مدلسازی استخراج روغن از دانه کتان با پیش تیمار میدان الکتریکی پالسی با استفاده از شبکه عصبی مصنوعی
نویسندگان
چکیده مقاله:
دانه کتان یکی از منابع تأمین کننده روغن می باشد که به دلیل میزان بالای اسید چرب ضروری امگا3 مورد توجه قرار گرفته است. در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهمترین مراحل برای تولید محصولی با کیفیت و راندمان بالا می باشد. در تحقیق حاضر به منظور مدلسازی فرآیند استخراج روغن دانه‌های کتان به کمک پیش تیمار میدان الکتریکی پالسی، از شدت های 0/5، 3/5 و 6/5 کیلوولت بر سانتی‌متر و سرعت های 11، 22 و 33 دور در دقیقه پرس مارپیچی استفاده شد و میزان راندمان استخراج، اسیدیته، دانسیته، رنگ، ضریب شکست، پراکسید و اندیس اسیدی روغن استخراج شده مورد بررسی قرار گرفت. جهت پیش‌بینی روند تغییرات از ابزار شبکه‌های عصبی مصنوعی در نرم‌افزار Matlab R2013a استفاده شد. نتایج نشان داد که با افزایش شدت میدان الکتریکی پالسی و افزایش سرعت دورانی پرس، راندمان استخراج روغن، شاخص رنگ، دانسیته، اسیدیته و اندیس اسیدی افزایش یافت. همچنین افزایش شدت میدان الکتریکی پالسی تاثیر معنی داری بر ضریب شکست و میزان پراکسید نداشت در حالی که با افزایش سرعت پرس میزان پراکسید افزایش یافت. با بررسی شبکه های مختلف، شبکه پیش‌خور با توپولوژی 7-10-2 با ضریب همبستگی بیش از 0/9843 و میانگین مربعات خطا برابر با 0/0001 و با به کارگیری تابع فعال‌سازی لگاریتم سیگموئیدی، الگوی یادگیری لونبرگ _مارکوات و چرخه یادگیری 1000 به عنوان بهترین مدل عصبی مشخص گردید. در نهایت با توجه به نتایج مشخص شد که اعمال پیش تیمار میدان الکتریکی پالسی با شدت 6/5 کیلوولت بر سانتی‌متر و سرعت پرس 22 دور در دقیقه منجر به تولید محصول با راندمان مناسب و خصوصیات فیزیکوشیمیایی مطلوبتر گردید.
منابع مشابه
مدلسازی استخراج روغن از دانۀ کتان به کمک پیش‌تیمار مایکروویو با استفاده از شبکه‌های عصبی مصنوعی
در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهمترین و ضروری‌ترین مراحل برای تولید محصولی با کیفیت و راندمان بالاست. در این تحقیق به‌منظور مدلسازی فرایند استخراج روغن از دانه‌های کتان به کمک پیش‌تیمار مایکروویو از زمان‌های مختلف فرایند (90، 180 و 270 ثانیه) و توان‌های مختلف (180، 540 و 900 وات) استفاده گردید و میزان راندمان استخراج، اسیدیته، ضریب شکست، دانسیته، عدد اسید...
متن کاملمدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی
مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلا...
متن کاملپیش بینی اثر پارامترهای جوش قوس الکتریکی بر هندسه جوش با استفاده از شبکه عصبی مصنوعی
در این مقاله، شبیه سازی روابط بین پارامترها و هندسه جوش قوس الکتریکی با استفاده از شبکه عصبی مصنوعی که با اطلاعات تجربی 216 نمونه تجربی ایجاد شده، ارائه شده است. شبکه عصبی مصنوعی گسترش داده شده در این مقاله از الگوریتم پس انتشار خطا و با دو لایه پنهان بهره می برد که در آن شش پارامتر شدت جریان، طول قوس، سرعت حرکت الکترود، زاویه الکترود با خط جوش، حرکت عرضی و نوع الکترود به عنوان ورودی و چهار عام...
متن کاملمدلسازی و پیش بینی صادرات آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه های عصبی مصنوعی
هدف اصلی این مقاله، مدلسازی و پیش بینی میزان صادرات آبزیان دریایی در ایران است. برای این منظور، از روش های سری زمانی خود توضیح جمعی میانگین متحرک(ARIMA) و شبکه عصبی مصنوعی استفاده می شود. به منظور انجام بررسی، از داده های ماهانه دوره 1374:03 تا 1387:12 برای برآورد و آموزش مدل و از داده های دوره از 1388:01 تا 1390:12 به منظور بررسی قدرت پیش بینی مدل های مختلف استفاده می شود. در این مطالعه، معیار...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 11 شماره 4
صفحات 127- 138
تاریخ انتشار 2019-12-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023