fa تخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال عمومی Ggeneral پژوهشي Research هدف از این پژوهش، بر اورد ضر یب تبد یل شلتوک به برنج سفید در خشک کردن بستر سیال به کمک شبکه ها ی عصبی مصنوعی است . هفت عامل مؤثر در عملکرد خشک کن های بستر سیال به عنوان متغیرهای مستقل برای شبکه عصبی مصنوعی در نظر گرفته شد . این متغیرها عبارت اند از رطوبت نسبی هوای محیط، دمای هوای محیط، سرعت هوای ورودی، عمق بستر شلتوک، دمای هوای ورودی، رطوبت اولیه و رطوبت نهایی شلتوک. تعداد ٢٧٤ آزمایش برای ایجاد الگوهای آموزش و ارزیابی به وسیله یک خشککن آزمایشگاهی انجام گردید. سپس نمونه هایی از محفظه خشک کن جدا و عملیات پوست کنی و سفید کردن با دستگاه های آزمایشگاهی انجام گرفت. ضریب تبدیل میانگین، به عنوان ضریب تبدیل آزمایش منظور شد . از شبکه ها و الگوریتم های یادگیری متعدد برای آموزش الگوهای موجود استفاده شد . نتایج ٧ و الگوریتم آموزش لونبرگ - مارکوارت و تابع آستانه تانژانت -١٣-٧- بررسی ها نشان داد که شبکه پس انتشار پیشر و با توپولوژی ١ ٠ در شر ایط / ٩٥ درصد و خطای متوسط مطلق ٠١٩ / سیگمویید قادر است راندمان تبدیل شلتوک ر ا به برنج سفید با ضریب تعیین ٤٨ مختلف خشک کردن شلتوک در گستره بستر سیال پیش بینی نماید هم چنین نتایج نشان داد که دمای هو ای ورودی و میزان رطوبت نهایی شلتوک، بیشترین تأثیر را بر ضریب تبدیل شلتوک به برنج سفید در خشک کردن بستر سیال دارند. The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture content and inlet air temperature. In aggregate, 274 drying experiments were conducted for creating training and testing patterns by a laboratory dryer. Samples were collected from dryer, and then dehulling and polishing operations were done using laboratory apparatus. HRY was measured at several different depths , average of which was considered as HRY for each experiment. Three networks and two training algorithms were used for training presented patterns. Results showed that the cascade forward back propagation algorithm with topology of 7- 13-7-1 and Levenberg-Marquardt training algorithm and activation function of Sigmoid Tangent predicted HRY with determination coefficient of 95.48% and mean absolute error 0.019 in different conditions of fluidized bed paddy drying method. Results showed that the input air temperature and final moisture content has the most significant effect on HRY. الگوریتم لونبرگ- مارکوارت، شبکه پس انتشار پیشرو، شلتوک، ضریب تبدیل Feed-forward back propagation network, Head rice yield, Levenberg-Marquardt, Rough rice. 285 298 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-363-1&slc_lang=fa&sid=1 R Amiri Chaijan رضا امیری چایجان amirireza@basu.ac.ir Yes M Khosh Taghaza محمدهادی خوش تقاضا No GH Montazer غلامعلی منتظر No S Minaee سعید مینایی No M Alizadeh محمد رضا علیزاده No