منابع پایان نامه درباره چای، عصبی، دمای، سیلسیوس

دانلود پایان نامه

انتشار خطا یا قانون دلتای تعمیم یافته آموزش داده می شود و هدف آن به حداقل رساندن کل مربعات خطای خروجی محاسبه شده توسط شبکه و رسیدن به تعادل بین قابلیت یادگیری و تعمیم است. منظور از قابلیت یادگیری،پاسخگویی به الگو های ورودی به کاررفته برای آموزش و منظور از تعمیم ، پاسخ دهی منطقی (خوب) به ورودی های شبیه اما نه دقیقاًیکسان با ورودی بکار رفته در آموزش است.
بررسی ها نشان می دهد که شبکه عصبی پس انتشار پیش خور با تابع آستانه TANSIGوالگوریتم LMباچهار نرون ورودی و یازده نرون در لایه ی پنهان و یک خروجی و ضریب تبیین 9998/0 برای خشک کردن یک برگ چای بهترین جواب را می دهد وهمین طور شبکه عصبی پس انتشار پیش خور با تابع آستانه TANSIGبا چهار نرون ورودی و بیست نرون در لایه ی پنهان و یک خروجی و ضریب تبیین 9996/0 برای خشک کردن تودهای از چای بهترین جواب را می دهدکه نشان دهنده ی دقت بالای شبکه عصبی است.با مقایسه نتایج به دست آمده از شبکه های عصبی پس انتشار پیش خور و شبکه پس انتشار پیشرو با داده های تجربی ،در یافتیم که شبکه پس ار پیش خور بهترین جواب را با بیش ترین دقت و کمترین درصد خطا ارائه می دهد .

فصل چهارم

محاسبات ویافته های تحقیق

4-1مقدمه
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.

مطلب مشابه :  منابع و ماخذ پایان نامهمیلی، تجزیه، ساکارز، منحنی

4-1 تغییرات کاهش وزن چهارنمونه بازمان خشک شدن در دمای 35 درجه سیلسیوس و سرعت7/0
متربرثانیه برای یک برگ چای

4-2 تغییرات کاهش وزن میانگین نمونه هابازمان خشک شدن دردمای 35 درجه سیلسیوس وسرعت7/0 متربرثانیه برای یک برگ چای

4-3 تغییرات کاهش وزن چهارنمونه بازمان خشک شدن در دمای 45 درجه سیلسیوس وسرعت7/0
متر برثانیه برای یک برگ چای

4-4 تغییرات کاهش وزن میانگین نمونه ها بازمان خشک شدن در دمای 45 درجه سیلسیوس و سرعت 7/0متر برثانیه برای یک برگ چای

4-5 تغییرات کاهش وزن چهارنمونه بازمان خشک شدن در دمای 55 درجه سیلسیوس و سرعت7/0متر برثانیه برای یک برگ چای

4-6 تغییرات کاهش وزن میانگین نمونه ها بازمان خشک شدن در دمای 55 درجه سیلسیوس و سرعت7/0متر برثانیه برای یک برگ چای

4-7 تغییرات رطوبت (kg/kg) با زمان در سرعت 7/0 متر بر ثانیه برای یک برگ چای

4-8 تغییراتMR)) (بی بعد)بازمان در سرعت 7/0متربرثانیه برای یک برگ چای

4-9 تغییرات نسبت رطوبت با زمان در سرعت های متفاوت دردمای ثابت 35 درجه
سیلسیوس برای یک برگ چای

با استفاده ازمعادله ی هندرسون و پیبیس]22[ وقراردادن زمان وMR به دست آمده ازدادههای تجربی در معادله(4-1) ،می توان میزان ضریب نفوذ را محاسبه نمود.باتوجه به جدول (4-2)میزان ضریب نفوذ با افزایش دما افزایش می یابد.

(4-1) MR = a exp (-k t)

(4-2)]25 [( 8/?^2 exp ( -?^2/4 D_e/s^2 t = MR = X/X_o

(4-3) K = ( -?^2/4 D_e/s^2 t)

(4-4) 8/?^2 exp ( -?^2/4 D_e/s^2 t) = ln ln ( MR ) =ln X/X_o

جدول 4-1 برخی از معادلات ریاضی[22]

نام معادله مدل معادله منابع

MR=exp(-kt) Newton Mujumdar [44]

MR=exp(-kt^n) Page Diamante and Munro[
45]

MR= a exp(-kt) Henderson and Pabis Zhang andLitchfield[46]

MR= a exp(-kt) + c Logarithmic Yagcioglu et al[47]

MR= a exp(-k_ot) + b exp(k_1t) Two-term Henderson[48]

MR=1+at + bt^2 Wang and Singh Wang and Singh [49]

MR= a exp(-kt) + b exp(-gt) + c exp(-ht)
ModifiedHendersonandPabis Karathanos[50]

بارسم نمودارln(MR)برحسب زمان،خطی بدست می آید که شیب آن(ضریب (t برابرخواهد بود با:.

(4-5) Slop=-?^2/4 D_e/s^2

با قرار دادن مقادیرs,?در معادله ی بالا ،ضریب نفوذ Dبه دست می آید .

4-10تغییرات ln(MR)بازمان در سرعت7/ 0متر بر ثانیه و در سه دمای متفاوت برای یک برگ چای

جدول 4-2:میزان تغییرضریب نفوذبا افزایش دما

ضریب نفوذ ((m/s
دما c°
? e?^(-7)964737999/4
35
? e?^(-7)688291498/8
45
e^(-6)234132099/2
55

همانطور که از نمودار 4-8 مشهود است اگرMR را بر حسب زمان رسم کنیم نموداری غیر خطی خواهد داداز آنجایی که برای بدست آوردن ضریب نفوذ باید معادله خط را داشته باشیم بنابراین اگر بخواهیم یک رابطه بین MR و زمان بدست آوریم باید Ln(MR)را بر حسب زمان رسم کنیم. ازآنجایی که این داده ها با وجود محاسبه لگاریتم بازهم در یک راستا نیستند از فیت کردن خطی ساده استفاده می کنیم ، یعنی رسم خط راستی که از بیشتر داده ها می گذرد .سپس معادله مربوط به آن را بدست آورده که شیب آن همان ضریبی ازD( ضریب نفوذ)است.خطاهای بدست آمده هم بین داده های خط با داده هایی است که ما وارد کردیم .ln(MR)درسه شکل زیر به طور جداگانه در سه دمای 35 و 45 و55 درجه سیلسیوس برحسب زمان نشان داده شده است .

مطلب مشابه :  منبع پایان نامه ارشد با موضوعبازداشت موقت، قرار بازداشت موقت، قانون مجازات، جزای نقدی

4-11نمودارln(MR)برحسب زمان در دمای 35 درجه و سرعت 0.7متر بر ثانیه برای یک
برگ چای

4-12نمودارln(MR)برحسب زمان در دمای 45 درجه و سرعت 0.7متر بر ثانیه برای یک
برگ چای

4-13نمودارln(MR)برحسب زمان در دمای 55 درجه و سرعت 0.7متر بر ثانیه برای یک
برگ چای

4-3 نتایج حاصل از مدلسازی توسط شبکه عصبی پیشخور و پیشرو
اولین گام در آموزش یک شبکه عصبی ،ارائه ی الگوهایی است که شبکه بتواند با استفاده از آنها آموزش داده شود.
نتایج به دست آمده در جداول 4-4تا4-7هم برای یک برگ چای وهم برای توده ای از چای آورده شده اند.مشخصات شبکه ی عصبی استفاده شده در این تحقیق درجدول 4-3آورده شده است.

4-3: معماری شبکه های عصبی مدل سازی شده برای یک برگ چای و توده ای از چای[20]

مشخصات
پیکربندی شبکه عصبی برای یک برگ چای

پیکربندی شبکه عصبی برای توده ای از چای

نوع شبکه
FFBP
CFBP
FFBP
CFBP
تعداد لایه های پنهان
1،2،3
1،2،3
1،2،3
1،2،3
تعداد نرون
1،16
1،25
1،20
1،25
تابع فعال سازی لایه میانی
Tansig
Tansig
Tansig
Tansig
الگوریتم آموزش
LM
LM
LM
LM
الگوریتم خطایابی
BP
BP
BP
BP
تابع عملکرد خطا
MSE
MSE
MSE
MSE
حداکثر تعداد Epoch
1000
1000

1000

1000

حداکثرمراحل اعمال داده ها
135
75
85
110
تعداد داده های آموزش داده شده
244
244
200
200
تعداد داده های تست شبکه
20
20
40
40

جدول 4-4:نتایج آنالیز شبکه پس انتشار پیشخور برای یک برگ چای با تعدادلایه های پنهان وتعدادنرون های متفاوت درهرلایه دردماهاوسرعت های متفاوت هوای خشک کردن
R^2 P% RMSE تعداد نرون ها تعداد لایه پنهان

9899/0 56/8 002300/0 1 1
9980/0 98/3 000510/0 3 1
9983/0 64/6 000464/0 5 1
9988/0 36/4 000301/0 6 1
9988/0 72/3 000290/0 6 1
9985/0 89/7 000346/0 7 1
9991/0 90/3 000266/0 7 1
9994/0 28/2 000182/0 7 1
9992/0 74/2 000157/0 8 1
9990/0 83/3 000276/0 8 1
9990/0 07/4 000227/0 9 1
9993/0 51/2 000185/0 10 1
9985/0 16/5 000297/0 10 1
9992/0 72/2 000170/0 10 1
9991/0 40/3 000235/0 10 1
9993/0 51/2 000177/0 10 1
9993/0 20/2 000149/0 10 1
9992/0 73/2 000226/0 10 1
9990/0 58/7 000264/0 11 1
9996/0 84/1 000131/0 11 1
9994/0 36/2 0
00158/0 11 1
9993/0 63/2 000187/0 11 1
9991/0 29/3 000256/0 11 1
9995/0 13/2 000118/0 11 1
9993/0 89/2 000163/0 11 1
9991/0 37/5 000183/0 11 1

ادامه جدول 4-4 : نتایج آنالیز شبکه پس انتشار پیشخور برای یک برگ چای با تعدادلایه های پنهان وتعدادنرون های متفاوت درهرلایه دردماهاوسرعت های متفاوت هوای خشک کردن
R^2 P% RMSE تعداد نرون ها تعداد لایه پنهان

Author: mitra2--javid

دیدگاهتان را بنویسید