Comparison of Mathematical Modeling, Artificial Neural Networks and Fuzzy Logic for Predicting the Moisture Ratio of Garlic and Shallot in a Fluidized Bed Dryer

Abstract

هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشک‌کن بسترسیال با استفاده از روش‌های مدل‌سازی ریاضی، شبکه‌های عصبی مصنوعی و منطق فازی می‌باشد. فرآیند خشک‌کردن 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 خشک‌کردن جهت پیش بینی نسب رطوبت سیر و موسیر استفاده شد. سرعت هوای ورودی، دمای هوای ورودی و زمان خشک‌کردن به‌عنوان پارامترهای ورودی در پیش‌بینی نسبت رطوبت، برای شبکه‌های عصبی مصنوعی و منطق فازی مورد استفاده قرار گرفت. برای ایجاد الگوهای آموزشی و ارزیابی فرآیند، از شبکه عصبی پس انتشار پیش‌خور و پیشرو با توابع آموزش لونبرگ- مارکوارت (LM) و تنظیم بیزی (BR) و همچنین از سیستم استنتاجی فازی ممدانی و به‌کارگیری تابع عضویت مثلثی برای مدل‌سازی استفاده شد. با توجه به نتایج به‌دست آمده، بهترین مدل برای پیش‌بینی خشک کردن سیر مدل (Page) و برای موسیر مدل Midilli  و همکاران انتخاب شد. نتایج بررسی‌های شبکه عصبی مصنوعی نشان داد که به‌ترتیب 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 خشک‌کردن سیر و موسیر را پیش‌بینی نماید. همچنین سیستم استنتاجی فازی این مقادیر را برای سیر و موسیر به‌ترتیب (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) به‌دست آورد. مقایسه نتایج به‌دست آمده از مدل‌های ریاضی، شبکه‌های عصبی مصنوعی و منطق فازی نشان داد که ریشه خطای میانگین مربعات در منطق فازی کمتر از شبکه‌های عصبی مصنوعی و مدل‌های ریاضی است.