بخشی از مقاله
چکیده:
شبکه عصبی مصنوعی تکنیکهای پردازش کننده اطلاعات و یک گروه از روشهای محاسبه ای غیر خطی می باشد که از مغز انسان ایده گرفته است وکاربرد فراوانی در بسیاری از زمینه های شیمی تجزیه ای و به طور ویژه در کنترل غذا دارد. در سالهای اخیر توجه به استفاده از شبکه های عصبی به عنوان الگوریتم های حل مشکل بیشتر از توسعه آنها به عنوان نمایش دهنده دقیق سیستم عصبی انسان است.
فاکتورهایی که نشان دهنده کاربرد شبکه های عصبی در بسیاری از زمینه های متفاوت میباشنداز مهمترین آنها اینست که برای ابزارهای محاسباتی غیر خطی که قادر به مدلسازی توابع بسیار پیچیده هستند و همچنین توسط مثال می توانند یاد بگیرنداستفاده میشود داده های حاضر توسط آلگوریتم های آموزش دهنده طراحی شده آموزش میبیند همانطوریکه انسان اطلاعات بدست آمده از تجربیات قبلی را برای مشکلات یا شرایط جدید به کار می برد ،شبکه های عصبی مثالهای حل شده قبلی را برای ساخت یک سیستم عصبی به کار می گیرد تا تصمیمات تکرارپذیر،طبقه بندی کردن یا پیشگویی جدیدی را بسازد..در این مقاله مروری به بررسی چگونگی کاربرد شبکه عصبی مصنوعی ونتایج بدست آمده از آن در خشک کردن برخی از محصولات پرداختیم.
مقدمه:
محصولات کشاورزی در مقادیر بالا تولید میشوند. اما آنها بلافاصله مصرف نمیشوند. با این حال بسیاری از این محصولات را میتوان با فرآیند خاصی حفظ کرد. خشک کردن یکی از فرآیندهای گسترش زندگی اقتصادی محصولات کشاورزی بدون از دست رفتن خواص تغذیهای آنها قبل از مصرف میباشد. خشک کردن به عنوان یک متد نگهداری بکار برده در مقیاس صنعتی برای کاهش فسادهای بیوشیمیایی، شیمیایی و میکروبیولوژی بوسیله کاهش مقدار آب فعالیت آبی میوهها و سبزیجات است.
آب بوسیله انتشار از درون مواد غذایی به سطح خارجی مواد انتقال مییابد و از آنجا بوسیله همرفت به جریان هوا میرود.تعریف انتقال رطوبت در محصولات غذایی به صورت ریاضی دشوار است. ارتباط تجربی ، ریاضی معمولاً نتایج دقیقی برای هرتجربه خاص میدهد. اما معادله برای شرایط دیگر معتبر نیست و هیچ راهی برای بدست آوردن معادله.عمومی برای طیفی از پارامترهای خشک کردن وجود ندارد. تلاش زیادی در این زمینه با هدف توسعه مدلها ی خطی و غیر خطی برای فرآیندهای خشک کردن صورت گرفت که مدل جدید شامل شبکه عصبی مصنوعی است.
-1پیشگوئی پارامترهای فرایند و محصول در یک خشک کن با اسپری آب پرتقال با استفاده شبکه عصبی مصنوعی فراوری مواد در خشک کن اسپری یک تعامل پیچیده ای که شامل دستگاهها، فراوری و پارامتر های تولید است که روی کیفیت نهایی مواد اثر می گذارند
کیفیت غذای خشک شده با اسپری نسبتاً بستگی به پارامتر های عملیات خشک کن با اسپری دارد . این موضوع استفاده از سیستمهای هوشمند را برای کنترل کردن اتوماتیک دقیق واحدهای خشک کردن، براساس پارامترهای تولید محصول و فرایند ایجاب می کند .
کنترل اتوماتیک در افزایش سرعت ، به حداقل رساندن هزینه ها و بدست آوردن کیفیت محصول پایدار و هشدار دادن زود مشکلات امر واجبی است . تکنولوژیANN نشان داده شده که یک ابزار سودمند برای بررسی، تخمین و پیشگویی خصوصیات فیزیکی پودر آب پرتقال همانند پارامترهای فرایند خشک کردن با اسپری است. بعد از ارزیابی تعداد زیاد آزمون ها با طراحهای ANN مختلف ، مدل مطلوب یک ANN با تحلیل خطای 4 لایه می باشد که 14 و 10 نورون در لایه مخفی اول و ودوم دارد.
مدل ANN نهایی انتخاب شده قادر به پیشگویی 7 پارامتر برونداد با RMSE<0/052و r2بالاتر از 0/93 و مقادیر T بالاتر از 0/98 می باشند . نتایج ثابت کردندکه مدلANNکه آموزش مناسب دیده قادر به ایجاد 7 برونداد به طور همزمان است ، بر خلاف مدلهای سنتی که یک مدل ریاضی برای هر برونداد در نظر گرفته می شد . شبکه های عصبی تابع بر پایه radial قادر به یادگیری روابط بین پارامترهای درونداد و برونداد نبودند. پارامترهای ANN اثر معنی داری روی توانایی یادگیری مدل های ANN داشتند.
-2روش شبکه عصبی برای پیشگویی دمای غذا در طول خشک کردن خورشیدی امروزه به دلیل اینکه برای خشک کردن مواد غذایی با استفاده از هوا با دمای بالا به انرژی زیاد با هزینه زیاد نیاز است و این نیز ممکن است باعث تخریب برخی از ترکیبات ماده غذایی شود و به دلیل اینکه منابع انرژی رو به کاهش است از این رو توجه زیا دی در این زمینه به منابع تجدید شونده شده مانند انرژی خورشیدی که بویژه در هند مورد استفاده قرار گرفته و دارای پتانسیل فوق العاده ای است ودمای پایین مورد نیاز برای خشک کردن را فراهم میکند وبا بازده %40مصرف انرژی را %80-27 کاهش می دهد.
مدل ANN های مختلف برای پیشگویی دمای خلال ها و برشهای سیب زمینی در طول خشک کردن خورشیدی ،برپایه اندازه گیری انحراف خطا از دادههای تجربی با مقایسه پیش بینی نتایج بدست امده از مدل ANN با نتایج بدست آمده از انتشار حرارت تجزیه ای و مدل های آماری برای ارزیابی ارزش این کار را دارد. در این کار، لایه درونی شامل 2 نورون مطابق با پارامترهای آب و هوایی بنام شدت تابش خورشیدی و دمای هوای محیط در حالی که لایه خروجی یک نورون نشان دهنده دمای گذار محصول غذایی بود.
یک لایه مخفی برای ایجاد مدل کافی و مناسب دیده شد. با این وجود تعداد لایه های مخفی و نورونها در هر لایه مخفی می تواند بر اساس پیچیدگی مساله و مجموعه داده ها متفاوت باشد.اعداد آماری خطای میانگین مطلق، Root Mean Square Error ، Standard Error و ضریب همبستگی برای چک کردن عملکرد مدل ایجاد شده به کاربرده شد بر اساس نتایج این مطالعه برای هر دو شکل برشی و خلالی مدل شبکه عصبی با 4 نورون و تابع انتقالی logsig با الگوریتم trainrp backpropagation بهترین دقت در کمترین مقدار خطا را بدست می دهد که می توان مناسب ترین مدل ANN برای خلال ها و برش های سیب زمینی در نظر گرفت.
علاوه بر این ، مقادیر پارامترهای خشک کردن و منحنی های مشخصه خشک کردن خلال ها و برش ها توسط روش آنالیز رگرسیون غیر خطی داده های تجربی محتوای رطوبت و زمان خشک کردن بدست آمد نتایج مقایسه ای روی توانایی پیشگویی ANN با انتشار حرارت و مدل های آماری نشان داد که مدلANN بهتر می تواند آزمایشات را برای خشک کردن خورشیدی شبیه سازی کند
-3مدلسازی خشک کردن گوجه فرنگی با استفاده از شبکه عصبی
گوجه فرنگی - Solanum lycopersicum - یکی از مهمترین محصولات کشاورزی است که در سراسر جهان تولید می شود. این گیاه زراعی در تولید محصولات متعددی مثل پوره ، رب، کچاپ ، سس و سوپ بکار برده می شود. کارهای قابل ملاحظه ای روی ترکیبات شیمیایی گوجه فرنگی انجام گرفته است . علاقه به تولید گوجه فرنگی های خشک بدلیل امکان کاربرد آنها در دسرهای پیتز1ا، اسنک، پیستو و غذاهای دیگر افزایش می یابد.
یک مطالعه مقایسه ای بین آنالیز رگرسیون و شبکه عصبی چند لایه با خوراک پیشرو برای تخمین توانایی پیشگویی نسبتهای خشک کردن برای گوجه فرنگی انجام شد. یک لایه مخفی شامل 4 نورون برای مدل های شبکه عصبی انتخاب شد.شبکه عصبیMLPبا 3 لایه با به کار بردن آلگوریتم آموزشی تحلیل خطا طراحی شد. اگرچه ثابت های همبستگی برای تغییر از یک شرایط آزمایشی به دیگری اجازه داده شده است، نتایج مدلANN دقیق تر از هر کدام آنهاست. بهترین همبستگی تجربی برای توصیف رفتار خشک کردن گوجه فرنگی دریافته شد که Page با خطای درصد میانگین %5/32 است ، توسط p =6/53% ازSingh وWangو لگاریتمی - - % p=7/85 است .
خطای درصد میانگین همبستگی تجربی دیگر بالاتر از %10 بود در حالیکه خطای درصد میانگین مدل ANN برای داده های تست % 1/18 است. نتایج آماری نشان داد که مدلANN رفتار خشک کردن بسیار دقیق تری را توصیف می کند. با این وجود برتری اصلی مدل های ANN در همبستگی تجربی دقت آن نیست. برتری اصلی مدل های ANN بر معادلات کاملاً تجربی عمومیت آنهاست مدل هایANN قار به توصیف محدوده آزمایشات است در حالیکه کاربرد همبستگی های تجربی محدود به آزمایشات ویژه است مطمئناً. این مطالعه نشان می دهد که همبستگی های تجربی مختلف ممکنست متناسب با سیستم خشک کردن در شرایط مختلف است در حالیکه ANN قادر به توصیف تمام محدوده های شرایط تجربی بطور دقیق تر می باشد.
مدل ANN همچنین قادر به آموزش دوباره است ومحدوده شرایط آزمایشی ممکنست با افزودن مجموعه های جدید آزمایشی گسترده شود. بنابراین نتیجه گرفته می شود که کاربردمدل های ANN به عنوان یکalternative برای توصیف رفتار خشک کردن گوجه فرنگی در نظر گرفته شود. حال آنکه استفاده از همبستگی های ریاضی تجربی به یک آزمون خاص محدود است آزمون های خشک کردن در 4 شرایط مختلف آزمایشی انجام گرفت و نشان داده می شود که همبستگی های ریاضی مختلف برای شرایط مختلف مناسب هستند اما یک مدل ANN نتایج بهتر برای هر آزمایشی می دهد.
-4سینتیک خشک کردن اسمزی سیب با استفاده از شبکه عصبی مصنوعی خشک کردن اسمزی به عنوان یک مرحله پیش تصفیه برای فرآیند خشک کردن میوهها، خشک کردن با هوا ،مایکروویو و یا یخ خشک برای بهبود خواص تغذیه ای ،حسی، کاربردی میوهها، کاهش آسیب حرارتی و کاهش تغییر رنگ و طعم است. اساس کار اسمزی قرار دادن میوه در محلول آبی که تغلیظ شده از املاح محلول به طوری که آب از میوه خارج شود و مواد محلول به داخل میوه انتشار پیدا کند .
همچنین کمی از املاح محلول در میوه به محلول اطراف میوه جریان مییابند که این جریان مخالف یکی از مشکلات OD است مدل شبکه عصبی مصنوعی برای پیش بینی از دست دادن آب - wl - و افزایش مواد جامد - - SG در روش اسمزی گسترش یافته است. خشک کردن استوانههای سیب با استفاده از طیف وسیعی از دادهها آن را عمومیتر ساخته است.
این مدل به صورت ریاضی 6 متغیر فرآیند مثل - دما،غلظت محلول اسمزی،زمان غوطه وری , محلول کردن میوه برای سرعت انتقال ،تحریک سطح - را با WL وSG مرتبط کرد. مدل ANN مطلوب شامل یک لایه پنهان، چهار نورون ، قادر به پیش بینی WL وSGدر طیف گستردهای از متغیرهای فرایند با متوسط مربع خطای 13/9و 4/4و ضریب رگرسیون 0/96و 0/89به ترتیب در آزمون مرحله اول بوده است. این مدل در مقایسه با رگرسیون خطی چند متغیره بهترعمل میکند
-5پیش بینی سرعت خشک کردن انگور از کار افتاده با شبکه عصبی مصنوعی
در این مطالعه سینتیک خشک کردن لایه نازک داده های انگور به طورتجربی مورد استفاده قرارگرفت. آزمایشها در سه سرعت متفاوت هوا انجام شد. مشخص شد که خشک شدن کوتاه مدت به عنوان فرآیند خشک کردن در دوره نزولی خشک کردن اتفاق میافتد. در خشک کن توسعه یافته ، فعالیت خشک کردن یکنواخت نیست و محصولات خشک شده با یک سیستم با ذخیره حرارتی در رسانههای جریان چرخش در زمان کوتاهی به مقادیر کمتری رطوبت دست یافتندFNN برای تعیین سرعت خشک کردن انگور توسعه یافت.
پارامترهای ورودی برای مدل FNN محتوی رطوبتی ، تفاوت دمای هوای گرم ،ونرخ جریان بود.بر اساس نتایج تجزیه وتحلیلی خطا ، FNN با 10 نورون و تابع فعال سیگموئیدی تانژانت هیپربولیک با تکنیک بهینه مناسب ترین مدل برای پیش بینی قابلیت نرخ خشک کردن گذرا است. ضریب همبستگی ،NLR ، MLR ،RMSE ، MAE برای ارزیابی مدل مورد استفاده قرار گرفت و این دریافت شد که مدل FNNبهتر از مدلهای رگرسیون عمل میکند. این یعنی مدل FNN بدست آمده یک ابزار مناسب و مفید برای تجزیه وتحلیل رفتار غیر خطی خشک کردن و برای بکاربردن مطالعات مختلف مهندسی انرژی میباشد.
نتیجه گیری:
مدل های ریاضی بارها به عنوان وسیله ای برای تخمین زمان های حرارت دادن یا سرد کردن برای غذا استفاده شده تا کیفیت غذایی بهبود یابد .با این وجود چنین مدل هایی بطور گسترده استفاده نمی شوند چون بسیار پیچیده اند و زمان زیادی برای حل آنها لازم است. در چنین شرایطی که در آن رابطه بین متغیر های مختلف پیچیده است شبکه عصبی مصنوعی بطور گسترده استفاده می شود ومی تواند یک نقش مطمئنی در حل مسائل با دقت مناسب داشته باشد.
