سال انتشار: ۱۳۹۱

محل انتشار: هفتمین کنگره ملی مهندسی ماشین های کشاورزی و مکانیزاسیون

تعداد صفحات: ۱۷

نویسنده(ها):

توحید عیسی زاده – کارشناس ارشد مکانیک ماشینهای کشاورزی از دانشگاه بوعلی سینای همدان
حسین حاجی آقا علیزاده – استادیار گروه مکانیک ماشینهای کشاورزی از دانشگاه بوعلی سینای همدان
ابراهیم احمدی – استادیار گروه مکانیک ماشینهای کشاورزی از دانشگاه بوعلی سینای همدان
رضا امیری چایجان – استادیار گروه مکانیک ماشینهای کشاورزی از دانشگاه بوعلی سینای همدان

چکیده:

سفتی میوه یکی از مهم ترین شاخص های کیفی میوه ها می باشد که از ان می توان در مواردی همچون اگاهی از میزان رسیدگی میوه، تخمین مدت زمان مناسب برای انبار داری و ایجاد شرایط بهینه حمل و نقل استفاده کرد که امروزه آزمون های غیر مخرب برا یاندازه گیری آن متداول شده است. از جمله آزمون های غیر مخرب که برای اندازه گیری سفتی میوه ها جنبه عملی پیدا کرده است روش پاسخ آکوستیک می باشد. در تحقیق حاضر روش پاسخ آکوستیک برا یاندازه گیری سفتی چهار رقم سیب (گلدن دلشیز، رد دلشیز، جاناگلد و پاپیروکا) در طول انبار داری به کار گرفته شد. سیب ها در سه تارخ متمایز برداشت شده و در اندازه های کوچک، متوسط و بزرگ درجه بندی شدند و بعد از آزمون سفتی سنجی اولیه میوه ها به سرد خانه با دمای ۱ درجه سانتیگراد و رطوبت نسبی ۸۰ درصد منتقل شدند. آزمون سفتی سنجی هر ۲۰ روز یک بار در مدت ۳ ماه دوره انبار داری برای میوه ها صورت گرفت. نتایج این آزمون ها نشان از متفاوت بودن روند تغییرات سفتی سیب های با اندازه های مختلف دارد و بیشترین تغییرات سفتی برای میوه های با اندازه بزرگ و کمترین تغییرات نیز مربوط به سیب های با جرم کمتر است. روند تغیرات سفتی رقم های مختلف متفاوت است تاریخ برداشت نیز بر روی روند تغییرات سفتی اثری متفاوت دارد. برداشت زود هنگام باعث افزایش آهنگ کاهش سفتی آکوستیک در طول دوره انبار داری برا یرقم های جانا گلد و پاپیروکا ( کاغذی) شد. برای پیش بینی سفتی آکوستیک سیب ها از شبکه های عصبی مصنوعی که ورودی های آن شامل، تاریخ برداشت ، جرم سیب ها، زمان انبار داری، رقم و فرکانس تشدید اول سیب ها است، استفاده شد. بریا طراحی شبکه بهینه از شبکه های پیش خور با ذو الگوریتم یادگیری لونبرگ-مارکوارت و تنظیم بیزی با ساختار ها و توابع فعال سازی مختلف استفاده شده است. از بین شبکه های تشت شده شبکه عصبی با ساختار ۱-۱۰-۵ و الگوریتم یادگیری لونبرگ- مارکورات و توابع فعال سازی تانژانت هایپز بولیک و خطی بین لایه ها، با ضریب تعیین (۰/۹۹۷۹=R2) به عنوان شبکه بهینه انتخاب شد.