پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,517 |
| تعداد مشاهده مقاله | 124,132,696 |
| تعداد دریافت فایل اصل مقاله | 97,238,561 |
تخمین رطوبت لایه‌های شلتوک در انتهای مرحلة خشکشدن به کمک شبکههای عصبی مصنوعی | ||
| مجله علوم کشاورزی ایران | ||
| مقاله 14، دوره 38، شماره 2 - شماره پیاپی 1789، آذر 1386 اصل مقاله (190.76 K) | ||
| نویسندگان | ||
| رضا امیری چایجان؛ محمدهادی خوش تقاضا؛ غلامعلی منتظر؛ سعید مینایی* | ||
| چکیده | ||
| پیش‌بینی رطوبت لایه‌های شلتوک در انتهای مرحلة خشکشدن به روش بستر ثابت به منظور کاهش خسارت ناشی از بیش یا کم خشکشدن محصولات کشاورزی حائز اهمیت است. در این تحقیق از روش هوشمند شبکة عصبی مصنوعی برای پیش‌بینی رطوبت لایه‌های شلتوک در انتهای مرحلة خشکشدن و در محدودة رطوبت‌های نهایی 10 تا 14% (بر پایة تر) برای خشک‌کردن به روش بستر ثابت استفاده شده است. آزمایشها با نمونههای شلتوک و در محدودة عمقهای 5 تا 30 سانتیمتر با میزان رطوبت اولیة 6/19% پایة تر در شرایط کنترلشدة محیطی با دمای ورودی C°43 و سرعت هوای m/s1/0 انجام شد. پس از اینکه رطوبت متوسط بستر مواد به مقدار مورد نظر رسید، با نمونه‌گیری رطوبت هر یک از لایه‌های بالا، وسط و پایین عمق بستر تعیین گردید. رطوبت لایه‌های شلتوک به کمک سه پارامتر رطوبت متوسط نهایی شلتوک، عمق لایه و عمق کلی شلتوک در هر آزمایش پیش‌بینی شد. کاربرد دو روش شبکة عصبی پرسپترون چندلایه و شبکة عصبی تابع پایة شعاعی در حل این مسأله نشان داد که با استفاده از شبکة عصبی مصنوعی میتوان رطوبت لایه های شلتوک را با ضریب تعیین 9949/0 با خطای حقیقی 0603/0 پیش‌بینی کرد. | ||
| کلیدواژه‌ها | ||
| خشک‌کردن؛ شلتوک؛ پیش‌بینی هوشمند؛ شبکه عصبی مصنوعی؛ شبکة تابع پایة شعاعی؛ پرسپترون چندلایه | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| For a decrease of agricultural crop losses, it is essential to estimate of paddy layers´ moisture content at the end of a drying process. In this study, intelligent method of artificial neural network was employed to predict paddy layers´ moisture content in a range of final moisture contents of 10 to 14% (w.b.). Drying experiments were carried out with the paddy samples at an initial moisture content of 18.7 to 20.5% (w.b.) and at a depth of 5 to 30 cm. A controlled environment temperature of 43°C was applied in all the experiments. Moisture content of paddy layers were predicted through three parameters of: average moisture content of paddy, layer depth, and total depth of paddy drying in each experiment. Application of two methods of multi layer perceptron network and radial basis function network revealed that the artificial neural network can estimate each layer of paddy moisture content with a coefficient of determination of over 99% thus with a negligible error. | ||
| کلیدواژه‌ها [English] | ||
| Drying, Paddy, Intelligent Prediction, Artificial Neural Network, Radial Basis | ||
|
آمار تعداد مشاهده مقاله: 2,231 تعداد دریافت فایل اصل مقاله: 1,249 |
||