انتخاب صفحه

فهرست مطالب

فهرست جداول……………………………………………………………………………….ز

فهرست تصاویر و نمودارها …………………………………………………………………ح

فهرست علائم اختصاری…………………………………………………………………..ک

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل اول: مقدمه وکلیات تحقیق  

محصولات کشاورزی در مقادیر بالا تولید می شوند ولی بلافاصله مصرف نمی شوند با این حال بسیاری از این محصولات را می توان با استفاده از پردازش های خاص حفظ کرد.یکی از این روش ها خشک کردن است .]21[

        خشک کردن قدیمی ترین روش برای جلوگیری از فساد غذاست .خشک کردن فرآیندی است برای افزایش عمر مفید محصولات کشاورزی بدون از دست دادن خواص مغذی قبل ازمصرف. خشک کردن به عنوان یک روش کاربردی نگهداری در مقیاس صنعتی به منظور به حداقل رساندن فساد بیوشیمیائی ،شیمیائی و میکرو بیولوژی با کاهش مقدار آب و فعالیت آب از مواد تعریف میشود. در فرآیند خشک کردن،آب از درون مواد غذایی توسط نفوذ به سطح مواد به وسیله ی هوا منتقل می شود و از آنجا به وسیله ی جابجایی به جریان هوا منتقل می شود .]21،22[        ماده ای که در این تحقیق مورد مطالعه قرار گرفته است چای می باشد .چای ،بهترین نوشیدنی پس از آب است .امروزه چای دم کرده یکی از پرطرفدارترین نوشیدنی های غیرالکلی در جهان است وتقریباً مصرف آن هم ردیف بامصرف قهوه (کافه)است.]23[        چای ارزش غذائی فراوانی دارد زیرا علاوه بر کافئین و پلی فنول های اکسید شده ،مقادیری مواد پروتئینی وهیدرات های کربن نیز دارد و به همین سبب ارزش واقعی گرمازائی یک فنجان چای حدود 4کیلوکالری (170گرم) است .چای ویتامین های متعددی دارد که جزو ویتامین Bمرکب محسوب می شوند .چای بر حسب خشک کردن انواع مختلفی دارد چای سبز،چای سیاه ونیمه تخمیری]5[        مصرف تیانین موجود در چای، در کاهش میزان فشارخون بالا مؤثراست.چای واژه ای است چینی و در گویش چینی جنوبی چای تلفظ می شود وبا همان تلفظ چای وارد زبان فارسی شده است.در گویش چینی شمالی،تی تلفظ می شودو ارتفاع آن گاهی تا8 متر می رسد.چای تقریباً بدون چربی است ودارای طعمی کمی تلخ و گس است ومهم ترین خواص آن عبارتند ازضدافسردگی ضدقند خون،ضد باکتری ،ضد سرطان ،ضد ویروس ،مقوی قلب،محافظ کبد ،کاهنده ی پرفشاری خون ،کاهش دهنده ی چربی خون ،کاهش دهنده ی تری گلیسیرید و جلوگیری از پوسیدگی دندان]4[

1-2تاریخچه پیدایش چای

           بر اساس قوانین بین المللی ،نامگذاری گیاهی ،نام علمی صحیح چای ،کاملیا سینن سیس     Camellia sinen sis میباشد ،بدین ترتیب تمام انواع چای را متعلق به یک گونه میدانستند که در آن  دو واریته[1] به نام چای چینی شناخته شده  بود ،متعاقب این  اقدامات Kitamura  در سال 1950 واریته چینی راCamellia sinen sis Var sinensis  و واریته آسامی را Camellia sinensis Var assamia    نام گذاری نمود.آنچه برای چایسازی کشت می شوند عبارتند از چای آسامی ،چای چینی،چای کامبوجی.]1[        چای در چین از زمان های بسیار دور مورد استفاده قرار می گرفته است وشهرتش متوجه این کشور می باشد . چای در چین قبل از تاریخ مسیح شناخته شده است ،داستان اکتشاف اتفاقی چای بدین شرح است که زمانی یک دانشمند دوره ی باستان مشغول جوشاندن آب برای غذای بعدازظهرش بود که ضمن قراردادن هیزم درآتش(شاخه ها یی از یک بوته چای ) مقداری از برگهای شاخه ،داخل ظرف آب افتاد ،پس از اینکه این شخص جرعه ای از آن رانوشید احساس نشاط به اودست داد که تأثیرآن اورا وادار به استفاده مداوم از این نوشیدنی نمود .از این رو ،این دست یافته،دست به دست گشت تا اینکه در سراسرکشور رواج یافت.        برای اولین بار توسط کینگ لونگ  درقرن 4، خواص پزشکی این گیاه کشف و بررسی شد.در ابتدا ،چای بین عوام مرسوم نبود و به عنوان نوعی دارو در طبقات بالاتر اجتماع مورد مصرف قرار می گرفت .        پس از اینکه ویکویو،طرز تهیه چای را به مرحله ی اجرا در آورد این نوشیدنی به تدریج از طبقات بالاتر به عوام انتقال یافت .مصرف سالانهء جهان در حدود چهار میلیون تن می باشد که 70% آن را چای سیاه و 30% آن را چای سبز تشکیل می دهد . ]5[

1-3مشخصات گیاه شناسی

        چای ،گیاهی است از شاخه نهاندانگان[2]،یک پایه و از رده دولپه ای ها واز راسته پارتیال و از خانواده تیاسه وجنس کاملیا، خزان ناپذیر و همیشه سبز که در حالت طبیعی خود به صورت دیپلوئید می باشد .چای در مناطقی که هوای گرم داشته باشد رشد می نماید ،از این نظرمیتوان چای را از لحاظ سازگاری با اقلیم، گیاهی گرمسیری به حساب آورد.چای  که به زبان انگلیسی teaو به زبان چینی tay،chai نامیده میشود به صورت درخت یا درختچه است و مخصوص مناطق استوایی و یا اطراف آن است .]1[        گل چای که در شکل2-1نشان داده شده است به صورت تک تک یا دوتایی و گاهی به صورت دسته های پنج تایی دیده می شوند. رنگ گلها سفید است و کاسه گل براق و دارای 5-7کاسبرگ است.گلبرگ ها به تعداد 5تا7 و به شکل بیضی و محدب به خارج است و در پایه با هم وبا پرچم متصلند .تعداد زیادی پرچم و تخمدان  وجود دارد.]1[

1-1 مقدمه…………………………………………………………………………………….2

1-2 تاریخچه پیدایش چای……………………………………………………………………3

1-3 مشخصات گیاه شناسی………………………………………………………………..4

1-4 ترکیبات چای……………………………………………………………………………….5

1-5چگونگی پرورش چای در ایران……………………………………………………………5

1-6ارقام چای  قابل کشت در ایران………………………………………………………….6

1-7 کاشت چای………………………………………………………………………………..6

1-8عوامل مؤثر در رویش گیاه چای…………………………………………………………..6

1-8-1درجه حرارت……………………………………………………………………………..6

1-8-2 نور……………………………………………………………………………………….7

1-8-3میزان آب…………………………………………………………………………………7

1-8-4کود………………………………………………………………………………………7

1-9برداشت محصول (برگ چینی)………………………………………………………….7

1-9-1انواع برداشت (چین)…………………………………………………………………..9

1-9-2طول مدت برداشت (دوره برگ چینی )……………………………………………….9

1-10نکاتی برای داشتن چای مطلوب……………………………………………………..11

1-11خشک  کردن …………………………………………………………………………13

1-11-1انواع چای بر حسب خشک شدن…………………………………………………14

1-11-2روش های تولید چای……………………………………………………………….15

1-11-3مراحل خشک کردن چای در کارخانه……………………………………………..16

1-11-3-1پلاس……………………………………………………………………………….16

1-11-3-2مالش………………………………………………………………………………18

1-11-3-3 تخمیر……………………………………………………………………………..19

1-11-3-4 خشک…………………………………………………………………………….19

1-12نحوه کار با خشک کن آزمایشگاهی…………………………………………………24

1-13شبکه عصبی مصنوعی………………………………………………………………26

1-14بیان مسئله…………………………………………………………………………….27

1-15اهداف تحقیق………………………………………………………………………….27

1-16مراحل انجام تحقیق…………………………………………………………………..28

1-17ساختار تحقیق………………………………………………………………………….29

فصل دوم: ادبیات وپیشینه تحقیق  

محققین بسیاری از شبکه های عصبی مصنوعی برای دستیابی به اهداف مورد نظر خود در زمینه های کشاورزی استفاده کرده اند که برخی ازآنها عبارتند از:

        فارکاس و همکاران[1] در سال 2000 جنبه های مدل سازی گندم خشک شده توسط شبکه ی عصبی را مورد مطالعه قرار دادند .در این تحقیق ،کاربرد شبکه ی عصبی در یک خشک کن بستر ثابت به کارگرفته شده است .]28[دراین پژوهش ورودی های شبکه شامل سرعت جریان هوا در سه سطح 089/0، 178/0، 267/0 متر بر ثانیه و دمای هوای ورودی در سه سطح 4/54 ، 68 و6/81 درجه سانتیگراد ورطوبت ویژه ی هوای خشک کن در سه سطح 8/2 ،5/14 و2/26 گرم بر متر مکعب و همه ی تیمار ها در سه تکرار انجام شد.نتیجه ی حاصله در این تحقیق به شرح زیر بود که می توان در یک خشک کن بستر ثابت،توزیع رطوبت در اعماق توده محصول در حال خشک شدن را توسط شبکه ی عصبی مدل کرد،به نحوی که خروجی شبکه (تخمین رطوبت )به تغییرات ورودی شبکه بیش تر حساس باشد.       ارنترک وهمکاران[2] در سال 2004 تحقیقی در زمینه ی مقایسه تخمین خشک کردن دینامیکی گیاه اکناسه آ آنگوستیفولیا (یک گیاه با کاربرد پزشکی  فراوان ) به وسیله ی تحلیل رگرسیونی و شبکه ی عصبی انجام دادند . ]29[

در این تحقیق خشک کردن دینامیکی لایه ی نازک این گیاه ومقایسه ی آن در تحلیل رگرسیونی و شبکه ی عصبی بررسی شده است .آزمایش ها در سه سطح دمایی 15،  30  و45  درجه سانتیگراد ودر سه سطح سرعت هوا  3/0  ، 7/0  و1/1  متر بر ثانیه و طول نمونه  در سه اندازه کمتر از 3میلی متر ،بین 3تا 6 میلی متر وبیش تر از 6 میلی متر انجام شد .150 گرم از نمونه ها ،پس از خروج از یخچال تحت تیمار های فوق در خشک کن قرار گرفت .تحلیل رگرسیونی با چهار مدل نیوتن ،هندرسون ،پایبیس ،پیج و پیج اصلاح شده صورت گرفت وهم زمان تحلیل در شبکه های عصبی نیز صورت گرفت وشبکه بهینه دو لایه با یک لایه پنهان و سی نرون حاصل شد نتایج به دست آمده حاکی از آن بود که مدل شبکه های عصبی بادقت 1/0 درصد ،بهتر از مدل پیج اصلاح شده ،میزان رطوبت را تخمین زد.        اسلام وهمکاران[3] در سال 2003 پژوهشی در زمینه ی پیش گویی سرعت خشک شدن توسط شبکه ی عصبی انجام دادند .این تحقیق بر روی ورقه های گوجه فرنگی صورت گرفت .تیمارها شامل سرعت هوا در محدوده ی 5/0  تا 2 متر بر ثانیه ،دمای هوای خشک کردن در محدوده ی 40 تا 55 درجه سانتیگراد ورطوبت نسبی هوا در محدوده ی 5تا 50 درصد وضخامت ورقه های نمونه در محدوده ی 3تا 10 میلی متر بود . در این تحقیق از مدل خشک شدن پیج استفاده شده بدین نحو که همین مدل در شبکه ی عصبی آنالیز شد .]30[        زانگ و همکاران[4] در سال 2002 برای پیش بینی شاخص های انرژی مصرفی ،ترک دانه،رطوبت نهایی محصول ،آهنگ دفع رطوبت ،شدت خشک شدن و آهنگ دفع جرم آب برای فرآیند خشک کردن شلتوک به کمک چهار پارامتر ورودی ضخامت لایه برنج ،دبی هوای گرم ،دمای هوا و زمان خشک شدن از روش شبکه های عصبی مصنوعی استفاده کردند.

پس از پیش بینی توسط الگوریتم های آموزش شبکه های عصبی مصنوعی ،بااستفاده از برنامه نویسی چند هدفه برای بهینه سازی پارامتر های ورودی خشک کردن در محدوده ی انجام آزمایش ها ،مقدار بهینه ی ضخامت لایه ی برنج 66 سانتی متر ،سرعت هوای ورودی 3/0 متر بر ثانیه و دمای هوای ورودی 93 درجه سانتیگراد و زمان خشک کردن 23 دقیقه به دست آمد.]31،32[        هرنالد-پرزوهمکاران[5] (2004) فرآیند خشک کردن انبه و گاساوا را توسط شبکه عصبی مصنوعی با پنج نرون ورودی (میزان چروکیدگی، دما ، زمان، سرعت و رطوبت هوا )و دو خروجی (دما و رطوبت انبه و کاساوای خشک شده )مدل سازی نمودند و بیان کردند که شبکه ی عصبی مصنوعی به خوبی قادر به پیشگویی دما ورطوبت محصول خشک شده می باشد و کمترین خطا با در نظر گرفتن یک لایه پنهان وسه نرون حاصل شد]33[

        موقرنژاد ونیکزاد (2007) فرآیند خشک کردن گوجه فرنگی در یک خشک کن سینی دار را توسط شبکه های عصبی مصنوعی با سه ورودی توان گرم کننده ،سرعت جریان هوا وزمان خشک کردن و یک خروجی (نسبت رطوبت گوجه فرنگی خشک شده )مدل سازی نمودند.

نتایج نشان داد که کمترین خطا با در نظر گرفتن یک لایه پنهان و چهار نرون حاصل میشود. مقایسه مدل شبکه های عصبی مصنوعی با مدل های تجربی نشان داد که شبکه های عصبی مصنوعی نسبت به مدل های تجربی ،رفتار خشک شدن گوجه فرنگی رابا دقت بالاتری پیش بینی می کند . هم چنین این محققین بیان نمودند که شبکه های عصبی مصنوعی  قادر به توصیف ویژگی های خشک کردن در دامنه ی گسترده ای از شرایط مختلف آزمایش می باشد ،در صورتی که مدل های تجربی فقط قادر به توصیف این ویژگی ها در شرایط آزمایشی محدود هستند .]22[       محمد شریفی و همکاران سینتیک خشک شدن بستر نازک پرتغال رقم تامسون را با استفاده از شبکه های عصبی مصنوعی شبیه سازی کردند .برای این منظور از خشک کن آزمایشگاهی استفاده گردید.توده بستر نازک ورقهای پرتغال با پنج دمای 40،50،60،70و80درجه سانتیگراد وسه سرعت هوای  5/0، 1و2 متر بر ثانیه خشک شد.رطوبت اولیه پرتغال در طی آزمایش 4/5تا 7/5 (gr/gr)بر پایه خشک بود .جرم توده بستر نازک در طی خشک کردن هر پنج ثانیه یکبار توسط ترازوی دیجیتال متصل به رایانه اندازه گیری وثبت گردید .از شبکه پس انتشار پیشخوربا الگوریتم های یادگیری مومنتوم ولونبرگ- مارکوات برای آموزش الگوهای موجود استفاده شد .برای توسعه مدل های شبکه عصبی مصنوعی بردار ورودی شامل دما،سرعت هوا وزمان خشک شدن وبردار خروجی محتوای رطوبتی پرتغال درنظر گرفته شد.نتایج نشان دادکه شبکه پس انتشار پیشخور با توپولوژی 1-6-2برای ضخامت 2میلیمتری ورقه پرتغال ،1-7-2برای ضخامت 4 میلیمتری ورقه پرتغال 1-5-2 برای ضخامت 6 میلی متری ورقه پرتغال والگوریتم آموزش لونبرگ-مارکوات وراهبرد توابع یکسان برای تمام لایه ها (تانژانت سیگموئید) قادر است نسبت رطوبت را با ضرایب تبیین99906/0،99919/0و99930/0وخطای متوسط مطلق 000013/0،000012/0،/000009/0به ترتیب برای سه ضخامت 2،4و6میلی متری ورقه های پرتغال در شرایط مختلف خشک کردن پیش بینی کند .]7[         محسن مختاریان وفاطمه کوشکی پارامترهای خشک کردن گوجه فرنگی را با کمک شبکه های عصبی مصنوعی تخمین زدند.در این پژوهش ،خشک کردن لایه ی نازک گوجه فرنگی به روش جابجایی هوای داغ شبیه سازی گردید.اسلایس های گوجه فرنگی در دو دمای (60و70درجه سانتیگراد) خشک شدند . شبکه عصبی پرسپترون برای پیش بینی  نسبت رطوبت و سرعت خشک کردن نمونه ها در طی خشک کردن بکار گرفته شد.بهترین چیدمان شبکه عصبی برای شبکه اول براساس یک لایه پنهان،2و8نرون در لایه پنهان به ترتیب برای نسبت رطوبت و آهنگ خشک کردن  بود.همچنین بهترین چیرمان شبکه عصبی دوم بر اساس یک لایه پنهان ،11نرون برای نسبت رطوبت و آهنگ خشک کردن بود.به طور کلی نتایج نشان داد که شبکه عصبی با آرایش دوم نتایج  بهتری رادرپیش بینی پارامترهای خشک کردن گوجه فرنگی ارائه نمود ]8[        امیر یوسفی ومحبی انتقال جرم طی فرآیند خشک کردن اسمزی سیب زمینی با استفاده از شبکه عصبی مصنوعی را مدل سازی کردند .خشک کردن اسمزی به عنوان یک روش فرآوری کمینه طی دهه های گذشته اهمیت بسیاری یافته است .این فرآیند مستلزم انتقال جرم می باشد که با روشهای مختلف عمدتاً مبتنی بر قانون Fickمدل سازی می شود .در این پژوهش ،فرآیند مدل سازی با به دست آوردن داده های تجربی درصد جذب مواد، میزان از دست دادن رطوبت و درصدرطوبت در محصول در غلظت های مختلف محلول اسمزی (5،10و15%)،دمای غوطه وری (30،40و60درجه سانتیگراد )،نسبت سیب زمینی به محلول اسمزی(1:6،1:8و1:10)ومدت رمان غوطه وری (1، 2، 3 و 4ساعت)انجام شد.جهت مدل سازی از شبکه عصبی مصنوعی ((ANNاستفاده شد و نتایج حاکی از قدرت بالای مدل در پیش بینی خروجی های سیستم بود که می تواند برای بهینه سازی شرایط خشک کردن اسمزی مورداستفاده قرارگیرد]9[       ککمک و یلدیز (2011)[6]پیش بینی سرعت خشک کردن انگور دانه دار با استفاده از روش شبکه  عصبی.این مقاله که یک برنامه کاربردی را ارائه می دهد با استفاده ازشبکه های عصبی پیشخور ،رفتار غیرخطی خشک شدن انگور دانه دار را مدلسازی می کند .نخست نوع جدیدی از خشک کن برای ارزیابی تجربی وسینتیک خشک کردن لایه ی نازک انگور دانه دار توسعه یافته است .در مرحله بعد،نرخ خشک شدن به صورت یک معادله ی نمایی با استفاده از تجزیه و تحلیل رگرسیون غیرخطی تخمین زده شد./در مرحله سوم ،نرخ خشک شدن انگور دانه دار با استفاده از یک شبکه عصبی مصنوعی تخمین زده می شود .در پایان ،عملکرد مدل FNN  با نتایج به دست آمده از مدل رگرسیون خطی وغیرخطی بااستفاده ازمجذورخطای مربعات میانگین،خطای مطلق میانگین و ضریب هم بستگی مقایسه شد .نتایج نشان می دهند که مدلFNN دقیق تر است و از روش بکار گرفته شده در برآورد نرخ خشک کردن انگورمؤثرتر است . [21]

 

2-1پیشینه تحقیق………………………………………………………………………….31

فصل سوم: روش تحقیق 

در این فصل روشی را که با آن مدلسازی انجام دادیم شرح می دهیم . یکی از مهم ترین ویژگیهای شبکه ی عصبی مصنوعی که عملکرد آن را به انسان نزدیک تر می کند قدرت یادگیری است . شبکه های عصبی برای یادگیری به جای دنبال کردن مجموعه هایی ازقواعد تعریف شده توسط انسان متخصص،از قواعد مبنایی(مانند روابط ورودی،خروجی)استفاده می کنند که این یکی از مهم ترین مزایای شبکه ی عصبی نسبت به سیستم های سنتی است . ]10[مدلسازی بااستفاده ازشبکه عصبی سریعترازمدلسازی ریاضی (با استفاده از معادلات گوناگون)است. برای شروع کاربا شبکه عصبی  باید داده ها رابه دو دسته تقسیم کنیم ،دسته ای رابرای آموزش به شبکه ودسته دیگر برای تست انتخاب می شوند .        با استفاده از ابزارهای نرم افزار MATLAB به نام Neural Network Toolboxداده های ورودی وخروجی را وارد می کنیم و از دو نوع شبکه ی عصبی مصنوعی پیش خور و پیشرواستفاده کردیم.هدف ما نشان دادن توانایی مدل هایANN در توصیف رفتار خشک شدن چای  درشرایط عملیاتی متفاوت است .

3-2تاریخچه پیدایش شبکه های عصبی مصنوعی

        از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیست‌ها سعی کردند سامانه یادگیری وتجزیه و تحلیل مغزرا کشف کنند وازسوی دیگرریاضیدانان تلاش کردند تا مدلی ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد.        وارن مک کلاچ و والتر پیتز[1](1943) در اوایل دهه 40 شبکه هایی را طراحی کردند که به طور کلی به عنوان اولین شبکه های عصبی شناخته می شوند.این محققان دریافتند که ترکیب تعداد زیادی نرون ساده درسیستم های عصبی ، منبع افزایش قدرت محاسباتی است.درچنین شبکه هایی وزنهای نرونهاطوری تنظیم می شوند که هرنرون نقش یک واحد منطقی ساده رااجرا نمایدونرون های مختلف نقش های مختلف اجرا کنند .چنین نرون هایی را می توان در یک شبکه قرارداد تابتواند هرخروجی راکه نشانگرترکیبی ازتوابع منطقی باشد ،تولید کند.جریان اطلاعات دردرون شبکه برای انتقال از نرونی به نرون بعدی ،یک مرحله زمانی برای سیگنال انتقالی ایجادمی کندکه این تأخیر زمانی به شبکه اجازه می دهد برخی از فرآیندهای فیزیولوﮊیکی مانند احساس گرما، سرما رامدل سازی کند .این مجموعه قادر است بدون هیچ دانش قبلی ،ارتباط ذاتی موجود میان داده های مسأله را کشف و در خود حفظ کند .این مدل، فرضیه‌هایی در مورد عملکرد نرون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها وایجاد خروجی است.چنانچه حاصل جمع ورودی‌هااز مقدارآستانه بیشتر باشداصطلاحاًنرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده  بود.        نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌ عصبی تأثیر داشتند.در سال ۱۹۵۸ فرانک روزنبلات[2] وچندمحقق دیگر،گروه بزرگی ازشبکه های عصبی رابانام شبکه های پرسپترون ارائه و گسترش دادند . متداول ترین  شبکه پرسپترون،متشکل از یک لایه ورودی (معادل شبکیه چشم )بود که بامسیرهایی باوزن هایی به نرون های پیونددهنده متصل می شدووزنهای مسیرهای اتصال قابل تنظیم بودند.قانون یادگیری پرسپترون از روشی تکرار شونده برای تنظیم وزن استفاده می کند.اگر وزن هایی برای جواب مسئله مورد نظر وجود داشته باشد ،آنگاه می توان ثابت کرد که یادگیری پرسپترون  به وزن های صحیح همگرا می شود ،یعنی این قانون یادگیری ،این امکان را به شبکه می دهد که تمام جفت های ورودی آموزش و خروجی هدف را دوباره به طور صحیح تولید کند .       در سال ۱۹۶۹ میسکی و پاپرت[3] کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات درزمینه شبیه سازی شبکه‌های عصبی بود .آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مسأله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

3-1 مقدمه………………………………………………………………………………….37

3-2تاریخچه پیدایش شبکه های عصبی مصنوعی……………………………………..37

3-3مزایای استفاده از شبکه های عصبی ……………………………………………..40

3-4شبکه عصبی چندلایه………………………………………………………………41

3-4-1-1 الگوریتم پس انتشار خطا………………………………………………………42

3-4-2 مدلسازی خشک کردن چای توسط شبکه عصبی پرسپترون………………..44

3-4-2-1 انتخاب داده های ورودی به شبکه……………………………………………45

3-4-2-2 پیکربندی شبکه عصبی……………………………………………………….45

3-4-3توابع فعالسازی…………………………………………………………………….48

3-4-4توپولوژی……………………………………………………………………………..49

3-4- 5روش الگوریتم لونبرگ – مارکوارت ……………………………………………….49

3-5 بررسی عملکرد شبکه……………………………………………………………….49

3-6 جمع بندی…………………………………………………………………………….50

فصل چهارم :محاسبات و یافته های تحقیق

در این فصل، چگونگی بدست آوردن میزان رطوبت چای در زمان های مختلف و میزان نسبت رطوبت چای خشک شده  وشیوه ی کار با شبکه ی عصبی را نشان می دهیم .چهار نمونه برای هر دمادر نظرگرفتیم و میزان کاهش وزن آن ها را با گذشت زمان در نمودارهایی رسم کردیم همانگونه که مشخص است با گذشت زمان میزان وزن  نمونه های چای کاهش پیدا می کند تا زمانی که وزن آن ها به صفر نزدیک می شود و این بدان معنی است که ماده خشک شده است .نمودارهای4-1،4-3و4-5 کاهش وزن نمونه ها را در سه دمای  35 ،45 و55 درجه سیلسیوس و سرعت 7/0 متر بر ثانیه برای یک برگ چای نشان میدهد.می توان این نمودار ها را اینگونه تفسیر نمودکه افزایش دما ،باعث کاهش وزن نمونه ها و افزایش نرخ خشک شدن می شود.به منظور کم شدن خطای آزمایش های  میانگین رطوبت ونسبت رطوبت نمونه ها را محاسبه می کنیم و از آن برای بررسی تأثیر متغیرهایی مثل دما و سرعت استفاده می کنیم .نمودارهای 4-2،4-4و4-6 نمودار کاهش وزن میانگین نمونه ها بر حسب زمان خشک شدن است .

4-2تأثیر متغیرها بر خشک شدن

         متغیرهایی مثل دما ،زمان وسرعت  را بررسی می کنیم.  همانگونه که از شکل های 4-1 تا  4-6 مشهوداست وزن نمونه ها به تدریج در طول زمان خشک شدن کاهش می یابد و این پدیده در نتیجه­ کاهش آب موجود در نمونه ها است. ازشکل4-7 (مقدار رطوبت مواد به زمان خشک شدن) منحنی خشک شدن و4-8نمودار MR برحسب زمان پیداست،X (رطوبت)با گذشت زمان کاهش می یابد وهر چه دما بیش تر باشد میزان این کاهش نیز بیش تر خواهدبود و با توجه به معادله ی نسبت رطوبت چون Xکاهش می یابد به تبع میزانMR(نسبت رطوبت ) نیزبا گذشت زمان کاهش می یابدچون با سپری شدن زمان ،مواد رطوبت بیش تری از دست می دهند و به سمت خشک شدن پیش می روند.همانطور که  از شکل 4-9 مشخص است منحنی های MRدر سرعت های 5/0 و 7/0 متر بر ثانیه بسیار به هم نزدیک اند و این می تواند اینگونه تفسیر شود که سرعت نسبت به دما تأثیر چندانی بر میزانMR ندارد.

4-1 مقدمه………………………………………………………………………………….53

4-2 تأثیر متغیرها بر خشک شدن…………………………………………………………53

4-3نتایج حاصل از مدلسازی توسط شبکه عصبی پیشخور و پیشرو…………………63

4-4 جمع بندی………………………………………………………………………………84

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل پنجم:نتیجه گیری و پیشنهادها

شبکه های عصبی یک روش عددی قابل کاربرد برای سیستم های مختلف بوده وبرای پیش بینی های سریع مناسب می باشد .بنابراین استفاده از آن باعث کاهش زیاد زمان محاسبات فرآیند، شده و می توان پیش بینی سریعی از رفتار فرآیند را داشت . ساختاربهینهANNجهت مدلسازی  فرآیندخشک کردن چای طی آزمون وخطا به دست می آید.

        در این تحقیق سینتیک خشک شدن چای مورد بررسی قرار گرفته، سپس فرآیند خشک شدن چای به وسیله ی شبکه های عصبی مصنوعی مدلسازی شده است.نتایج بدست آمده از مدلسازی ومقایسه آن با نتایج تجربی ،امکان شناخت رفتار ماده مورد مطالعه را فراهم نمود . در این قسمت نتایج حاصله مورد بحث و بررسی قرار گرفته و پیشنهاداتی برای تحقیقات آتی ذکر شده است .

5-1 مقدمه………………………………………………………………………………….86

5-2 نتایج تحقیق…………………………………………………………………………..86

5-3 پیشنهادهایی برای تحقیقات آتی…………………………………………………..87

ABSTRACT

Tea is one of the most popular drinks amount the world specialy in Iran because of this drying tea leaves for a long period of storage is required.in this research both a tea leaf and bulk of tea is under investigation and drying process.Tea green leaves in airtemperature range from 35 to 55 degrees Celsius and input air velocities 0.5 and0.7 meters per second and time range 0 to 140 minutes were dried in an experimental dryer process.For this purpose, four samples were considered for each temperature. In each experiment, weight of samples has been recorded continuously during the drying process until the mass change of samples become zero. The kinetic of drying tea is investigated and the effect of such parameters like tempreture and velocity on the rate of drying is shown by drawing some graphs .Then the process of drying  tea by neural network method with four input vector (time, temperature, velocity and moisture) and one output vector (moisture ratio) has been modeled .This method is also done for an amount of tea .The obtained Results ofneural network were compared with the experimental data. The best result for drying a tea leaf by feed forward back propagation neural network with Leven berg- Marquardt algorithm and TANSIG threshold function by four input neuron  and leven  neuron in hidden layerand one output neuron is obtained andmean relative percent error , correlation coefficient and root mean square error are 1.30 ,0.9998 , 0.000084 respectively and The best result for  drying bulk of tea by feed forward back propagation neural network with Leven berg- Marquardt algorithm and TANSIGthreshold function by four input neuron  and twenty  neuron in hidden layerand one output neuron mean relative percent error , correlation coefficient and root mean square error and mean square error 5.42,0.9996,0.000082,0.000170 respectively is obtained  which indicates high accuracy of the neural network.



بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word

قیمت35000تومان