پیشبینی محتوای رطوبتی خشکشدن لایه نازک قارچ خوراکی به کمک شبکه های عصبی مصنوعی پس انتشار

چکیده قارچ خوراکی دکمه‎ای (Agaricus bisporus) به عنوان منبع غذای پرپروتئین و کم کالری و همچنین مصارف دارویی، امروزه بسیار موردتوجه قرارگرفته است. با افزایش بیش ازپیش تولید قارچ خوراکی نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از قارچ خشک شده بیشتر احساس می شود. به همین جهت خشک کردن این محصول به عنوان یکی از راهکارهای عملی همواره مطرح می باشد. امروزه با توجه به مزایای فناوری هوش مصنوعی استفاده از شبکه­های عصبی مصنوعی در سطح وسیعی برای شبیه سازی و پیش بینی پارامترهای موردنیاز در فرایندهای خشک کردن در حال رشد و توسعه است. هدف از انجام این تحقیق پیش بینی محتوای رطوبتی قارچ خوراکی دکمه­ای به کمک شبکه عصبی مصنوعی پس انتشار می باشد. در این تحقیق قارچ خوراکی دکمه­ای به صورت لایه نازک با استفاده از خشک کن هوای داغ در سه سطح دما C° ۴۰، ۵۰ و ۶۰ و سه سطح سرعت جریان باد m/s ۵/۰، ۷/۰ و ۱ خشک شده تا محتوای رطوبتی آن به ۱۰% (بر پایه وزن خشک) برسد. مدل­های رگرسیونی و شبکه عصبی پیشرو با الگوریتم­های یادگیری لونبرگ- مارکوارت (trainlm) برای تخمین و پیش بینی میزان رطوبت لایه نازک قارچ استفاده شد. نتایج نشان داد که مدل رگرسیونی درجه دوم کامل با ضریب تبیین ۹۷/۰ و مجموع مربعات خطای ۰۷۱/۰ و همچنین شبکه عصبی با ساختار ۱-۱۸-۲۰-۳ با توابع آستانه سیگموئید و لگاریتمی در مقایسه با توپولوژی های دیگر نتایج بهتری را ارائه می کنند و دارای دقت قابل قبولی در تخمین رطوبت لایه نازک قارچ در هنگام خشک شدن دارد.

کلیدواژه ها:

Edible mushroom ، Drying ، Moisture content ، Arithmetic neural network ، کلید واژگان: قارچ خوراکی دکمه ای ، خشک کردن ، محتوای رطوبتی ، شبکه عصبی مصنوعی