پیش بینی مشخصه های رطوبت تعادلی آفتابگردان به کمک مدل های تجربی و شبکه های عصبی مصنوعی

در این پژوهش، از مدل های تجربی و شبکه های عصبی مصنوعی برای پیش بینی محتوای رطوبت تعادلی بذر و مغز آفتابگردان استفاده شد. چهار مدل ریاضی هندرسون اصلاح شده، چانگ-پی فاست، هالسی و گب برای این منظور بکار رفت. دو نوع شبکه پس انتشار (پیشرو و پیشخور) مورد آزمون قرار گرفت. به منظور آموزش الگوهای ورودی، الگوریتم یادگیری لونبرگ-مارکوارت مورد استفاده قرار گرفت. محدوده های 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 شبکه های عصبی مورد استفاده، مربوط به شبکه پیشخور، توپولوژی 1-3-5-3 و تابع آستانه TANSIG-TANSIG-LOGSIG است. با این شبکه بهینه، ضریب تبیین و خطای نسبی میانگین، به ترتیب 9935/0 و 01/5 حاصل شد. این نتایج، برتری شبکه های عصبی مصنوعی را نسبت به مدلهای ریاضی نشان می دهد. زیرا علاوه بر ایجاد خطای کمتر در پیش بینی مقدار رطوبت تعادلی، قادر است شاخص کیفی را نیز به عنوان ورودی لحاظ کند.