مدل سازی خشک کردن توت سیاه با سامانه مادون قرمز به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی

شاه توت سرشار از پلی فنل ها و آنتوسیانین ها است که خشک کردن و نگه داری آن می تواند ارزشمند باشد. استفاده از تابش مادون قرمز به عنوان یک روش مناسب در خشک کردن می تواند باعث کاهش زمان خشک کردن و کاهش هزینه های فرایند می شود. اثر توان های w  120، 180، 240 لامپ مادون قرمز،  فاصله های cm 5، 10 و 15  نمونه از لامپ و زمان خشک کردن بر خشک شدن توت سیاه مورد بررسی قرار گرفت. مدل سازی خشک شدن توت سیاه به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با چهار ورودی توان، فاصله لامپ و زمان خشک کردنو یک خروجی درصد کاهش رطوبت انجام شد. مشخص شد که با افزایش توان لامپ و کاهش فاصله نمونه ها از لامپ مادون قرمز، سرعت خشک کردن توت سیاه به روش مادون قرمز دو طرفه به طور معنی داری (P<0.05) افزایش می یابد. تابع فعال سازی سیگموییدی به علت مقدار خطای کم تر نسبت به سایر توابع، به عنوان تابع فعال سازی در لایه پنهان و خروجی انتخاب گردید. برای رسیدن به بهترین شرایط یادگیری روابط بین ورودی ها و خروجی ها توسط شبکه، بر اساس انجام روش آزمون و خطا از 15 درصد داده ها برای آموزش، 15 درصد داده ها برای آزمون شبکه آموزش دیده و 60 درصد باقی مانده داده ها برای ارزیابی شبکه استفاده گردید. طبق نتایج به دست آمده مشخص شد با استفاده از تابع فعال سازی سیگموییدی و شبکه ای با تعداد 8 نرون در یک لایه پنهان می توان به خوبی مدل سازی درصد کاهش رطوبت را به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی در طی فرایند خشک کردن توت سیاه به روش مادون قرمز دو طرفه پیشگویی کرد (00002/0Mse=، 999/0 R2=). زمان خشک کردن به عنوان موثرترین عامل برای کنترل کاهش رطوبت توت سیاه با استفاده از آنالیز حساسیت توسط شبکه عصبی بهینه معرفی شد.