مدلسازی شبکه عصبی مصنوعی فرآیندهای خشک کردن و آبگیری مجدد

در سالهای اخیر تحقیقات وسیعی برای بهینه سازی فرایند خشک کردن و آبگیری مجدد مواد غذایی برای رسیدن ب ویژگی های مناسب انجام شده است فرایند ابگیری اسمزی به دلیلای مانند کاهش صدمات حرارتی و افزایش راندمان فرایند و همچنین کاهش مصرف انرژی فرایند خشک کردن با منبع حرارتی فروسرخ به دلیل جدید و کارآمد بودن این شیوه و همچنین فرآیند ابگیری مجدد به این دلیل که مقیاس از اسیب دیدگی محصولات خشک شده محسوب می شوند بسیار مورد توجه قرار گرفته اند در این پژوهش به تاثیر پارامترهای عملیاتی بر روی محصولات غذایی در فرآیندهای خشک کردن اسمزی، خشک کردن با منبع فروسرخ و آبگیری مجدد پرداختیم، داده های مربوط به وزن رطوبت توسط 2 مدل RBF,MLP از شبکه های عصبی مصنوعی مدلسازی شدند نتایح حاصل از مدلسازی، برتری مدل RBF را برای نمونه سیب زمینی که به روش اسمزی خشک شده بود و ه مچنین آبگیری مجدد نمونه های نخود فرنگی و اولچه به دلیل پاییتر بودن مقادیر میانگین مربعات خطا و ضریب همبستیگ در مقایسه با مدل دیگر در برازش داده ا نشان داده است حال انکه در خشک کردن به روش فروسرخ نمونه های هلو، مدل MLP با تابع انتقال Logsig و تعیین 10 نورون در لایه مخفی برازش بهتری را نتیجه داده است.