شیرین اسدیان؛ احمد بناکار؛ بهاره جمشیدی
چکیده
امروزه با توجه به ارزیابیها و بالا بودن هزینه‌های تعمیر و نگهداری ماشین‌های برداشت نیشکر، نظارت بر روغن هیدرولیک دروگر نیشکر با استفاده از روش سریع‌تر و غیرمخرب برای تعیین آلودگی و همچنین شاخص TAN ضرورت دارد. در این پژوهش، توانایی روش طیف‌سنجی مرئی به منظور سنجش و پیش‌بینی غیرمخرب مقدار آب و شاخص TAN در نمونه‌های روغن ...
بیشتر
امروزه با توجه به ارزیابیها و بالا بودن هزینه‌های تعمیر و نگهداری ماشین‌های برداشت نیشکر، نظارت بر روغن هیدرولیک دروگر نیشکر با استفاده از روش سریع‌تر و غیرمخرب برای تعیین آلودگی و همچنین شاخص TAN ضرورت دارد. در این پژوهش، توانایی روش طیف‌سنجی مرئی به منظور سنجش و پیش‌بینی غیرمخرب مقدار آب و شاخص TAN در نمونه‌های روغن هیدرولیک دروگر نیشکر استافت 7000 در ساعت‌های کارکرد متفاوت بررسی شد. برای این منظور، از نمونه‌ها در ناحیۀ طیفی 780-400 نانو‌متر طیف‌گیری شد. مدل‌های واسنجی چند‌متغیره حداقل مربعات جزئی (PLS) بر پایۀ اندازه‌گیری‌های مرجع و اطلاعات طیف‌های پیش‌پردازش شده با ترکیب روش‌های مختلف پیش‌پردازش (میانگین‌گیری متحرک، هموار‌سازی ساویتزکی گولای، توزیع نرمال استاندارد و مشتق اول) برای سنجش و پیش‌بینی مقدار آب و شاخص TAN روغن هیدرولیک توسعه داده شدند. نتایج بررسیها نشان داد که از روش طیف‌سنجی مرئی می‌توان برای سنجش سریع و غیرمخرب مقدار آب و شاخص TAN در ساعت‌های مختلف کارکرد روغن هیدرولیک دروگر نیشکر استافت 7000 بهره برد. بهترین نتایج پیش‌بینی مقدار آب در روغن هیدرولیک با مدل PLS بر پایۀ روش پیش‌پردازش میانگین‌گیری متحرک (MA) به دست آمد (rcv=0.96، RMSECV= 1.86، rp=0.89 و RMSEP=3.18) که دقت عالی (SDR=3.12) داشت. از سوی دیگر، مدل PLS بر پایۀ ترکیب پیش‌پردازش‌های میانگین‌گیری متحرک و توزیع نرمال استاندارد (MA+SNV) توانست شاخص TAN را با دقت عالی (SDR=3.1) پیش‌بینی کند (rcv=0.94، RMSECV=0.007، rp=0.89 و RMSEP=0.010). بنابراین، کاربرد فناوری طیف‌سنجی مرئی در کشت و صنعت‌ها به منظور پایش سریع کیفیت روغن هیدرولیک و با هدف کنترل آلودگی‌ها قابل توصیه است.
رویا فرهادی؛ امیرحسین افکاری سیاح؛ بهاره جمشیدی؛ احمد موسی پور گرجی
چکیده
برای ایجاد اطمینان از عرضۀ پیوستۀ سیب زمینی به مصرفکنندگان و صنایع فرآوری این محصول، ذخیره سازی آن ضروری است. هنگام ذخیره سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب زمینی باعث می شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش های دقیق و سریع خواهد بود. در این مطالعه، از روش ...
بیشتر
برای ایجاد اطمینان از عرضۀ پیوستۀ سیب زمینی به مصرفکنندگان و صنایع فرآوری این محصول، ذخیره سازی آن ضروری است. هنگام ذخیره سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب زمینی باعث می شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش های دقیق و سریع خواهد بود. در این مطالعه، از روش ماشین بینایی و شبکۀ عصبی مصنوعی برای کلاسه بندی و مدلسازی دو نمونه سیب زمینی ذخیره شده در شرایط ثابت و متغیر استفاده شد. از بین 29 پارامتر اندازه گیری شده مربوط به ویژگی های رنگ، بافت و مورفولوژیکی، سه ویژگی طول قطر بزرگ، فشردگی و مساحت (از ویژگی های مورفولوژیکی)، دو ویژگی L* و b* (از ویژگی های رنگی) و 2 ویژگی میانگین کنتراست و میانگین سطح خاکستری (از ویژگی های بافت) به عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت (LM) با کمترین میانگین مربعات خطا 0/012=RMSE و بیشترین ضریب تبیین 95/01 =R2 درصد مدلی بهینه در طبقه بندی (کلاسه بندی) دو نمونه سیب زمینی انبار شده در انبار غیرفنی و فنی شناخته شد. در انبار غیرفنی و فنی، دقت شناسایی ژنوتیپ اگریا به ترتیب 89/2 و 87/6 درصد و دقت شناسایی ژنوتیپ کلون 8-397009 بهترتیب 92/4 و 90/3 درصد به دست آمد.
