Prediction kinetic, energy, exergy and greenhouse gases of quince fruit under hot air dryers using ANN and ANFIS

Abbaspour-Gilandeh, Yousef Prediction kinetic, energy, exergy and greenhouse gases of quince fruit under hot air dryers using ANN and ANFIS. University of Mohaghegh Ardabili.

[img] Text
Revised-Final-Report.pdf

Download (975kB)

Abstract

The high corrosivity and short life after harvest are the factors limiting the market for fruits. One way to reduce post-harvest lesions is to process the product. Therefore, the aim of this study was to prediction kinetic, energy, exergy and greenhouse gases of quince fruit under hot air dryers using artificial neural networks (ANN) and ANFIS. The experiments at an input temperature of 50, 60 and 70°C and three levels of air velocity of 0.6, 1.2 and 1.8 m/s was performed. The thermal parameters were determined using thermodynamic relations. The results showed that with increasing air temperature and air velocity resulted in an increase in the effective diffusion coefficient, energy utilization, energy utilization ratio, exergy efficiency and exergy loss. The value of the effective moisture diffusivity (Deff) was 4.19×10-10 to 1.18×10-9. The highest amount of specific energy consumption, energy utilization, energy utilization ratio and exergy loss and exergy efficiency were calculated 85.40 kwh/kg, 0.0694 kj/s, 0.882, 0.044 kj/s and 0.879, respectively. Midilli et al. model, neural network model and ANFIS model, with determination coefficient (R2) of 0.9992, 0.9993 and 0.9997 provided the best performance for predicting the moisture content of quince fruit. In general, the highest NOx, CO2 and SO2 emissions were 272595 g, 1506.04 g and 3974.48 g, respectively, at 50°C using an air speed of 0.6 m/s. The lowest NOx, CO2 and SO2 emissions were also 38433.2 g, 163.12 g and 0 g, respectively, at 70°C using an air speed of 1.8 m/s. Also, the ANFIS model in comparison with the artificial neural network model, was better able to predict moisture ratio, energy utilization, energy utilization ratio, exergy efficiency and exergy loss, with the determination coefficient of 0.9997, 0.9989, 0.9988, 0.9986 and 0.9978, respectively.

Item Type: Other
Persian Title: پیش¬بینی سینتیک، انرژی، اکسرژی و گازهای گلخانه¬ای خشک¬کردن میوه به در خشک-کن هوای گرم با استفاده از شبکه¬های عصبی مصنوعی و انفیس
Persian Abstract: فساد¬پذیری زیاد و عمر کوتاه پس از برداشت از عوامل محدودکننده در بازار رسانی میوه¬ها می‌باشد. یکی از راه‌های کاهش ضایعات پس از برداشت، فرآوری محصول می‌باشد. لذا هدف از اين تحقيق، خشک¬کردن ورقه هاي میوه به در خشک کن آزمايشگاهي هوای گرم جهت تعيين سينتيک خشک کردن، ضريب پخش رطوبت مؤثر، انرژي فعالسازي، انـرژي ويـژه مصرفي، انرژی مصرفي، نسبت مصرف انرژی، افت اکسرژی، بازده اکسرژی و انتشار گازهای گلخانه¬ای مورد بررسي قرار گرفت. انجام آزمـايش¬هـا درسه سطح دمايي 50 ، 60و °C ٧٠ و سه سطح سرعت 6/0 ، 2/1 و m/s 8/1 و در سه تکرار صورت گرفت. تعيين پارامترهاي حرارتـي بـا استفاده از روابط ترموديناميکي صورت گرفت. نتایج نشان داد که بـا افـزايش دمای هوا و سرعت هوا، مقدار ضريب پخش مؤثر، انرژی مصرفی و نسبت مصرف انرژی، بازده اکسرژی و افت اکسرژی افزايش يافت. مقدار ضریب پخش رطوبت موثر بین 10-10 × 19/4 تا m2/s 9-10 ×18/1 به¬دست آمد. بالاترین مقدار انـرژي ويـژه مصرفي، انرژی مصرفي، نسبت مصرف انرژی و افت اکسرژی و بازده اکسرژی به ترتیبkWh/kg 40/85، kj/s 0694/0، 882/0، kj/s044/0، 879/0 به دست آمد. مدل میدیلی وهمکاران برای پیش بینی نسبت رطوبت با ضریب تبیین 9992/0 بود در صورتیکه مدل شبکه عصبی دارای ضریب تبیین 9993/0 و مدل انفیس با ضریب تبیین 9997/0 دارای عملکرد بهتری بودند. به طور کلی، بالاترین میزان انتشار CO2 ، NOX و SO2 به ترتیب به مقدار (272595، 04/1506 و 48/3974 گرم) در در دمای C°50 و سرعت هوای ورودی (m/s 6/0) به دست آمد. همچنین پایین ترین میزان انتشار CO2 ، NOX و SO2 به ترتیب به مقدار (2/38433، 12/163 و صفر گرم) در دمای C° 70 و سرعت هوای ورودی (m/s 8/1) به دست آمد.. همچنین مدل انفیس نسبت به مدل شبکه های عصبی مصنوعی توانایی بهتری در پیش بینی نسبت رطوبت، انرژی مصرفی و نسبت مصرف انرژی، بازده اکسرژی و افت اکسرژی به ترتیب با ضریب تبیین 9997/0، 9989/0، 9988/0، 9986/0، 9978/0 داشت.
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 07 Nov 2020 09:05
Last Modified: 07 Nov 2020 09:05
URI: http://repository.uma.ac.ir/id/eprint/12122

Actions (login required)

View Item View Item