نوع مقاله : علمی - پژوهشی

نویسندگان

• رضا امیری چایجان ¹
• جعفر امیری پریان ²

¹ دانشیار گروه مهندسی بیوسیستم- دانشکدة کشاورزی- دانشگاه بوعلی‌سینا- همدان

² استادیار گروه مهندسی بیوسیستم - دانشکدة کشاورزی- دانشگاه بوعلی‌سینا- همدان

چکیده

در این پژوهش، از مدل های تجربی و شبکه‌های عصبی مصنوعی برای پیش‌بینی محتوای رطوبت تعادلی بذر و مغز آفتابگردان استفاده شد. چهار مدل ریاضی هندرسون اصلاح‌شده، چانگ-پی فاست، هالسی و گب برای این منظور بکار رفت. دو نوع شبکة پس‌انتشار (پیشرو و پیشخور) مورد آزمون قرار گرفت. به منظور آموزش الگوهای ورودی، الگوریتم یادگیری لونبرگ-مارکوارت مورد استفاده قرار گرفت. محدوده‌های دما و رطوبت نسبی به ترتیب بین 25 تاC°40 و 11 تا 96٪ اعمال شد. بهترین نتایج برای مدل های تجربی، برای مدل گب و هالسی به دست آمد. بهترین خروجی برای شبکه‌های عصبی مورد استفاده، مربوط به شبکة پیشخور، توپولوژی 1-3-5-3 و تابع آستانة TANSIG-TANSIG-LOGSIG است. با این شبکة بهینه، ضریب تبیین و خطای نسبی میانگین، به‌ترتیب 9935/0 و 01/5 حاصل شد. این نتایج، برتری شبکه‌های عصبی مصنوعی را نسبت به مدلهای ریاضی نشان می‌دهد. زیرا علاوه بر ایجاد خطای کمتر در پیش‌بینی مقدار رطوبت تعادلی، قادر است شاخص کیفی را نیز به عنوان ورودی لحاظ کند.

کلیدواژه‌ها

• آفتابگردان
• رطوبت تعادلی
• شبکه‌های پس‌انتشار
• فعالیت آبی
• مدل های تجربی

عنوان مقاله [English]

Prediction of sunflower equilibrium moisture characteristics using empirical models and artificial neural networks

نویسندگان [English]

• R. Amiri Chayjan ¹
• J. Amiri Parian ²

¹ Associated Professor, Department of Biosystems Engineering, Bu-Ali Sina University, Hamedan, Iran

² Assistant Professor, Department of Biosystems Engineering, Bu-Ali Sina University, Hamedan, Iran

چکیده [English]

In this research, empirical models and Artificial Neural Networks (ANNs) were used for estimation of equilibrium moisture content of seed and kernel of sunflower. Four empirical models of modified Henderson, Chung-Pfost, Halsey and GAB were used. Two types of back propagation networks (feed forward and cascade forward) were tested. In order to train input patterns, levenberg-marquardt was used. Temperature and relative humidity limits for the experiments were between 25-40 °C and 11-96%, respectively. The best results for empirical models were obtained for Halsey and GAB models. The best results for applying neural networks were obtained for feed forward network, topology of 3-5-3-1 and threshold function of TANSIG-TANSIG-LOGSIG. With this optimum network, coefficient of determination and mean relative error were 0.9935 and 0.0501, respectively. These results prove the superiority of neural networks compared with empirical models, because besides producing less errors in prediction of equilibrium moisture content, neural also capable of networks are considering the quality index as an input parameter.

کلیدواژه‌ها [English]

• Keywords: Sunflower
• Equilibrium moisture content
• back propagation network
• Water Activity
• Empirical models