Temperature Prediction of Canned Food during Sterilization Process by Artificial Neural Networks

การทำนายอุณหภูมิอาหารกระป๋องในระหว่างกระบวนการสเตอริไลซ์โดยใช้ข่ายงานประสาทเทียม

Name: Phaisan Thaksinphatthanaphong

Organization : King Mongkut's University of Technology Thonburi. Faculty of Engineering. Food Engineering

Name: ไพศาล ทักษิณพัฒนาพงศ์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี. คณะวิศวกรรมศาสตร์. สาขาวิชาวิศวกรรมอาหาร

keyword: Artificial Neural Networks

; Canned Food

; Sterilization

; ข่ายงานประสาทเทียม

; สเตอริไลซ์

; อาหารกระป๋อง

Abstract: Artificial neural networks technique was applied to predict the canned food (conduction type) temperature during sterilization. The inputs of the network were process time, initial temperature, retort temperature, can diameter and can height while the output of the network was the food temperature history at the cold point. The training data were obtained from the solution of the heat conduction equation, which was solved by the finite difference method. The network architectures were created with one, two and three hidden layers while the transfer functions were sigmoid and hyperbolic tangent functions and the number of nodes in hidden layers were 5 to 100. After training the network architecture that showed the lowest prediction error was selected. The sigmoid transfer function with 25 and 50 nodes in the first and second hidden layers showed the best fit with the trained and untrained data with the prediction errors in the range of -0.1778? to 0.3283 ํC.

Abstract: งานวิจัยนี้เป็นการศึกษาการสร้างแบบจำลองการทำนายอุณหภูมิอาหารกระป๋อง (ชนิดนำความร้อน) โดยใช้ข่ายงาน ประสาทเทียม โดยข้อมูลนำเข้าสำหรับข่ายงาน คือ เวลาขณะฆ่าเชื้อ อุณหภูมิเริ่มต้นของอาหารกระป๋อง อุณหภูมิหม้อฆ่าเชื้อ เส้นผ่านศูนย์กลาง และความสูงของกระป๋อง ส่วนผลลัพธ์ที่ได้จากข่ายงานคืออุณหภูมิ ณ จุดร้อนช้าของกระป๋องที่เวลาต่างๆ ข่ายงานประสาทเทียมถูกฝึกสอน โดยใช้ข้อมูลที่ได้จากการจำลองการถ่ายโอนความร้อนโดยกรรมวิธีไฟไนต์ดิฟเฟอร์เรนซ์ การออกแบบข่ายงานกระทำโดยใช้ฟังก์ชั่นถ่ายโอน 2 แบบคือ ซิกมอยด์และไฮเปอร์โบลิกแทนเจนต์ โดยมีชั้นซ่อมเร้น 1 2 และ 3 ชั้น และจำนวนใยประสาท 5 ถึง 100 หน่วย จากผลการศึกษาพบว่าข่ายงานประสาทเทียมที่ให้ความผิดพลาดในการทำนาย น้อยที่สุดคือ ข่ายงานที่มีฟังก์ชั่นถ่ายโอนแบบซิกมอยด์ ซึ่งมีจำนวนใยประสาท 25 และ 50 หน่วยในชั้นซ่อมเร้นชั้นที่ 1 และ 2 ตามลำดับ ความผิดพลาดจากการทำนายอยู่ในช่วง - 0.1778 ถึง 0.3283 องศาเซลเซียส

King Mongkut's University of Technology Thonburi

Address: BANGKOK

Email: info.lib@mail.kmutt.ac.th

Name: Suwit Siriwatanayotin

Role: Advisor

Name: Ampawan Tansakul

Role: Advisor

Name: สุวิช ศิริวัฒนโยธิน

Role: อาจารย์ที่ปรึกษา

Name: อัมพวัน ตั๊นสกุล

Role: อาจารย์ที่ปรึกษา

Created: 2005

Modified: 2552-02-02

Issued: 2009-02-02

วิทยานิพนธ์/Thesis

application/pdf

ISBN: 9741850174

CallNumber: FDE351

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Food Engineering

Grantor: King Mongkut's University of Technology Thonburi

©copyrights King Mongkut's University of Technology Thonburi

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	FDE351.pdf	1.78 MB	123	2024-10-28 14:58:45
2	FDE351ab.pdf	56.68 KB	59	2020-03-21 19:54:00
3	FDE351aben.txt	1.43 KB	57	2020-03-21 19:55:03
4	FDE351abth.txt	1.25 KB	33	2020-03-21 19:55:17

ใช้เวลา

0.044191 วินาที