بررسی تغییرات رطوبت گل‌محمدی (Rosa damascena Mill.) در خشک‌کن جریان هوای داغ با استفاده از مدل‌های ریاضی و شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مکانیک ماشین‌های کشاورزی، دانشکده کشاورزی، دانشگاه تربیت مدرس

2 استادیار، گروه مکانیک ماشین‌های کشاورزی، دانشکده کشاورزی، دانشگاه تربیت مدرس

چکیده

گل‌محمدی با نام علمی Rosa damascene Mill. گیاهی متعلق به تیره Rosaceae و ازجمله گیاهان حاوی اسانس می‌باشد که دارای خواص دارویی زیادی است. استخراج کمّی و کیفی اسانس و در عین حال توجیه اقتصادی آن بستگی به روشهای مناسب خشک کردن دارد. روش مناسب خشک کردن، ضایعات و خسارت‌ها را در طول انبارداری کاهش داده و به کیفیت محصول کمک می‌کند. هدف از این تحقیق پیش‌بینی میزان رطوبت گل‌محمدی در طی فرایند خشک شدن با جریان هوای داغ به‌عنوان تابعی از دمای هوا در چهار سطح (40، 50، 60 و 70 درجه سانتی‌گراد( و سرعت هوا در سه سطح (5/0، 1 و m/s5/1) به کمک شبکه‌های عصبی مصنوعی بود. متوسط رطوبت اولیه 78% و متوسط رطوبت نهایی 9% تعیین گردید. نمودارهای محتوی رطوبتی با استفاده از نرم‌افزار Excel بدست آمدند و فرایند خشک شدن نیز با استفاده از نرم‌افزار Matlab مدل‌سازی ریاضی گردید. سپس فرایند خشک شدن با استفاده از شبکه‌های عصبی با سه ورودی دما، سرعت هوا و زمان مدل‌سازی شد. نتایج تحقیق حاضر نشان داد که شبکه‌های عصبی با دقت بیشتری نسبت به مدل‌های ریاضی توانایی مدل‌سازی و پیش‌بینی فرایند خشک شدن گل‌محمدی را دارند و می‌توان از آنها در فرایند کنترل بلادرنگ استفاده نمود.

کلیدواژه‌ها


- امیدبیگی، ر.، 1379الف. رهیافت‌های تولید و فرآوری گیاهان دارویی (جلد 1). انتشارات استان قدس رضوی، مشهد، 283 صفحه.

- امیدبیگی، ر.، 1379ب. رهیافت‌های تولید و فرآوری گیاهان دارویی(جلد 3). انتشارات استان قدس رضوی، مشهد، 397 صفحه.

- صیاد، م.، 1384. تأثیر دما و سرعت هوا بر خشک کردن لایه نازک سیب. پایان‌نامه کارشناسی ارشد، گروه صنایع غذایی دانشکده کشاورزی، دانشگاه تبریز.

- موسویان، م.ت.ح. و بصیری، ش.، 1387. بررسی تأثیرات درجه حرارت و سرعت جریان هوا در خشک کردن صنعتی آویشن گونه برگ باریک روی مقادیر کمّی اسانس استحصالی. هجدهمین همایش ملی علوم و صنایع غذایی. خراسان رضوی، مشهد، 26-24 مهر: 140.

 - Ayensu, A., 1997. Dehydration of food crops using a solar dryer with convective heat flow. Solar Energy, 59(4-6): 121-126.

- Banakar, A. and Azeem, M.F., 2008. Artificial Wavelet Neural Network and Its Application in Neuro-Fuzzy Models. Applied Soft Computing, 8(4): 1463-1485.

- Diamante, L.M. and Munro, P.A., 1993. Mathematical modeling of the thin layer solar drying of sweet potato slices. Solar Energy, 51(4): 271-276.

- Ekechukwu, O.V., 1999. Review of solar-energy drying systems I: an overview of drying principles and theory. Energy Conversion and Management, 40(6): 593-613.

- Erenturk, M.S., Gulaboglu, S. and Gultekin, S., 2004a. The thin-layer drying characteristics of rosehip. Biosystems Engineering, 89(2): 159-166.

- Erenturk, K., Erenturk, S. and Tabil, L.G., 2004b. A comparative study for the estimation of dynamical drying behavior of Echinacea angustifolia: regrestion analysis and neural network. Computers and Electronics in Agriculture, 45(1-3): 71-90.

- Erenturk, S. and Erenturk, K., 2007. Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering, 78(3): 905-912.

- Fatouh, M., Metwally, M.N., Helali, A.B. and Shedid, M.H., 2006. Herbs drying using a heat pump dryer. Energy Conversion and Management, 47(15-16): 2629-2643.

- Hall, A.C., 1980. Interfacial tension and phase behavior in system of petroleum suffocate/ brine/n-alkane. Journal of Colloids and Surface, 1: 209-228.

- Henderson, S.M. and Pabis, S., 1961. Grain drying theory II. temperature effect on drying coefficient. Journal of Agricultural Engineering Research, 6(3):169-174.

- Islam, M.R., Sablani, S.S. and Mujumdar, A.S., 2003. An artificial neural network model for prediction of drying rates. Drying Technology: An International Journal, 21(9): 1867-1884.

- Khazaei, J., Chegini, Gh.R. and Bakhshian, M., 2008. A novel alternative method for modeling the effects of air temperature and slice thickness on quality and drying kinetics of tomato slices: superposition technique. Drying Technology: An International Journal, 26(6): 759-775.

- Lasasni, S., Kouhila, M., Mahrouz, M., Idlimam, A. and Jamali, A., 2004. Thin layer convective solar drying and mathematical modeling of prickly pear peel (Opuntia ficus indica). Energy, 29(2): 211-224.

- Martynencko, A.I. and Yang, S.X., 2006. Biologically inspired neural computation for ginseng drying rate. Bisystems Engineering. 95(3): 385-396.

- Midilli, A., Kucuk, H. & Yapar, Z.A., 2002. A new model for single-layer drying. Drying Technology: An International Journal, 20(7): 1503-1513.

- Omid, M., Baharlooei, A. and Ahmadi, H., 2009. Modeling drying kinetics of pistachio nuts with multilayer feed-forward neural network. Drying Technology: An International Journal, 27(10): 1069-1077.

- Ozdemir, M. and Devres, Y.O., 1999. The thin layer drying characteristic of hazelnuts during roasting. Journal of Food Engineering, 42(4): 225-233.

- Poonnoy, P., Tansakul, A. and Chinnan, M., 2006. Artificial neural network modeling for temperature and moisture content prediction in tomato slices undergoing microwave vacuum drying. Journal of Food Science, 72(1): 42-47.

- Togrul, I.T. and Pehlivan, D., 2002. Mathematical modeling of solar drying of apricots in thin layers. Journal of Food Engineering, 55(3): 209-216.

- Togrul, I.T. and Pehlivan, D., 2003. Modeling of drying kinetics of single apricot. Journal of Food Engineering, 58(1): 23-32.

- Yaldiz, O., Ertekin, C. and Uzun, H.I., 2001. Mathematical modeling of thin layer solar drying of sultana grapes. Energy, 26(5): 457-465.