The moisture content of papaya frui

The moisture content of papaya fruit during drying in a cabinet dryer was estimated using both mathematical and neural network models. The effect of air temperatures (40, 50 and 60 °C) and fruit slice thickness (3, 5, 7 mm) on moisture ratio were investigated. A three-layer perceptron neural network with different training algorithms was designed and used. To obtain better estimation of fruit moisture content, topologies were established based on different threshold functions. The results showed that the multi-layer perceptron network with 3-9-1 topology, the Levenberg-Marquardt training algorithm and the logarithmic sigmoid threshold function provided the least errors. Furthermore, eight well-known mathematical models were also used to simulate the drying process. Among the mathematical drying models, the Two-term model was found to be more suitable for predicting the drying of papaya fruit slices, with a coefficient of determination (R2) of 0.9974 and a root-mean-square error (RMSE) of 0.0123. However, these values were lower than those obtained for the designed neural network model (R2 = 0.9994; RMSE = 0.0070). Therefore, estimation of the moisture content of papaya fruit could be better modelled by a neural network than by the mathematical models.
Key Words: artificial neural network, drying, mathematical modelling, moisture content, papaya

ผลลัพธ์ (ไทย) 1:

ความชื้นของผลไม้มะละกอในระหว่างการอบแห้งในเครื่องอบตู้ได้ประมาณการใช้แบบจำลองทางคณิตศาสตร์ และระบบประสาทเครือข่ายทั้งสอง ผลกระทบของอุณหภูมิของอากาศ (40, 50 และ 60 ° C) และผลไม้หั่นหนา (3, 5, 7 มม.) อัตราส่วนความชื้นถูกตรวจสอบ เครือข่ายประสาทสามชั้นเพอร์เซปตรอนกับขั้นตอนวิธีการฝึกอบรมแตกต่างกันถูกออกแบบ และใช้ การขอรับการประเมินดีกว่าของผลไม้ความชื้น ยีก่อตั้งอิงเกณฑ์ต่าง ๆ ฟังก์ชัน ผลลัพธ์แสดงให้เห็นว่าเครือข่ายหลายชั้นเพอร์เซปตรอนกับ 3-9-1 โทโพโลยี อัลกอริทึมการฝึก Levenberg Marquardt และฟังก์ชันลอการิทึม sigmoid เกณฑ์ให้ข้อผิดพลาดน้อยที่สุด นอกจากนี้ แบบจำลองทางคณิตศาสตร์รู้จักแปดถูกยังใช้เพื่อจำลองกระบวนการอบแห้ง ระหว่างแบบจำลองทางคณิตศาสตร์การอบแห้ง แบบสองระยะพบจะเหมาะสำหรับการอบแห้งผลไม้ชิ้นมะละกอ กับสัมประสิทธิ์การกำหนด (R2) 0.9974 และพลาดสี่เหลี่ยมหมายถึงราก (RMSE) 0.0123 ทำนาย อย่างไรก็ตาม ค่าเหล่านี้ได้ต่ำกว่าผู้ที่ได้รับสำหรับแบบจำลองการออกแบบโครงข่ายประสาท (R2 = 0.9994 RMSE = 0.0070) ดังนั้น การประเมินความชื้นของผลไม้มะละกออาจจะดีกว่าสร้างแบบจำลอง โดยเครือข่ายประสาทกว่า โดยแบบจำลองทางคณิตศาสตร์คำสำคัญ: โครงข่ายประสาทเทียม การอบแห้ง คณิตศาสตร์ แบบจำลองความชื้นเนื้อหา มะละกอ

ผลลัพธ์ (ไทย) 2:

ปริมาณความชื้นของมะละกอระหว่างการอบแห้งในเครื่องตู้ถูกประเมินโดยใช้แบบจำลองทั้งสองเครือข่ายทางคณิตศาสตร์และประสาท ผลของอุณหภูมิของอากาศ (40, 50 และ 60 ° C) และความหนาชิ้นผลไม้ (3, 5, 7 มิลลิเมตร) ในอัตราส่วนความชื้นถูกตรวจสอบ สามเลเยอร์เครือข่าย Perceptron ประสาทกับขั้นตอนวิธีการฝึกอบรมที่แตกต่างกันได้รับการออกแบบและใช้งาน ที่จะได้รับการประมาณค่าที่ดีขึ้นของปริมาณความชื้นผลไม้โครงสร้างได้ถูกก่อตั้งขึ้นบนพื้นฐานของฟังก์ชั่นที่แตกต่างกันเกณฑ์ ผลการศึกษาพบว่าเครือข่าย Perceptron หลายชั้นกับ 3-9-1 โทโพโลยีขั้นตอนวิธีการฝึกอบรม Levenberg-Marquardt และฟังก์ชั่น sigmoid เกณฑ์ลอการิทึมจัดให้มีข้อผิดพลาดน้อยที่สุด นอกจากนี้แปดที่รู้จักกันดีแบบจำลองทางคณิตศาสตร์ก็ยังใช้ในการจำลองกระบวนการอบแห้ง ในรูปแบบที่อบแห้งคณิตศาสตร์รุ่นสองคำก็จะพบว่ามีความเหมาะสมมากขึ้นในการทำนายการอบแห้งของชิ้นผลไม้มะละกอที่มีค่าสัมประสิทธิ์ของการตัดสินใจ (R2) ของ 0.9974 และรากเฉลี่ยตารางข้อผิดพลาด (RMSE) ของ 0.0123 อย่างไรก็ตามค่าเหล่านี้มีค่าต่ำกว่าผู้ที่ได้รับสำหรับรูปแบบเครือข่ายประสาทออกแบบ (R2 = 0.9994; RMSE = 0.0070) ดังนั้นการประมาณปริมาณความชื้นของมะละกออาจจะเป็นแบบอย่างที่ดีขึ้นโดยเครือข่ายประสาทกว่าโดยแบบจำลองทางคณิตศาสตร์.
คำสำคัญ: เครือข่ายประสาทเทียม, การอบแห้งแบบจำลองทางคณิตศาสตร์ความชื้นมะละกอ

ผลลัพธ์ (ไทย) 3:

ความชื้นของผลมะละกอระหว่างการอบแห้งในตู้อบซึ่งใช้ทั้งแบบจำลองคณิตศาสตร์และประสาทเครือข่าย ผลกระทบของอุณหภูมิอากาศ ( 40 , 50 และ 60 องศา C ) และความหนาของชิ้นผลไม้ ( 3 , 5 , 7 มม. ) อัตราส่วนความชื้น คือ เป็นเครือข่ายประสาทกับขั้นตอนวิธีสามชั้นธรรมดาที่แตกต่างกันการฝึกอบรมถูกออกแบบและใช้ ที่จะได้รับการประเมินที่ดีของความชื้น ผลไม้ ยีขึ้นขึ้นอยู่กับฟังก์ชั่นเกณฑ์ที่แตกต่างกัน ผลการศึกษาพบว่า วิธีการแบบธรรมดากับเครือข่าย 3-9-1 , levenberg มาร์ควฝึกขั้นตอนวิธีและลอการิทึมฟังก์ชันเกณฑ์แบบมีข้อผิดพลาดน้อยที่สุด นอกจากนี้ แปด ที่รู้จักกันดี แบบจำลองทางคณิตศาสตร์เพื่อใช้ในการจำลองกระบวนการอบแห้ง . ในทางคณิตศาสตร์การอบแห้งแบบสองระยะรูปแบบพบว่าเป็นมากขึ้นเหมาะสำหรับทำนายการอบแห้งผลไม้มะละกอชิ้นด้วยสัมประสิทธิ์การตัดสินใจ ( R2 ) ของ 0.9974 และรากของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) ของ 0.0123 . อย่างไรก็ตามค่าเหล่านี้อย่างมีนัยสำคัญที่ได้รับสำหรับการออกแบบโครงข่ายประสาทเทียมแบบ ( R2 = 0.9994 ได้แก่ RMSE = 0.0070 ) ดังนั้น การประมาณค่าความชื้นของผลมะละกออาจจะดีกว่าโดยจำลองเครือข่ายประสาทกว่าโดยแบบจำลองทางคณิตศาสตร์คำสำคัญ : โครงข่ายประสาทเทียม , อบแห้ง , แบบจำลองทางคณิตศาสตร์ , ความชื้น , มะละกอ