مقایسه مدل سازی ریاضی، شبکه های عصبی مصنوعی و منطق فازی در پیش بینی سینتیک خشک کردن سیر و موسیر در خشک کن بسترسیال

هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشک کن بسترسیال با استفاده از روش های مدل سازی ریاضی، شبکه های عصبی مصنوعی و منطق فازی می باشد. فرآیند خشک کردن در سه سطح دمایی (40، 55 وC °70) و سه سطح سرعت هوای ورودی (5/0 و 5/1 و ms-15/2) صورت گرفت. از 5 مدل ریاضی خشک کردن جهت پیش بینی نسب رطوبت سیر و موسیر استفاده شد. سرعت هوای ورودی، دمای هوای ورودی و زمان خشک کردن به عنوان پارامترهای ورودی در پیش بینی نسبت رطوبت، برای شبکه های عصبی مصنوعی و منطق فازی مورد استفاده قرار گرفت. برای ایجاد الگوهای آموزشی و ارزیابی فرآیند، از شبکه عصبی پس انتشار پیش خور و پیشرو با توابع آموزش لونبرگ- مارکوارت (LM) و تنظیم بیزی (BR) و همچنین از سیستم استنتاجی فازی ممدانی و به کارگیری تابع عضویت مثلثی برای مدل سازی استفاده شد. با توجه به نتایج به دست آمده، بهترین مدل برای پیش بینی خشک کردن سیر مدل (Page) و برای موسیر مدل Midilli و همکاران انتخاب شد. نتایج بررسی های شبکه عصبی مصنوعی نشان داد که به ترتیب ضرایب تبیین 9994/0 و 9996/0، ریشه خطای میانگین مربعات 0036/0 و 0014/0 و میانگین خطای مطلق 044/0 و 038/0 در شرایط مختلف خشک کردن سیر و موسیر را پیش بینی نماید. همچنین سیستم استنتاجی فازی این مقادیر را برای سیر و موسیر به ترتیب (ضرایب تبیین 9997/0 و 9998/0، ریشه خطای میانگین مربعات 0027/0 و 0011/0 و میانگین خطای مطلق 032/0 و 029/0) به دست آورد. مقایسه نتایج به دست آمده از مدل های ریاضی، شبکه های عصبی مصنوعی و منطق فازی نشان داد که ریشه خطای میانگین مربعات در منطق فازی کمتر از شبکه های عصبی مصنوعی و مدل های ریاضی است.