Investigation of the Effect of Temperature, Impacting Material and Variety on Apple Bruise Volume Du to Impact and its Modeling by Artificial Neural Network

Shekarbeigi, Sedigheh and Afkari-Sayyah, A.H and Shayeghi-Moghanloo, H. and Shokuhian, A. A. (2009) Investigation of the Effect of Temperature, Impacting Material and Variety on Apple Bruise Volume Du to Impact and its Modeling by Artificial Neural Network. Other thesis, University of Mohaghegh Ardabili.

[img] Text
53.pdf

Download (683kB)
Official URL: http://uma.ac.ir/

Abstract

Impact is one of the major causes of losses is in perishable agricultural products such as apple. These types of wastes which appeare in fruits and vegetable imposed a huge pressure on country's economy. Therefore investigation factors which are correlate with bruising is especially important in losses reduction and optimization of harvesting and postharvest machines design. In this thesis, using a impact pendulum device, by conducting 360 tests in a factorial experiment in the form of a completely randomized design, the effect independent factors of temperature (0, 10, 20 and 300C), cultivar (Golden Delicious and Red Delicious), padding surface (carton, rubber and galvanized iron) and impact energy (300, 600 and 900 mj) were studied on bruising volume of apple fruit. Results of analysis of variance showed that the effect of temperature, cultivar, padding surface and impact energy is significant on bruising volume in statitical level of 1%. Increase of temperature in both cultivars decreased bruising, while increasing impact energy increased bruised volume in both cultivars. The highest value of bruised volume occurred for Red Delicious in contact with galvanized iron and the lowest for Golden Delicious in contact with cartons. Multilayer perceptron neural networks were used for predict bruising volume. Because of neural networks are nonlinear mathematical structure, reason can be good substitute for other models. Networks training was performed with four types of training algorithm, algorithm Levenbery-Marquardt with structure 1-26-4 and logsigmoid transfer function in hidden layer had better performance in comparison with complex algorithms. the prediction accuracy mean this algorithm in training, evaluation and testing process was calculated respectively 92.48, 88.94 and 87.72 percent. The correlation coefficient (R) was calculated 0.975 between predicted and experimental data in the linear regression.

Item Type: Thesis (Other)
Persian Title: بررسي اثر دما، نوع سطح ضربه¬زن و رقم بر حجم كوفتگي سيب ناشي از ضربه و مدلسازي آن به روش شبكه عصبي مصنوعي
Persian Abstract: ضربه يكي از مهم¬ترين علل ايجاد ضايعات در محصولات آبدار و فاسدشدني است. ضايعاتي كه در انواع ميوه نظير سيب ايجاد مي¬گردد، خساراتي است كه بر اقتصاد كشور تحميل مي¬گردد. لذا بررسي عوامل مرتبط با ميزان كوفتگي براي كاهش تلفات، طراحي و بهينه¬سازي ماشين-هاي برداشت و پس از برداشت از اهميت برخوردار است. در تحقيق حاضر با استفاده از دستگاه ضربه¬زن آونگي و انجام آزمون¬هاي ضربه طي يك آزمايش فاكتوريل در قالب طرح كاملاً تصادفي اثر عوامل مستقل دما (0، 10، 20 و 30 درجه سلسيوس)، رقم (گلدن¬دليشز و رددليشز)، سطح ضربه¬گير (كارتن، لاستيك و آهن گالوانيزه) و انرژي ضربه (300، 600 و 900 ميلي¬ژول) بر ميزان حجم كوفتگي در ميوه سيب بررسي شد. نتايج تجزيه واريانس نشان داد كه اثر دما، رقم، سطح ضربه¬گير و انرژي ضربه بر ميانگين حجم كوفتگي در سطح احتمال 1% معني¬دار است. با افزايش دما حجم كوفتگي در هر دو رقم كاهش و با افزايش سطح انرژي سينتيك حجم كوفتگي در هر دو رقم افزايش يافت. رقم گلدن¬دليشز نسبت به رددليشز مقاومت بيشتري در برابر آسيب ناشي از ضربه داشت، در حالي¬كه بيشترين حجم كوفتگي مربوط به رقم رد¬دليشز در برخورد با آهن گالوانيزه و كمترين آن به رقم گلدن¬دليشز در برخورد با كارتن بود. براي پيش¬بيني حجم كوفتگي، از شبكه¬هاي عصبي پرسپترون چند لايه (MLP) استفاده شد. شبكه¬هاي عصبي به دليل ساختار رياضي غيرخطي مي¬توانند جايگزين مناسبي براي مدل¬هاي پيچيده باشند. آموزش شبكه¬ها با چهار نوع الگوريتم آموزشي انجام گرفت، الگوريتم لونبرگ-ماركوارت با ساختار 1-26-4 و تابع انتقال لگاريتم سيگموئيد در لايه مخفي در مقايسه با ساير الگوريتم¬هاي آموزشي از عملكرد بهتري برخوردار بود. با اين الگوريتم ميانگين دقت پيش¬بيني در مراحل آموزش، ارزيابي و آزمون به ترتيب 48/92، 94/88 و 72/87 درصد محاسبه شد. همچنين ضريب همبستگي (R) در رگرسيون خطي بين داده¬هاي پيش¬بيني شده و داده¬هاي واقعي 975/0 بدست آمد.
Supervisor:
SupervisorE-mail
Afkari-Sayyah, A.HUNSPECIFIED
Advisor:
AdvisorE-mail
Shayeghi-Moghanloo, H.UNSPECIFIED
Shokuhian, A. A.UNSPECIFIED
Subjects: Faculty of Engineering > Department of Mechanical Engineering
Divisions > Faculty of Engineering > Department of Mechanical Engineering
Divisions: Subjects > Faculty of Engineering > Department of Mechanical Engineering
Faculty of Engineering > Department of Mechanical Engineering
Date Deposited: 09 Jul 2019 07:49
Last Modified: 09 Jul 2019 07:49
URI: http://repository.uma.ac.ir/id/eprint/7599

Actions (login required)

View Item View Item