطوبت، نشان داد. هم‌چنین، از مدل شبکه عصبی مصنوعی پس‌انتشار پیش‌خور برای تخمین نسبت رطوبت برش‌های پرتقال بر اساس سه متغیر ورودی مدت زمان خشک‌کردن، دما و سرعت جابه‌جایی هوا استفاده شد. در طراحی این شبکه از دو تابع آستانه تانژانت هیپربولیک و خطی در لایه پنهان و خروجی استفاده گردید. شبکه عصبی طراحی شده با توپولوژی 1-20-3 و الگوریتم آموزشی لونبرگ-مارکوات بهترین نتایج را با بالاترین مقدار ضریب تعیین 9994/0R2= و کم‌ترین مقدار ریشه مجذور خطا 3-10×009/1=RMSE  ارائه داد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه، دارای دقت بالاتری در تخمین نسبت رطوبت برش‌های پرتقال طی فرایند خشک‌شدن است. %U https://jift.irost.ir/article_676_8ebe49129f77ef599be39e65cdaccec2.pdf