共查询到10条相似文献,搜索用时 15 毫秒
1.
胡萝卜切片红外辐射干燥水分迁移特性研究 总被引:2,自引:0,他引:2
为探究红外辐射干燥胡萝卜切片内部水分迁移特性,进行了辐射温度为60℃、切片厚度为5 mm时的胡萝卜切片红外干燥试验,并利用低场核磁共振波谱法对胡萝卜切片横向弛豫时间T2图谱进行了分析。试验结果表明,红外辐射干燥过程中自由水和半结合水的横向弛豫时间T2显著大于热风干燥;峰面积A0的衰减速度明显快于热风干燥,即干燥速率、水分变化梯度显著高于热风干燥;试验还得出了红外辐射和热风干燥胡萝卜切片的峰面积随干燥时间衰减趋势拟合方程。试验数据为进一步研究胡萝卜切片的精细化干燥和优化干燥工艺奠定了基础。 相似文献
2.
3.
苹果切片红外辐射干燥模型建立与评价 总被引:4,自引:1,他引:3
选择加热温度为60℃,辐射功率为750 W,辐射距离为100 mm,物料厚度为5 mm时的红外辐射干燥苹果切片试验数据作为实测值样本,基于Matlab软件,利用高斯-牛顿算法,对传统干燥模型进行非线性最小二乘数据拟合求解,确定干燥系数.通过决定系数R2、误差平方和(SSE)及均方误差的根(RMSE)等拟合优度评价指标对各种干燥模型进行评价.结果表明,用Modified Page equation-Ⅱ模型能够更好地预测和控制苹果切片红外辐射干燥过程. 相似文献
4.
5.
苹果切片红外辐射干燥模型建立与评价 总被引:1,自引:0,他引:1
选择加热温度为60℃,辐射功率为750W,辐射距离为100mm,物料厚度为5mm时的红外辐射干燥苹果切片试验数据作为实测值样本,基于Matlab软件,利用高斯-牛顿算法,对传统干燥模型进行非线性最小二乘数据拟合求解,确定干燥系数。通过决定系数R2、误差平方和(SSE)及均方误差的根(RMSE)等拟合优度评价指标对各种干燥模型进行评价。结果表明,用Modified Page equationⅡ模型能够更好地预测和控制苹果切片红外辐射干燥过程。 相似文献
6.
双孢蘑菇远红外干燥神经网络预测模型建立 总被引:4,自引:0,他引:4
分析了双孢蘑菇在远红外干燥过程中,辐射强度、辐射距离、物料温度、物料厚度、干燥时间等因素对干燥速率的影响.基于BP神经网络建立了含水率与各因素之间的网络模型结构,输入层、隐含层和输出层的神经元数分别为5、11、1.以干燥试验数据作为训练和测试的样本值,利用Matlab中的神经网络工具箱,经过有限次迭代计算获得一个反映试验数据内在联系的数学模型,并实现对该模型的训练和系统的模拟.结果表明:在试验范围内,BP神经网络可以高效、准确、快速地建立模型,且模型的预测值与实测值拟合较好,能够准确而可靠地实现含水率在线预测. 相似文献
7.
基于BP神经网络的旁热式辐射与对流粮食干燥过程模型 总被引:2,自引:0,他引:2
针对旁热式辐射与对流粮食干燥机的干燥特点,建立了一种粮食干燥机干燥过程的BP神经网络预测模型。该模型采用了3层神经网络结构(8-10-1),模型输入为粮食干燥机的8个变量,模型输出为出口粮食水分比或干燥速率。通过编写Matlab建模程序,基于实际干燥实验的样本数据训练与测试网络,实现了红外辐射与对流联合干燥的动力学模型,并给出了相应的模型数学表达式,模型预测的出口水分比与干燥速率的R2分别为0.998 9和0.998 0,均方根误差分别为0.009和0.004 1,预测结果与实际测量数据拟合较好;另外,结合实验干燥条件对模型干燥性能的预测结果进行了分析与总结,并依据同样方法建立了顺逆流粮食干燥过程的出口粮食水分比预测模型,对比了2种干燥方式的干燥性能。仿真预测表明用BP神经网络方法建模简单,具有自适应性、灵活性和自学习性等特点,相比于其他粮食干燥的经验数学模型,能综合考虑多种影响因素,可为红外辐射与对流联合干燥过程提供一种新的建模方法。 相似文献
8.
9.
红外辐射干燥胡萝卜切片结构特性研究 总被引:2,自引:0,他引:2
在不同干燥条件下进行胡萝卜切片红外辐射干燥试验,对表观密度、孔隙率、体积比和体积收缩系数进行了研究。结果表明:表观密度与辐射距离、辐射功率成反比,孔隙率随着含水率的减小而增大,样本厚度与孔隙率成反比,辐射距离与孔隙率成正比,辐射功率在一定范围与孔隙率成正比,超过该范围成反比;为确定适合胡萝卜收缩率和干基含水率比的数学模型,分别基于二次多项式利用线性最小二乘法、指数方程利用非线性最小二乘法对试验数据进行了拟合,得出二次多项式模型拟合较优,能够更好地预测红外干燥过程中胡萝卜收缩率和干基含水率比之间的关系。 相似文献
10.
二次聚类与神经网络结合的日光温室温度二步预测方法 总被引:2,自引:0,他引:2
精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统,受室内外众多环境因素影响,且部分因素难以准确测量和建模,因此,难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先,进行二次聚类,对室外温度情况相似的日进行聚类,并将全年划分为若干个类似时间段,根据连续时间段内相似日的数量进行聚类,将全年内的连续时间段归入若干类别。其次,对不同类别的时间段,分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型,通过数据训练,能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证,通过二次聚类,全年连续时间段可划分为3类,通过分别建立BP神经网络并分别训练,结果表明本方法预测误差仅为6.23%,与现有未分类的BP神经网络预测算法对比,本文方法有效地提高了准确度,平均误差降低5.4个百分点。 相似文献