Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Inżynieria Rolnicza

2 2006

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: SSN model

Sortuj według:

Ogranicz wyniki do:

Modelowanie skurczu suszarniczego wybranych warzyw korzeniowych za pomocą sieci neuronowych

Łapczyńska-Kordon B., Francik S., Frączek J., Ślipek Z.

Inżynieria Rolnicza

2006

R. 10, nr 13(88)

303-311

W pracy przedstawiano próbę zastosowania modelu sformułowanego z pomocą sztucznych sieci neuronowych do opisu zmian skurczu suszarniczego próbek buraka ćwikłowego, podczas konwekcyjnego suszenia, w zależności od zawartości wody, temperatury materiału i wielkości powierzchni. Na podstawie analizy różnych architektur sieci, wybrano do opisu trójwarstwową sieć z trzema wejściami (trzy neurony w pierwszej warstwie ukrytej, jeden neuron w drugiej warstwie ukrytej i jeden neuron na wyjściu - jedna zmienna wyjściowa) ze względu na najmniejsze mierniki błędów. Stwierdzono, że model ma cechy uniwersalności, gdyż pozwala na jednoczesną analizę zmian skurczu w zależności od trzech wielkości: zawartości wody, temperatury i powierzchni przekroju poprzecznego próbki.

The paper presents an attempt to use a model created with the use of artificial neural networks for description of changes of drying shrinkage of red beet samples, during convection drying, as a function of water content, temperature of material and surface size. Based on the analysis of different network architectures, for description a tri-layer network with three inputs (three neurons in the first hidden layer, one neuron in the second hidden layer and one neuron at the output - one output variable) was selected due to the lowest error standards. The model turned out to show universal character, since it enabled simultaneous analysis of changes of shrinkage as a function of three parameters: water content, temperature and cross-section area of the sample.

Analiza twardości selera w czasie suszenia

Łapczyńska-Kordon B., Francik S.

Inżynieria Rolnicza

2006

R. 10, nr 13(88)

295-302

W pracy przedstawiono próbę zastosowania modelu sformułowanego na bazie sztucznych sieci neuronowych do opisu zmian twardości selera w czasie konwekcyjnego suszenia w warunkach wymuszonego przepływu powietrza. Model opracowano na podstawie badań. Próbki selera w kształcie cylindrów o wymiarach 10x10 mm poddano suszeniu konwekcyjnemu w temperaturach: 60 i 70°C. Podczas suszenia w równych odstępach czasowych określano twardość materiału metodą Vickersa za pomocą mikrotwardościomierza PMT-3. Do opisu zmian twardości w zależności od zawartości wody, temperatury suszenia i rodzaju obróbki przed suszeniem zastosowano model opracowany za pomocą sztucznych sieci neuronowych SSN. Do budowy modelu zastosowano wielowarstwową jednokierunkową sztuczną sieć neuronową, wykorzystując do uczenia zmodyfikowany algorytm wstecznej propagacji błędu. Analizowano sieci o różnej architekturze w celu zoptymalizowania działania modelu sieciowego. Stwierdzono, że sieć o 3 neuronach w warstwie 1, 3 neuronach w warstwie 2 i 1 neuronie w warstwie wyjściowej jest optymalna. Błąd względny globalny pomiędzy wartościami otrzymanymi z doświadczeń i z obliczeń wyniósł 28,7%.

The paper presents an attempt of using a model created based on artificial neural networks for description of changes in celery hardness during convection drying under forced air circulation conditions. The model was developed based on the tests. Celery samples in a form of cylinders in size of 10x10 mm were put to convection drying at temperatures: 60 and 70°C. During the drying process material hardness was determined at equal time intervals based on the Vickers method using microhardness tester PMT-3. For description of hardness changes as a function of water content, drying temperature and type of treatment before drying a model developed based on artificial neural networks SSN was used. For creating the model a multilayer unidirectional neural network was employed, using a modified algorithm of backward error propagation for learning process. Networks with different architecture were analyzed in order to optimize actions of the network model. The analysis showed that the optimal network was the one with 3 neurons in layer 1, 3 neurons in layer 2 and 1 neuron in output layer. The global relative error between the values obtained from the experiments and from calculations was 28,7%.