انجمن مهندسی شیمی ایران مهندسی شیمی ایران 1735-5400 19 111 2020 10 22 Comparison of Artificial Neural Network and Different Mathematical Models for Estimation of Moisture Rate in Quince Fruit Drying مقایسۀ نتایج مدل‌های شبکۀ عصبی مصنوعی با مدل‌های ریاضی مختلف برای تخمین نرخ نم در فرایند خشک‌کردن میوۀ به 16 29 119020 FA عباس خوشحال دانشگاه پیام نور حمید یزدانی دانشگاه پیام نور 0000-0003-1626-1259 نیره السادات موسوی پژوهشکده توسعه صنایع شیمیایی Journal Article 2020 06 22 In this research, the process of drying the quince fruit and the effect of various parameters such as the drying air speed, time, temperature and thickness on moisture ratio were studied. 7 mathematical models were fitted to the data obtained from 27 series of experiments and the best model was selected. Modeling was also performed by artificial neural network. In this modeling, the effect of all input parameters on the drying process was investigated simultaneously. The selective network structure was considered multi-layer perceptron with the back-propagation algorithm. By researching the number of different hidden layer neurons and different transfer functions, 9 neurons and "logsig” transfer function were used for the hidden layer and "purelin” transfer function for the output layer. Modeling by artificial neural network predicted the simultaneous effect of the four input parameters with very high accuracy. The results showed that ANN modeling had better accuracy than the best mathematical model. <em>در این پژوهش، فرایند خشک‌کردن میوۀ به و تأثیر مشخصه‌های مختلفی مانند سرعت هوای خشک‌کردن، زمان، دما و ضخامت بر نسبت نم،  مطالعه و بررسی شد. 7 مدل‌ ریاضی بر داده‌های به دست آمده از 27 سری آزمایش برازش و بهترین مدل انتخاب شد. همچنین مدل‌سازی با شبکۀ عصبی مصنوعی (</em><em>ANN</em><em>) انجام گرفت. در این مدل‌سازی، اثر تمام مشخصه‌های ورودی در فرایند خشک‌کردن به‌طور همزمان بررسی شد. ساختار شبکۀ انتخابی از نوع پرسپترون چندلایه با الگوریتم پس انتشار خطا در نظر گرفته شد. با پژوهش روی تعداد مختلفی از نرون‌های لایۀ میانی و نیز توابع انتقال مختلف،‌ از 9 نرون و تابع انتقال لگاریتم سیگموئیدی برای لایۀ میانی و تابع انتقال پیورلین برای لایۀ خروجی استفاده شد. مدل‌سازی با شبکۀ عصبی مصنوعی،</em><em>اثر همزمان</em><em>چهار</em><em>مشخصۀ</em><em>ورودی را با دقت بسیار بالایی پیش‌بینی کرد. نتایج نشان داد که مدل‌سازی </em><em>ANN</em><em> در مقایسه با بهترین مدل‌ ریاضی دارای دقت بالاتری است.</em> https://www.ijche.ir/article_119020_d4dfe12a78611f090d06f70dda5d5b78.pdf