Using Artificial Neural Network Approach for Modeling of Microwave-vacuum Drying of Plant Materials

การใช้แบบจำลองโครงข่ายใยประสาทเทียมในการทำนายกระบวนการอบแห้งแบบไมโครเวฟสุญญากาศของวัสดุพืช

Name: Poonpat Poonnoy

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

Name: พูนพัฒน์ พูนน้อย

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี. คณะวิศวกรรมศาสตร์. สาขาวิชาวิศวกรรมอาหาร

keyword: Artificial Neural Network

; Microwave-vacuum Drying

; Plant Materials

; การอบแห้งแบบไมโครเวฟสุญญากาศ

; โครงข่ายใยประสาทเทียม

; วัสดุพืช

Abstract: The transport of electromagnetic wave energy, heat, and mass within a plant material undergoing microwave-vacuum (MV) drying (MVD) is considerably complex due to the dynamic change of product’s physical properties. The process control parameters such as microwave power and vacuum pressure should be adjusted appropriately corresponding to those time-dependent physical properties to prevent thermal damage and to maintain drying efficiency. Information regarding the effects of microwave power and vacuum pressure on the temperature and moisture content are essential for process design, optimization, and control. Simulation of Maxwell’s equations together with heat and mass transfer equations may give details in temperature and moisture distributions within the product during MVD. However, the prediction accuracy of such approach significantly depends on a good estimation of the physical properties. However, the prediction of such physical properties, particularly the dielectric constant and dielectric loss factor, during the MVD process is extremely difficult since these properties change with temperature, moisture content, chemical component, and density. Artificial neural network (ANN) modeling can handle such complex relationships; therefore, such technique can be utilized to model MVD. The main objective of this research was to develop ANN models for temperature and moisture content/moisture ratio predictions of some selected plant materials undergoing MVD. In a comparative study on errors of moisture ratio prediction in MV-dried mushroom, it was observed that the one-hidden-layer feed-forward ANN model provided lower reduced chi-square (?2), root mean square error (RMSE), and residual sum of squares (RSS) (2.197?10-5, 3.955?10-3, and 3.097?10-3, respectively) than those of the diffusion approximation model. The errors for the diffusion approximation model were 2.793 ?10-4, 1.646?10-2, and 5.362?10-2 for ?2, RMSE, and RSS, respectively. These results indicated that the ANN model represented the drying characteristics of mushrooms better than did the simple mathematical model. Therefore, the ANN model could be considered as a better tool for estimation of the moisture ratio of mushrooms. In cases of temperature and moisture content predictions, numerous static ANN models were trained and validated with the experimental data obtained from MVD of tomato slices at different drying conditions. Inputs for single static ANN models were time (ti+1), initial temperature (T0), moisture content (MC0), microwave power, and vacuum pressure. The outputs were temperature (Ti+1) and moisture content (MCi+1) at a given ‘ti+1’. The mean relative error (MRE) and mean absolute error (MAE) of this model for iii Ti+1 were 1.53% and 0.77 ?C, respectively. In the case of MCi+1, the MRE and MAE were 11.48% and 0.04 d.b., respectively. The computation errors were found to be significantly reduced when adding temperature and moisture content values at ‘ti’ in the input layer. The MRE and MAE for Ti+1 were 0.35% and 0.18 ํC, respectively. In contrast, these error values for MCi+1 were 1.78% (MRE) and 0.01 d.b. (MAE). It was noted that, however, such a model either provided lowest error in temperature prediction or in moisture content prediction but not the lowest error in both the prediction parameters simultaneously. The parallel static ANN model consisted of two doublehidden- layer feed-forward ANN models were then separately trained, simultaneously for moisture content as well as for temperature. Inputs for the ANN models were magnetron on-off status, vacuum pressure, temperature, and moisture content at time ‘ti’. The previous temperature and moisture content data at time ‘ti-1, i-2, …, i-n’ where n = 0, 10, 20, and 30 were also added to the input layer. Outputs from the ANN models were temperature and moisture content at time ‘ti+1’. The results indicated that the static ANN model working in parallel with the previous temperature and moisture content data provided more accurate results and required less training time than those of single static ANN models. The prediction errors of the parallel static ANN model for Ti+1 were 0.03% (MRE) and 0.02 ํC (MAE). In case of MCi+1, the MRE and MAE were 0.77% and 0.01 d.b., respectively. Simulation of the ANN model may supply essential information regarding the temperature and moisture content of plant materials corresponding to microwave power and vacuum pressure levels to a control system. Therefore, improved drying efficiencies and thermal damage prevention may be achieved.

Abstract: การถ่ายเทพลังงานคลื่นแม่เหล็กไฟฟ้า ความร้อน และมวลสารในระหว่างการอบแห้งแบบไมโครเวฟ สุญญากาศมีความซับซ้อนอย่างยิ่งเนื่องจากมีการเปลี่ยนแปลงแบบไม่คงที่ของสมบัติทางกายภาพของ ชิ้นอาหาร ในระหว่างกระบวนการอบแห้งดังกล่าวตัวแปรควบคุมกระบวนการอันได้แก่ กำลัง ไมโครเวฟ และระดับความดันต้องได้รับการปรับให้อยู่ในระดับที่เหมาะสมและสอดคล้องต่อลักษณะ ของอาหารที่เปลี่ยนแปลงไปตามเวลา เพื่อป้องกันความเสียหายจากความร้อนและคงประสิทธิภาพใน การอบแห้ง ข้อมูลเกี่ยวกับผลของระดับกำลังไมโครเวฟและความดันที่เหมาะสมต่ออุณหภูมิและ ความชื้นมีความจำเป็นต่อการออกแบบ การหาสภาวะที่เหมาะสม รวมถึงการควบคุมกระบวนการ อบแห้ง ถึงแม้ว่าการใช้แบบจำลองทางคณิตศาสตร์ของสมการแมกเวลล์ (Maxwell) ร่วมกับสมการ การถ่ายเทความร้อนและมวลสารจะสามารถให้รายละเอียดเกี่ยวกับการกระจายตัวของอุณหภูมิและ ความชื้นในชิ้นอาหารภายใต้สภาวะการอบแห้งใด ๆ ได้ แต่ความถูกต้องของผลลัพธ์ที่ได้จากการ คำนวณนั้นขึ้นอยู่กับความถูกต้องของการประมาณค่าสมบัติทางกายภาพ โดยเฉพาะอย่างยิ่งค่าสมบัติ ทางไฟฟ้าของวัสดุ ซึ่งถือว่าประมาณได้ยากเพราะสมบัติทางไฟฟ้าเปลี่ยนแปลงตามอุณหภูมิ ความชื้น องค์ประกอบทางเคมี และความหนาแน่นของชิ้นอาหาร ด้วยเหตุดังกล่าวแบบจำลองโครงข่ายใย ประสาทเทียมจึงอาจนำมาใช้ในการทำนายอุณหภูมิและความชื้นในชิ้นอาหารระหว่างการอบแห้งด้วย ไมโครเวฟสุญญากาศเพราะแบบจำลองดังกล่าวมีความสามารถในการเรียนรู้และจดจำความสัมพันธ์ที่ ซับซ้อนระหว่างตัวแปรกระบวนการและสมบัติของชิ้นอาหารได้ ดังนั้น วัตถุประสงค์หลักของ งานวิจัยนี้คือการพัฒนาแบบจำลองโครงข่ายใยประสาทเทียมเพื่อทำนายอุณหภูมิและความชื้นในวัสดุ เกษตรภายใต้การอบแห้งแบบไมโครเวฟสุญญากาศ ในการศึกษาเพื่อเปรียบเทียบค่าความผิดพลาดในการทำนายค่าสัดส่วนความชื้นของเห็ดฟางระหว่าง การอบแห้งแบบไมโครเวฟสุญญากาศพบว่าแบบจำลองโครงข่ายใยประสาทเทียมที่มีหนึ่ง hiddenlayer ให้ค่าความผิดพลาดในการทำนายเท่ากับ 2.197?10-5 3.955?10-3 และ 3.097?10-3 ในเทอมของ ค่า reduced chi-square root mean square error และ residual sum of squares ตามลำดับ ซึ่งค่าดังกล่าว ต่ำกว่าค่าความผิดพลาดที่ได้จากสมการอบแห้งแบบ Diffusion approximation โดยค่าความผิดพลาด ของสมการอบแห้งนี้มีค่าเท่ากับ 2.793?10-4 1.646?10-2 และ 5.362?10-2 ตามลำดับ จากผลการ เปรียบเทียบค่าความผิดพลาดในการทำนายจะเห็นได้ว่าแบบจำลองโครงข่ายใยประสาทเทียมสามารถ ทำนายค่าสัดส่วนความชื้นของเห็ดฟางได้ดีกว่าสมการอบแห้งแบบ Diffusion approximation จึง สามารถสรุปได้ว่าแบบจำลองโครงข่ายใยประสาทเทียมเป็นเครื่องมือในการทำนายค่าสัดส่วน ความชื้นที่ดี ในกรณีของการทำนายอุณหภูมิและความชื้นของอาหารภายใต้การอบแห้งแบบไมโครเวฟสุญญากาศ แบบจำลองโครงข่ายใยประสาทเทียมแบบต่าง ๆ ถูกพัฒนาและทดสอบด้วยข้อมูลที่ได้จากการทดลอง อบแห้งมะเขือเทศแบบแผ่นบางภายใต้สภาวะการอบแห้งต่าง ๆ โดยข้อมูลป้อนเข้า (inputs) สำหรับ โครงข่ายใยประสาทเทียมแบบสถิตชนิดเดี่ยวคือ เวลาในการอบแห้ง (ti+1) อุณหภูมิเริ่มต้น (T0) ความชื้นเริ่มต้น (MC0) กำลังไมโครเวฟ และระดับความดัน ส่วนผลลัพธ์ (outputs) ของแบบจำลองคือ ค่าอุณหภูมิ (Ti+1) และความชื้น (MCi+1) ณ เวลาที่กำหนด ti+1 จากผลการทำนายพบว่าแบบจำลอง ดังกล่าวให้ค่าเฉลี่ยความผิดพลาดสัมพัทธ์ (MRE) และความผิดพลาดสัมบูรณ์ (MAE) สำหรับการ ทำนาย Ti+1 เท่ากับร้อยละ 1.53 และ 0.77 องศาเซลเซียส ตามลำดับ ส่วนในการทำนายค่า MCi+1 นั้น พบว่าค่า MRE และ MAE เท่ากับ ร้อยละ 11.48 และ 0.04 d.b. ตามลำดับ นอกจากนั้นยังพบว่าเมื่อเพิ่ม ค่าอุณหภูมิและความชื้นที่เวลา ti เข้าไปในข้อมูลป้อนเข้าของแบบจำลอง ค่า MRE และ MAE ลดลง โดยมีค่าเท่ากับร้อยละ 0.35 และ 0.18 องศาเซลเซียส ตามลำดับสำหรับการทำนาย Ti+1 ส่วนการ ทำนาย MCi+1 พบว่าค่า MRE และ MAE ลดลงเป็นร้อยละ 1.78 และ 0.01 d.b. ตามลำดับ อย่างไรก็ ตามแบบจำลองดังกล่าวให้ความผิดพลาดในการทำนายต่ำสุดสำหรับ Ti+1 หรือ MCi+1 แต่เพียงอย่างใด อย่างหนึ่งเท่านั้น จึงได้พัฒนาโครงข่ายใยประสาทเทียมแบบสถิตชนิดคู่ขนานโดยกำหนดให้โครงข่าย ใยประสาทเทียมทำงานอิสระจากกันเพื่อทำนายค่า Ti+1 และ MCi+1 โดยมีข้อมูลป้อนเข้าของ แบบจำลองคือ สถานะของ แมกนีตรอน (magnetron) ระดับความดัน อุณหภูมิ และความชื้นที่เวลา ti นอกจากนั้นยังเพิ่มข้อมูลอุณหภูมิและความชื้นที่เวลา ti-1, i-2, …, i-n เมื่อ n = 0, 10, 20 และ 30 ส่วนผลลัพธ์ของแบบจำลองคือค่าอุณหภูมิและความชื้นที่เวลา ti+1 ผลการทำนายของแบบจำลอง ดังกล่าวแสดงให้เห็นว่าโครงข่ายใยประสาทเทียมแบบสถิตที่ทำงานคู่ขนานกันสามารถทำนายค่า Ti+1 และ MCi+1 ด้วยค่าความผิดพลาดที่ต่ำกว่า นอกจากนั้นแบบจำลองนี้ยังใช้เวลาในการเรียนรู้ (training time) น้อยกว่าด้วย โดยค่าความผิดพลาดในการทำนายของโครงข่ายใยประสาทเทียมแบบคู่ขนาน สำหรับ Ti+1 เท่ากับ ร้อยละ 0.03 (MRE) และ 0.02 องศาเซลเซียส (MAE) ส่วนความผิดพลาดในการ ทำนายสำหรับ MCi+1 มีค่าเท่ากับ ร้อยละ 0.77 และ 0.01 d.b. สำหรับ MRE และ MAE ตามลำดับ จากผลการศึกษาจะเห็นได้ว่าแบบจำลองโครงข่ายใยประสาทเทียมสามารถให้ข้อมูลเกี่ยวกับอุณหภูมิ และความชื้นของวัสดุเกษตรซึ่งมีความสัมพันธ์กับกำลังไมโครเวฟและระดับความดันสุญญากาศ ซึ่ง ข้อมูลดังกล่าวอาจนำไปใช้ในการพัฒนาระบบควบคุม อันจะนำไปสู่ประสิทธิภาพในการอบแห้งที่ เพิ่มขึ้นและป้องกันความเสียหายจากความร้อนได้

King Mongkut's University of Technology Thonburi

Address: BANGKOK

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

Name: Ampawan Tansakul

Role: Advisor

Name: Manjeet Chinnan

Role: Advisor

Name: อัมพวัน ตั๊นสกุล

Role: อาจารย์ที่ปรึกษา

Created: 2006

Modified: 2017-07-14

Issued: 2009-04-21

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: FDE431

eng

DegreeName: Doctor of Engineering

Level: Doctoral 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	FDE431.pdf	3.3 MB	211	2024-11-06 15:52:07
2	FDE431ab.pdf	126.59 KB	81	2023-12-14 13:52:54
3	FDE431aben.txt	5.45 KB	52	2020-08-29 12:37:01
4	FDE431abth.txt	5.39 KB	38	2019-11-13 07:07:38

ใช้เวลา

-0.93654 วินาที