کاربرد شبکه عصبی مصنوعی و آزمون غیر مخرب سی تی اسکن در تخمین مقدار کوفتگی گلابی در اثر اعمال بارهای خارجی

آسیب های گلابی یکی از علت های اصلی ازدست دادن کیفیت میوه است. کبودی در هنگام بارگذاری دینامیکی و شبه استاتیک رخ می دهد که باعث تخریب بافت سالم میوه می گردد. در این پژوهش ابتدا گلابی ها تحت بارگذاری شبه استاتیکی (لبه پهن و لبه نازک) و بارگذاری دینامیکی قرار گرفتند. سپس در دوره های 5، 10 و 15 روزه انبارداری شده و بعد از هر دوره انبارداری با استفاده از تکنیک غیرمخرب سی تی اسکن (CT-Scan) برای تخمین درصد پوسیدگی مورد بررسی قرار گرفتند. شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) با دولایه پنهان و تعداد 3، 5، 7 و 9 نرون در هر لایه برای مدل سازی نیروی بارگذاری و دوره انبار داری میوه گلابی جهت پیشگویی میزان پوسیدگی انتخاب گردید. بیشترین مقادیر R2 آموزش و آزمون برای بارگذاری شبه استاتیکی لبه نازک و لبه پهن در شبکه ای با 9 نرون به ترتیب 0/91=لبه نازک آموزش، 0/99=لبه نازک آزمون و 0/95= لبه پهن آموزش و 0/99= لبه پهن آزمون بوده است و برای بارگذاری دینامیکی شبکه ای با 3 نرون در لایه مخفی 0/98=آموزش، 0/99=آزمون بیشترین مقدار را به خود اختصاص داده است. همچنین بهترین شبکه برای یادگیری (9 نرون) بارگذاری شبه استاتیکی لبه نازک، (7 نرون) بارگذاری شبه استاتیکی لبه پهن و بارگذاری دینامیکی (7 نرون) بود. باتوجه به نتایج به دست آمده برای R2، RMSE و سیکل یادگیری می توان گفت شبکه عصبی توانایی پیش بینی میزان درصد پوسیدگی را در حد قابل قبولی برای گلابی داشته است.