پیش بینی خصوصیات رئولوژیکی بنیادی خمیر با استفاده از شبکه عصبی-الگوریتم ژنتیک

خمیر محصول میانی خطوط تولید صنایع نانوایی است که ویژگی های رئولوژیکی آن نمایانگر خصوصیات فیزیکوشیمیایی مواد اولیه و موثر بر ویژگی های کیفی فرآورده نهایی است. با توجه به کارایی بالای شبکه های عصبی مصنوعی در آموزش پذیری و پردازش موازی داده ها با روابط غیر خطی، هدف از این پژوهش تهیه مدل هایی مناسب به منظور پیش بینی خصوصیات رئولوژیکی خمیر با توجه به ویژگی های فیزیکوشیمیایی آرد است.
طیف وسیعی از آردهای تهیه شده در کارخانه های مختلف کشور جمع آوری و هفت ویژگی فیزیکوشیمیایی آنها مورد ارزیابی قرار گرفت. آزمون های نوسانی روبش کرنش و روبش فرکانس بر خمیر حاصل از نمونه ها انجام و دو پارامتر مهم حاصل از آنها به منظور مدل سازی انتخاب شدند. پس از آموزش شبکه ها و تعیین پارامترهای آنها با استفاده از الگوریتم بهینه ساز ژنتیک و آزمودن هر شبکه، بررسی حساسیت پارامترهای خروجی به فاکتورهای ورودی شبکه صورت گرفت.
شبکه های طراحی شده از انواع پرسپترون چهار لایه ای هستند که اولی با حذف دو پارامتر گلوتن مرطوب و اندیس ابعاد ذرات آرد، دارای 5 نرون در لایه ورودی و 15 نرون در لایه های پنهان اول و دوم جهت پیش بینی عرض از مبدا و دومی با 7 نرون لایه ورودی، 24 نرون در لایه پنهان اول و 17 نرون در لایه پنهان دوم جهت پیش بینی شیب مدل برازش یافته بر روبش فرکانس مورد استفاده قرار گرفت. با استفاده از شبکه های گسترش یافته، پیش بینی خصوصیات رئولوژیکی خمیر با ضریب همبستگی بیش از 97% صورت گرفت. اندیس گلوتن و عدد زلنی به عنوان موثرترین پارامترها بر تغییر ویژگی های رئولوژیکی خمیر شناسایی شدند.
شبکه های عصبی مصنوعی-الگوریتم ژنتیک ابزار توانمندی در پیش بینی خصوصیات رئولوژی خمیر هستند. آزمون حساسیت شبکه بهینه به خوبی اهمیت پیش بینی کنندگی ویژگی های فیزیکوشیمیایی آرد بر تغییرات خصوصیات رئولوژیکی بنیادی خمیررا نشان می دهد.