بخشی از مقاله
چکیده
شبکههای عصبی مصنوعی نوعی مدلسازی ساده انگارانه، شبیهسازی شده و الهام گرفته از مطالعهی سیستم مغز و شبکهی عصبی موجودات زنده است. قدرت بالای عملکرد سیستمهای بیولوژیک ناشی از طبیعت موازی برنامهریزی نورونهای آنهاست. این شبکهها برای تخمین و تقریب کارایی بسیار بالایی از خود نشان دادهاند و حوزهی کاربرد گستردهای دارند که از کاربردهای طبقه بندی تا کاربردهایی نظیر درونیابی، تخمین، آشکارسازی، پیشبینی و غیره را شامل میشود. هدف از این مطالعه بررسی کاربرد مدلسازی در پیشبینی ویژگیهای کمی و کیفی روغنهای خوراکی بود.
نتایج مطالعات نشان داد که با توجه به پیچیدگی و تعدد عوامل موثر در فرایندهای صنعت روغن به خصوص در مقیاس صنعتی و نتایج این پژوهش میتوان مدلهایی که توسط شبکه عصب و انفیس ارائه میشوند را به عنوان مدلی قابل قبول برای مدلسازی این فرایندها معرفی نمود و با توجه به دقت بالای مدل عصبی میتوان با اطمینان بالا به پیش بینی این مدلها اعتماد کرده و از این مدلها برای بهینهسازی و کنترل فرایند استفاده نمود که این امر می تواند به صرفهجویی در انرژی و زمان منجر شده و از طرف دیگر محصول نهایی مطلوبتری را ایجاد کند.
-1مقدمه
شبکههای عصبی مصنوعی نوعی مدلسازی ساده انگارانه، شبیهسازی شده و الهام گرفته از مطالعهی سیستم مغز و شبکهی عصبی موجودات زنده است. قدرت بالای عملکرد سیستمهای بیولوژیک ناشی از طبیعت موازی برنامهریزی نورونهای آنهاست. یک شبکهی عصبی مصنوعی این ساختار را با توزیع شبیهسازی در واحدهای پردازشگر کوچک و سادهی به هم پیوسته - نورون - انجام میدهد - فاست، . - 1998 این شبکهها برای تخمین1و تقریب2کارایی بسیار بالایی از خود نشان دادهاند و حوزهی کاربرد گستردهای دارند که از کاربردهای طبقه بندی تا کاربردهایی نظیر درونیابی، تخمین، آشکارسازی، پیشبینی و غیره را شامل میشود.
دلیل این نامگذاری آن است که در این سیستم، شبکهای از اجزای بههم مرتبط وجود دارد که در طراحی آنها از سیستمهای عصبی زیستی الهام گرفته شده است و در واقع تلاشی است در جهت ایجاد ماشینی که بتواند مانند مغز انسان عمل کند. شاید مهمترین مزیت این شبکهها توانایی بالا در کنار سهولت استفاده از آنها باشد. اولین مدل ریاضی نورون مصنوعی در ابتدا توسط مک کولاک و پیتس پیشنهاد گردید.
یک نورون مصنوعی از واحد پردازشی مقدماتی با چندین ورودی و یک خروجی تشکیل شده است. ورودیهای نورون میتوانند خروجیهای سایر نورونها یا خروجیهای سادهی بیرونی باشد. خروجی از یک سلول عصبی میتواند ورودی به چندین سلول عصبی دیگر باشد. همچنین سیگنالهای ورودی به نورونها توسط وزنهای ویژه اصلاح میگردد در این شبکهها به کمک دانش برنامه نویسی، ساختار دادهای طراحی میشود که میتواند همانند نورون عمل کند که به این ساختار، گره نیز گفته میشود.
سپس با ایجاد شبکهای بین این گرهها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش میدهند. مشخصات اساسی شبکههای عصبی را میتوان به ساختار و خصوصیات عملیاتی یا دینامیکی آنها تقسیم نمود - سبلانی و همکاران، 2007؛ وو و مکلارتی، . - 2000 در گذشته برخی از محققین اقدام به ارائه مدلهای مختلف جهت پیشبینی پارامترهای کیفی انواع روغن نمودهاند که از آن جمله میتوان به مطالعاتی که در این قسمت آورده شده است، اشاره نمود. هدف از این مطالعه هدف از این مطالعه بررسی کاربرد مدلسازی در پیشبینی ویژگیهای کمی و کیفی روغنهای خوراکی بود.
-2 نتایج و بحث
1؛-2 مدلسازی مرحلهی پخت در فرایند صنعتی استخراج روغن کلزا با استفاده از سامانه استنتاج فازی-عصبی تطبیقی 3 - ANFIS -
در پژوهشی فرزانه و همکاران - 2017 - به مدلسازی مرحلهی پخت در فرایند صنعتی استخراج روغن کلزا با استفاده از سامانه استنتاج فازی-عصبی تطبیقی 4 - ANFIS - پرداختند. در این مطالعه میزان دما و محتوای رطوبت دانههای خروجی از دیگ پخت بهعنوان ورودی و میزان مواد ریز نامحلول در روغن، روغن و رطوبت کنجاله و در نهایت رطوبت و اسیدیته روغن بهعنوان خروجی در نظر گرفته شده بود.
- شکل . - 1 سه تابع عضویت گوسی، مثلثی و ذوزنقهای با 2-2 و 3-3 تابع عضویت مورد بررسی قرار گرفت و تابع ذوزنقهای با 3-3 تابع عضویت برای سه متغیر خروجی میزان مواد ریز نامحلول در روغن، اسیدیته روغن و میزان رطوبت کنجاله و همچنین برای متغیر خروجی رطوبت روغن و رطوبت کنجاله به ترتیب تابع عضویت مثلثی با 2-2 و 3-3 تابع برای هر متغیر ورودی با بالاترین مقدار ضریب همبستگی و کمترین میزان میانگین مربعات خطا به عنوان مدلهای بهینه انتخاب شدند . میزان ضرایب همبستگی بالای بین نتایج آزمایشگاهی و خروجیهای مدل بیانگر دقت قابل قبول و قابلیت استفاده از این مدلها در کنترل فرایندهای صنعتی بود.
2؛-2 مدلسازی فرایند استخراج روغن از نوعی گیاه علفی بومی هندوستان
تاکر و همکاران در سال 2016، به منظور مدلسازی فرایند استخراج روغن از نوعی گیاه علفی بومی هندوستان از4 پارامتر بهعنوان ورودی آزمایش یعنی نسبتهای مختلف ماده جامد، حجم حلال، توانهای مختلف ریزموج و زمانهای مختلف فرایند استخراج استفاده کردند و آنها جهت پیشبینی روند تغییرات از ابزارشبکههای عصبی مصنوعی بهره بردند. با بررسی شبکههای مختلف آنها به این نتیجه رسیدند که شبکهی پسانتشار پیشخور با توپولوژی 3-7-4 با ضریب همبستگی بیشتر از 0/9997 و میانگین مربعات خطای کمتر از 0/0117 و با تابع فعالسازی لگاریتم سیگموئیدی بهعنوان بهترین مدل عصبی انتخاب گردید.
3؛-2 مدلسازی فرایند استخراج روغن از دانههای آفتابگردان در مقیاس صنعتی
در تحقیقی بخشآبادی و همکاران - 1396 - به منظور مدلسازی فرایند استخراج روغن از دانههای آفتابگردان در مقیاس صنعتی از 3 سطح دمای پخت 70 - ، 80 و 100 درجه سانتیگراد - و سه سطح رطوبت دانههای خروجی از دیگ پخت 7 - ، 7/5 و 8 درصد - استفاده کردند و میزان روغن، رطوبت و پروتئین کنجاله و درصد مواد ریز نامحلول در روغن و اسیدیته روغن را مورد بررسی قرار دادند.
آنها جهت پیشبینی روند تغییرات از ابزارشبکههای عصبی مصنوعی در نرمافزار MATLABاستفاده کردند. در این مطالعه با بررسی شبکههای مختلف شبکهی پسانتشار پیشخور با توپولوژیهای10-5-2 - شکل - 2 با ضریب همبستگی بیشتر از 0/999 و میانگین مربعات خطای کمتر از 0/003 و با بهکارگیری تابع فعالسازی تانژانت سیگموئید هیپربولیکی، الگوی یادگیری لونبرگ- مارکوات و چرخه یادگیری 1000 بهعنوان بهترین مدل عصبی مشخص گردید. نتایج حاصل از مدلهای بهینهی انتخاب شده نیز ارزیابی گردید و این مدلها با ضرایب همبستگی بالا - بیش از - 0/96 قادر به پیشبینی روند تغییرات بودند - شکل . - 3
