بخشی از مقاله
چکیده
هدف از این تحقیق پیشبینی محتوي رطوبتی موز در طی فرآیند خشککردن با جریان هواي گرم به عنوان تابعی از دما، سرعت هوا، ضخامت ورقه موز، رقم و زمان خشک شدن محصول به کمک شبکههاي عصبی مصنوعی است. دادههاي لازم براي ایجاد الگوهاي آموزش، ارزیابی و آزمون با انجام آزمایشهاي خشک کردن براي تیمارها با استفاده از یک خشککن آزمایشگاهی، جمع آوري شد. براي بدست آمدن تغییرات محتواي رطوبتی با زمان از شبکههاي چند لایه پس انتشار برگشتی با الگوریتمهاي یادگیري لونبرگ- مارکوارت، الگوریتم پس انتشار ارتجاعی و الگوریتم گرادیان نزولی مقیاسی، براي آموزش الگوها استفاده شد. الگوریتم لونبرگ-مارکوات نتایج بهتري نسبت به دیگر الگوریتمها نشان داد. شبکه عصبی با الگوریتم لونبرگ-مارکوات با ساختار 5 - 16-16 - 1 با تابع آستانه سیگموئید لگاریتمی در مقایسه با توپولوژيهاي دیگر نتایج بهتري را ارائه کرد. این توپولوژي تغییرات زمان خشکشدن موز را با ضریب تبیین 0/9994 پیشبینی کرد.
واژههاي کلیدي: خشککردن، محتواي رطوبتی، موز، شبکه عصبی مصنوعی
مقدمه
نگهداري مواد غذائی به طریقه خشک کردن یکی از قدیمیترین روشها میباشد که توسط آن فعالیت آبی یک مادة غذائی به کمک حذف تقریباً تمامی آب آزاد ماده غذائی توسط تبخیر و یا تصعید متوقف میگردد بطوريکه باکتريها و عوامل بیماريزا قادر به رشد نبوده و از فساد ماده غذائی جلوگیري میشود - خوش تقاضا و همکاران، . - 1386 از آنجا که خشک شدن باعث خروج رطوبت میشود، بنابراین اندازه و وزن میوه کم شده و هنگام مصرف، آب خارج شده به میوه برگردانده شده و میوه به شکل اولیه خود باز میگردد - هاریسون و آندرس، . - 1914
با اینکه خشک کردن میوهها با گرماي خورشید بسیار اقتصادي است ولی بعضی اوقات عوامل جوي از جمله بارندگی، رطوبت زیاد و یا بادهاي شدید باعث میشود روش خشککردن مصنوعی انتخاب گردد. عوامل دیگر از قبیل آلودگیها و وجود گرد و خاك و حمله حشرات و پرندگان، عمل خشککردن طبیعی را مشکل میسازد. علاوه بر آن در این روش خشک کردن نیاز به نیروي کاري زیادي نیز میباشد. در اکثر کشورها براي جلوگیري از آلودگیها و سرعت بخشیدن به عمل خشک شدن، خشککردن با خشککنهاي صنعتی - خشککنهاي با جریان هواي گرم و خورشیدي -
جایگزین روشهاي سنتی گردیده است و از این طریق توانستهاند محصولات با کیفیت بالاتر و بدون ضایعات را در زمانی کوتاهتري بدست آورند. از معایب عمده خشککنهاي خورشیدي محدود بودن زمان تابش خورشید و کوتاه بودن فصل برداشت براي اکثر محصولات کشاورزي است. خشککنهاي جریان هواي گرم بخصوص براي محصولاتی که زمان زیادي براي خشک شدن نیاز دارند، فرآیند خشک شدن را تسریع و با ایجاد شرایط بهداشتی و یکنواختی محصول نهایی، براي خشککردن محصولات کشاورزي اجتناب ناپذیر است - کاراتانوس و بلسیوتیس، . - 1997
یکی از جنبههاي مهم فنآوري خشککردن به خصوص براي فرآیندهاي صنعتی، مدلسازي ریاضی فرآیند خشک- کردن است. هدف از مدلسازي این است که مناسبترین روش خشککردن و همچنین بهترین شرایط عملیاتی را براي بدست آوردن یک محصول معین، بتوان انتخاب کرد. یکی از مهمترین پارامترهاي فرآیند خشک کردن، پیشبینی تغییرات محتواي رطوبتی در طی زمان است. رسیدن به محتواي رطوبتی مطلوب در خشککردن موز به خاطر این که تحت تأثیر چندین پارامتر متغیر که رابطه غیر خطی با آنها دارد، سخت و زمانبر است. همچنین خشککردن بیش از حد، انرژي زیادي مصرف میکند و روي شاخصهاي کیفی محصول خشک شده تأثیر میگذارد و از طرفی اگر رطوبت به حد مطلوب پایین آورده نشود،
باعث کپک زدن محصول میشود، بنابراین رسیدن به یک محتواي رطوبتی مطلوب یکی از شاخصهاي کلیدي در فرآیند خشککردن است. روشهاي متداول بر پایه اصول اولیه براي پیشبینی فرآیند، زمان زیادي صرف میکند و ّدقت نتایج بدست آمده از آنها رضایت بخش نیست. شبکههاي عصبی مصنوعی قدرت تامین دقّت و سرعت لازم را براي پیشبینی فرآیند خشک کردن را دارند. استفاده از سیستمهاي پیشرفته اندازهگیري که نیاز به تجهیزات زیاد دارد، باعث افزایش قیمت و کاهش محبوبیت استفاده از خشککنها میشود. مدلهاي فیزیکی ارائه شده در این زمینه براي برآورد محتواي رطوبتی بر اساس پارامترهاي هواي خشک، نیاز به عملیات زیادي براي تعیین پارامترها و حل مدل دارد و با توجه به تقریبی بودن پارامترها، خطاي پیش-
بینی آن زیاد است - فارکاس و همکاران،. - 2000
با توجه به اینکه شبکههاي عصبی از دو ویژگی اساسی یادگیري و ساختار پذیري موازي برخوردار هستند، این شبکهها براي مسائل کنترل، علی الخصوص سیستمهاي پیچیده که مدلسازي این سیستمها یا میسر نیست و یا به سختی انجام می شود، بسیار مناسب هستند. شبکه عصبی مصنوعی، یکی از روشهاي محاسباتی است که به کمک فرآیند یادگیري1 و با استفاده از پردازش گرهایی بنام نرون تلاش میکند با شناخت روابط ذاتی بین دادهها، نگاشتی میان فضاي ورودي - لایه ورودي - و فضاي مطلوب - لایه خروجی - ارائه دهد. لایه یا لایههاي مخفی، اطلاعات دریافت شده از لایه ورودي را پردازش کرده و در اختیار لایه خروجی قرار میدهند. هر شبکه با دریافت مثالهایی آموزش میبیند. آموزش فرآیندي است که در نهایت منجر به یادگیري میشود. شبکه عصبی آموزش دیده میتواند براي پیشبینی خروجیهاي متناسب با مجموعه جدید دادهها به کار رود - دایهوف، . - 1990 1- Learning
کوبیلس و ریز - 2003 - براي خشککردن هویج از یک شبکه عصبی مدولار استفاده کردند. پارامترهاي سرعت و دماي هواي خشک و زمان خشککردن به عنوان پارامترهاي ورودي به شبکه در نظر گرفته شده بود. آن ها در بررسی خود از شبکهاي با دو زیر لایه یکی با نرونهاي سیگموئیدي و دیگري با نرونهاي خطی استفاده کردند. منحنیهاي خشککردن حاصل از این شبیهسازي که با این شبکه بدست آمدند با ّدقت مناسبی به دادههاي آزمایشی برازش داده شدند. از این مدل براي خشککردن هویج در یک خشککن مکانیکی استفاده شده بود. نتایج نشان دهنده آن بوده است که شبکه مدولار براي استفاده در تخمین تقریبی به منظور طراحی و انتخاب شرایط کاري بهینه و مقایسه کردن خشککن مناسب است.
خوش تقاضا و همکاران - 1386 - براي پیشبینی ضریب تبدیل شلتوك به برنج سفید در خشککردن به روش بستر ثابت از شبکههاي عصبی مصنوعی استفاده کردند. متغییرهاي مستقل در این تحقیق به عنوان ورودي به شبکه که عبارت بودند از رطوبت نسبی هواي محیط، دماي هواي محیط، سرعت هواي ورودي، عمق بستر شلتوك، دماي هواي ورودي، رطوبت اولیه و نهایی و ضریب تبدیل شلتوك به عنوان خروجی شبکه در نظر گرفتند. نتایج آن ها نشان داد که شبکه پس انتشار پیش خور با توپولوژي 7-7-7-1 با الگوریتم یادگیري لونبرگ- مارکورات با تابع آستانه تانژانت سیگموئیدي قادر است راندمان تبدیل شلتوك را به برنج با ضریب تبیین 96/55 و خطاي متوسط مطلق 0/019 در شرایط مختلف خشک کردن شلتوك پیشبینی کند.
بهروزي خزاعی و همکاران - 1387 - پیشبینی محتوي رطوبتی انگور را با استفاده از شبکههاي عصبی مصنوعی انجام دادند. متغیرهاي مستقلی که به عنوان ورودي به شبکه استفاده شده بود عبارتند از دما و سرعت هوا، و محتواي رطوبتی نهائی انگور به عنوان خروجی شبکه در نظر گرفته شد. از شبکههاي MLP و TDNN با الگوریتمهاي یادگیري لونبرگ- مارکوارت براي آموزش الگوها استفاده کردند. طبق گزارش آن ها شبکه TDNN نتایج بهتري را نسبت به شبکه MLP ارائه کرده است. شبکه TDNN با ساختار 3 -8 -1 با تابع آستانه سیگموئید لگاریتمی در مقایسه با توپولوژيهاي دیگر نتایج بهتري را ارائه نموده است. این توپولوژي تغییرات محتواي رطوبتی انگور را با ضرایب تعیین 0/9979 پیش بینی می کند. هدف از این تحقیق توسعه مدل پیش بینی محتواي رطوبتی موز طی فرآیند خشککردن با استفاده از مدل شبکه عصبی مصنوعی می باشد. پارامترهایی که براي پیش بینی محتواي رطوبتی موز مورد استفاده قرار می گیرند شامل رقم، دماي هواي ورودي، سرعت هواي ورودي، ضخامت و زمان خشک شدن، خواهند بود.
مواد و روشها
طراحی مدل شبکههاي عصبی مصنوعی
در این تحقیق به منظور طراحی مدل شبکه عصبی مصنوعی، جهت توسعه مدل پیش بینی محتواي رطوبتی موز در طی فرآیند خشککردن از نرم افزار MATLAB نسخه 7/8 استفاده گردید. شبکه هاي طرّاحی شده در این تحقیق از نوع شبکه چند لایه پس انتشار برگشتی می باشند. از سه روش الگوریتم لونبرگ- مارکوات، الگوریتم گرادیان نزولی مقیاسی و الگوریتم پس انتشار ارتجاعی به منظور آموزش شبکه استفاده شده است. در شبکههاي عصبی مصنوعی در مورد تعداد لایه هاي مخفی و نیز تعداد مناسب نرونهاي لایه مخفی نمیتوان اظهار نظر قطعی کرد و انتخاب تعداد نرونهاي لایه میانی به صورت سعی و خطا انجام می شود. در این تحقیق نیز تعداد لایههاي
