محمد کاوه؛ یوسف عباسپور گیلانده؛ رضا امیری چایجان؛ رضا محمدی گل
چکیده
هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشککن بسترسیال با استفاده از روشهای مدلسازی ریاضی، شبکههای عصبی مصنوعی و منطق فازی میباشد. فرآیند خشککردن در سه سطح دمایی (40، 55 وC °70) و سه سطح سرعت هوای ورودی (5/0 و 5/1 و ms-15/2) صورت گرفت. از 5 مدل ریاضی خشککردن جهت پیش بینی نسب رطوبت سیر و موسیر ...
بیشتر
هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشککن بسترسیال با استفاده از روشهای مدلسازی ریاضی، شبکههای عصبی مصنوعی و منطق فازی میباشد. فرآیند خشککردن در سه سطح دمایی (40، 55 وC °70) و سه سطح سرعت هوای ورودی (5/0 و 5/1 و ms-15/2) صورت گرفت. از 5 مدل ریاضی خشککردن جهت پیش بینی نسب رطوبت سیر و موسیر استفاده شد. سرعت هوای ورودی، دمای هوای ورودی و زمان خشککردن بهعنوان پارامترهای ورودی در پیشبینی نسبت رطوبت، برای شبکههای عصبی مصنوعی و منطق فازی مورد استفاده قرار گرفت. برای ایجاد الگوهای آموزشی و ارزیابی فرآیند، از شبکه عصبی پس انتشار پیشخور و پیشرو با توابع آموزش لونبرگ- مارکوارت (LM) و تنظیم بیزی (BR) و همچنین از سیستم استنتاجی فازی ممدانی و بهکارگیری تابع عضویت مثلثی برای مدلسازی استفاده شد. با توجه به نتایج بهدست آمده، بهترین مدل برای پیشبینی خشک کردن سیر مدل (Page) و برای موسیر مدل Midilli و همکاران انتخاب شد. نتایج بررسیهای شبکه عصبی مصنوعی نشان داد که بهترتیب ضرایب تبیین 9994/0 و 9996/0، ریشه خطای میانگین مربعات 0036/0 و 0014/0 و میانگین خطای مطلق 044/0 و 038/0 در شرایط مختلف خشککردن سیر و موسیر را پیشبینی نماید. همچنین سیستم استنتاجی فازی این مقادیر را برای سیر و موسیر بهترتیب (ضرایب تبیین 9997/0 و 9998/0، ریشه خطای میانگین مربعات 0027/0 و 0011/0 و میانگین خطای مطلق 032/0 و 029/0) بهدست آورد. مقایسه نتایج بهدست آمده از مدلهای ریاضی، شبکههای عصبی مصنوعی و منطق فازی نشان داد که ریشه خطای میانگین مربعات در منطق فازی کمتر از شبکههای عصبی مصنوعی و مدلهای ریاضی است.
رضا محمدی گل؛ محمد هادی خوش تقاضا؛ رسول ملک فر؛ منصوره میرابوالفتحی؛ علی محمد نیکبخت
چکیده
آلودگی ناشی از زهرابه قارچی آفلاتوکسین بهعنوان یک معضل اساسی برای صادرات پسته محسوب می شود. با توجه به استقبال روزافزون استفاده از تکنیک طیفسنجی رامان در تشخیص و تفکیک مواد مختلف و همچنین مسائل پیشروی روشهای آزمایشگاهی سنجش سم مذکور (مانند هزینه بالا و زمان بر بودن)، هدف از این پژوهش بررسی امکان تشخیص و سنجش آفلاتوکسین پسته با ...
بیشتر
آلودگی ناشی از زهرابه قارچی آفلاتوکسین بهعنوان یک معضل اساسی برای صادرات پسته محسوب می شود. با توجه به استقبال روزافزون استفاده از تکنیک طیفسنجی رامان در تشخیص و تفکیک مواد مختلف و همچنین مسائل پیشروی روشهای آزمایشگاهی سنجش سم مذکور (مانند هزینه بالا و زمان بر بودن)، هدف از این پژوهش بررسی امکان تشخیص و سنجش آفلاتوکسین پسته با تکنیک طیف سنجی رامان و استفاده از شبکههای عصبی بوده است. نمونههای مورد تحقیق در 3 سطح بدون آلودگی (سالم)، آلودگی 20 و 100 نانوگرم در گرم (ppb) از مجموع آفلاتوکسینهای (B1+B2+G1+G2) آماده شدند. بعد از طیف برداری، با توجه به نتایج، هنجارسازی دادههای طیفی بهعنوان روش پیش پردازش مناسب، انتخاب شد و بهدنبال آن برای کاهش ابعاد داده های طیفی استخراج مؤلفههای اصلی صورت پذیرفت. برای طبقهبندی نمونهها، شبکه پرسپترون با قانون یادگیری پس انتشار خطا (با 4 مؤلفه اصلی مؤثر بهعنوان ورودی و 3 نرون در لایه پنهان) مورد استفاده قرار گرفت. متوسط دقت طبقه بندی شبکه 98 درصد بهدست آمد و بنابراین، مدلسازی غیرخطی دادههای طیف رامان توسط شبکه عصبی پرسپترون در طبقه بندی نمونهها موفقیتآمیز ارزیابی شد.
