پیش بینی هوشمند و لحظه ای محتوای رطوبتی با استفاده از شبکه عصبی مصنوعی در فرآیند خشک کردن لایه نازک پسته

در این پژوهش به بررسی پیش بینی محتوای رطوبتی پسته به صورت لحظه ای در طول فرآیند خشک کردن براساس ترکیب هایی از مقادیر محتوای رطوبتی زمان های قبلی و با استفاده از شبکه های عصبی مصنوعی پرداخته شده است. به منظور به دست آوردن داده های آزمایشگاهی، پسته (رقم اوحدی) در چهار سطح دمایی (25، 40، 55 و 70 درجه سانتی گراد)، سه سطح سرعت جریان هوا (5/0، 1 و 5/1 متر بر ثانیه) و دو سطح رطوبت نسبی هوا (5 و 20 درصد) خشک و محتوای رطوبتی نمونه ها با گذشت زمان در این شرایط اندازه گیری شد. دما هوای خشک کن بیش ترین تاثیر را در فرآیند خشک کردن لایه نازک پسته داشت (01/0>P). این در حالی است که اثر سرعت جریان هوا و رطوبت نسبی هوا در فرآیند خشک کردن ناچیز ارزیابی شد. ضریب پخش موثر براساس دمای جریان هوا از 11-10×42/5 تا 10-10×29/9 مترمربع بر ثانیه، متغیر بود. به منظور بررسی پیش بینی محتوای رطوبتی پسته در طول فرآیند خشک کردن براساس مقادیر محتوای رطوبتی زمان های قبلی، محتواهای رطوبتی به عنوان یک سری زمانی در نظر گرفته شده و با استفاده از سه نوع شبکه عصبی طراحی شده که همگی آن ها از نوع سه لایه (با یک لایه مخفی) می باشند به پیش بینی محتوای رطوبتی پرداخته شده است. بهترین شبکه عصبی به دست آمده شبکه عصبی سه لایه از نوع اول با 11 نرون در لایه مخفی برای تمامی ضرایب آموزشی بود که توانست به صورت لحظه ای محتوای رطوبتی را در ضمن انجام آزمایش پیش بینی کند. مقدار ماکزیمم RMSE شبکه برای تمامی وضعیت های خشک کردن 23/0 و مقدار ماکزیمم واریانس خطاها 13/0 به دست آمد. عملکرد شبکه به این صورت است که با داشتن سه محتوا رطوبتی می تواند چهارمین مقدار محتوای رطوبتی را پیش بینی کند و هنگامی که شبکه مقدار واقعی زمان چهارم را از فرآیند دریافت می کند با توجه به خطا بین مقدار پیش بینی و مقدار حقیقی، شبکه دوباره آموزش می بیند و به این ترتیب آموزش شبکه تا پایان فرآیند ادامه می یابد. شبکه عصبی به دست آمده به رغم این که در طول فرآیند خشک کردن به صورت لحظه ای آموزش می بیند و تغییر می کند یک پیش بینی کننده بسیار خوب برای محتوای رطوبتی می باشد که پس از گذشت مدت زمان کوتاهی از فرآیند خشک کردن، به سرعت الگوی فرآیند را یاد گرفته و پارامترهای آن ثابت می ماند و به جز در بازه کوتاهی از زمان های اولیه فرآیند که در آن زمان ها به طور معمول لازم نیست کنترلی روی فرآیند صورت بگیرد، عمل پیش بینی محتوای رطوبتی را در بقیه زمان ها با دقت بسیار بالایی انجام می دهد. از شبکه به دست آمده می توان به عنوان کنترل کننده که قابلیت آموزش لحظه ای در طول فرایند خشک کردن را دارد و یا به عنوان واحد مشتق گیر در فرایند خشک شدن استفاده نمود.