پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,110,609 |
| تعداد دریافت فایل اصل مقاله | 97,214,249 |
مطالعه سرعت فرآیند خشک کردن خلایی- تابشی ورقه‌های سیب‌زمینی با استفاده از مدل‌های رگرسیونی و شبکه عصبی مصنوعی | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 9، دوره 47، شماره 2، شهریور 1395، صفحه 279-289 اصل مقاله (714.47 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2016.58777 | ||
| نویسندگان | ||
| نگار حافظی؛ محمد جواد شیخ داودی* ؛ سید مجید سجادیه | ||
| دانشگاه شهید چمران اهواز | ||
| چکیده | ||
| در این تحقیق ورقه‌های سیب‌زمینی به صورت تک لایه با استفاده از گرمایش لامپ مادون قرمز تحت شرایط اعمال خلأ در سه سطح توان تابشی 100، 150 و 200 وات، سه سطح ضخامت ورقه 1، 2 و 3 میلی‌متر و چهار سطح فشار مطلق 20، 80، 140 و 760 میلی‌متر جیوه در سه تکرار آزمایشی تا رسیدن به محتوای رطوبتی 6% بر پایه تر، مناسب جهت انبارداری طولانی مدت، خشک شدند. نتایج نشان داد که در ضخامت یکسان ورقه سیب‌زمینی، با افزایش توان لامپ و کاهش فشار مطلق درون محفظه خشک‌کن، مدت زمان لازم جهت خشک کردن ورقه‌های سیب‌زمینی کاهش یافته است. از سوی دیگر، در اثر این پدیده چروکیدگی بیشتری در ورقه سیب‌زمینی به وجود آمده است. طبق نتایج به دست آمده در رابطه با تعیین میزان چروکیدگی ورقه با استفاده از تکنیک پردازش تصویر می‌توان بیان کرد که ضخامت ورقه و دمای خشک کردن که ناشی از تابش لامپ مادون قرمز بوده تاثیر معنی‌داری (در سطح احتمال 1%) بر میزان تغییر شکل ورقه سیب‌زمینی داشته است. همچنین نتایج حاصل از برآورد زمان خشک کردن به عنوان تابعی از توان تابشی مادون قرمز، میزان فشار مطلق، ضخامت ورقه و محتوای رطوبت محصول به کمک شبکه عصبی مصنوعی و مدل‌های رگرسیون خطی و غیر خطی نشان داد که مدل شبکه عصبی توانسته است بیشترین ضریب تبیین (9732/0R2=) را در مقایسه با مدل‌های رگرسیونی خطی (819/0R2=) و غیر خطی (870/0R2=) در رابطه با پیش‌بینی زمان مورد نیاز جهت خشک کردن سیب‌زمینی به دست آورد. | ||
| کلیدواژه‌ها | ||
| زمان خشک کردن؛ چروکیدگی؛ پردازش تصویر؛ شبکه عصبی مصنوعی؛ مدل رگرسیونی | ||
| عنوان مقاله [English] | ||
| A Study of Drying Rate of Sliced Potatoes during Radiation-Vacuum Drying Process using Regression and Artificial Neural Network Models | ||
| نویسندگان [English] | ||
| Negar Hafezi؛ Mohammad Javad Sheikhe Davoodi؛ Seyed Majid Sajjadieh | ||
| چکیده [English] | ||
| In this study, a single layer sliced potato was dried using an infrared lamp heating under vacuum over three levels of radiant power including 100, 150 and 200 W, three slices thickness 1, 2 and 3 mm and the absolute pressure of 20, 80, 140 and 760 mmHg. Samples were dried in triplicate to achieve 6% moisture content (wet based) which is suitable for long-term storage. Drying rate was monitored during experiments. The shrinkage of sliced potato was measured using image processing. The results showed that increasing infrared radiation and reducing absolute pressure at the same slice thickness, could cause drying time to be reduced but shrinkage increased. Thickness of the slices and infrared radiation power had a significant impact (P<0.01) on shrinkage. Results also showed that the neural network model (R2=0.9732) predicted drying time better than linear (R2=0.819) and nonlinear (R2=0.870) Regression Model. | ||
| کلیدواژه‌ها [English] | ||
| Drying time, Shrinkage, image processing, Artificial Neural Network, Regression model | ||
| مراجع | ||
|
AOAC. (1990). Official Methods of Analysis, No. 934-06. Association of Official Analytical Chemists. Washington, DC. Eskandari Cherati, F., Shekofteh, M. & Hosseinpur, Y. (2013). The study shrinkage potato slices during drying of thin layer. 7th National Conference on Agricultural Machinery Engineering and Mechanization. Shiraz. (in Farsi) Farkas, I., Reményi, P., & BirÓ, B. (2000). A neural network topology for modeling grain drying. Computers and Electronics in Agriculture, 26, 147-158. Heristev, R.M. (1998). The ANN book. GNU Public License. USA. Khoshtaghaza, M.h., Amiri chaijan, R., Montazer, G.h. & Minaei, S. (2008). Prediction of head rice yield in fixed bed drying using artificial neural networks. Journal of Agricultural Engineering Research, 8 (2), 135-156. (in Farsi) Leeratanarak, N., Devahastin, S. & Chiewchan, N. (2006). Drying Kinetics and Quality of Potato Chips Undergoing Different Drying Techniques. Journal of Food Engineering, 77, 635-643 Mansouri, Y., Minaei, S. & Tavakoli hashtjin, T. (2007). Evaluation of determining the area of agricultural and food products from digital images. Journal of Food Science and Technology, 3 (1), 41-57. (in Farsi) Menhaj, M.B. (2009). Fundamentals of neural networks (computational intelligence). Volume 1, 8th Edition. Publishing Center, Amirkabir University of Technology (Tehran Polytechnic). 715 pages. (in Farsi) Sablani, S.S. & Mujumdar, A.S. (2006). Drying of potato, sweet potato, and other roots. Handbook of Industrial Drying. Chapter 27. Shaygani soltan pour, R., Golmohammadi, A.S., Farahpour, P. & Khaliphe, A. (2011). Development of a model to predict the drying time during the drying process using banana artificial neural network. First International conference on modelling of plant, soil, water and air. International Centre for Science and Advanced Technology and Environmental Sciences. Shahid Bahonar University of Kerman. (in Farsi) Tripathy, P. & Kumar, S. (2008). Neural network approach for food temperature prediction during solar drying. International Journal of Thermal Science, 48,1452-1459. Wang, Z., Zhu, W., Xu, D. & Du, J. (2014). Measurement and Study on Drying Shrinkage Characteristic of Tobacco Lamina Based on Computer Vision. International Federation for Information Processing. Part 1, 419, 306-314. Yadollahinia, A. & M. Jahangiri. (2009). Shrinkage of potato slice during drying. Journal of Food Engineering, 99, 52-58.
| ||
|
آمار تعداد مشاهده مقاله: 1,338 تعداد دریافت فایل اصل مقاله: 1,348 |
||