پیش بینی خواص رئولوژیکی فارینوگرافی خمیر با استفاده از شبکه عصبی مصنوعی

در این تحقیق توانایی شبکه های عصبی مصنوعی در پیش بینی خواص رئولوژیکی فارینوگرافی خمیر آرد گندم از روی برخی اجزای شیمیایی تشکیل دهنده آرد آن بررسی شده است. ۴ جزء از مهمترین اجزای ترکیبات شیمیایی تشکیل دهندۀ آرد که خواص فارینوگرافی خمیر را تحت تآثیر قرار می دادند به عنوان ورودی های شبکه انتخاب شدند که عبارت بودند از: مقادیر پروتئین، گلوتن مرطوب، عدد رسوبی و عدد فالینگ. ۶ فاکتور فارینوگرافی هم که شامل مقادیر درصد جذب آب، زمان گسترش خمیر، زمان مقاومت خمیر، درجه سست ش دن خمیر پس از ۱۰ دقیقه و ۲۰ دقیقه و ارزش والوریمتری بودند، به عنوان خروجی های شبکه انتخاب شدند. برای یافتن رابطه بین ورودی و خروجی ها، ساختارها و مقادیر مختلفی از پارامتر های شبکه بر اساس روش سعی و خطا آزمون شد. نتایج نشان داد که شبکه عصبی چند لایۀ پرسپترون با الگوریتم یادگیری پس انتشار خطا بیشترین توانایی را جهت نگاشت روابط غیر خطی بین پارامترهای ورودی و خروجی داشت. این مدل ، خواص فارینوگرافی خمیر را با حداکثر خطای آموزش 0/0925 و حداکثر خطای تست 0/026 و مقدار Tی 0/81 پیش بینی کرد. این نتایج نشان داد که شبکه های عصبی مصنوعی به طور بالقوه می توانند جهت پیش بینی خواص فارینوگرافی خمیر به کار برده شوند.