- Tytuł:
-
Model neuronowy zmian temperatury podczas konwekcyjnego suszenia zrębków wierzby energetycznej
Neural model of temperature changes during convection drying of energy willow chips - Autorzy:
-
Łapczyńska-Kordon, B.
Francik, S.
Ślipek, Z. - Powiązania:
- https://bibliotekanauki.pl/articles/289751.pdf
- Data publikacji:
- 2008
- Wydawca:
- Polskie Towarzystwo Inżynierii Rolniczej
- Tematy:
-
wierzba
zrębki
model neuronowy
zmiana temperatury
suszenie konwekcyjne
willow chips
neural model
temperature change
convection drying - Opis:
-
W pracy podjęto próbę zastosowania sztucznych sieci neuronowych do modelowania rozkładu temperatury w zrębkach suszonych konwekcyjnie. W modelu uwzględniono cztery zmienne wejściowe: temperaturę czynnika suszącego, początkową zawartość wody, wymiary zrębka, czas suszenia oraz jedna wyjściową - temperaturę materiału. Do budowy modelu posłużyły wyniki badań procesu konwekcyjnego suszenia zrębków wierzby, w trzech temperaturach: 50, 60 i 70°C, w suszarce z wymuszonym obiegiem powietrza. Podczas suszenia, w równych odstępach czasowych, określano zawartość wody i temperaturę materiału. Sformułowany model w oparciu o sztuczne sieci neuronowe został wybrany na podstawie najmniejszej wartości błędu średnio kwadratowego dla zbioru walidacyjnego. Następnie model ten poddano testowaniu i weryfikacji za pomocą wyników pomiarów wykonanych w takich samych warunkach jak opisane powyżej. Stwierdzono, że model poprawnie opisuje kinetykę zmian temperatury materiału w zależności od wybranych czterech czynników wejściowych.
The paper demonstrates an attempt to employ artificial neural networks to model temperature distribution in chips being dried in the convection process. Four input variables were taken into account in the model: drying medium temperature, initial water content, chip dimensions and drying time, and one output variable - material temperature. Examination results for willow chips convection drying process, carried out at three temperature values: 50, 60 and 70°C in a drier with forced air flow were used to build the model. During drying the researchers were determining water content and material temperature at equal time intervals. The model formulated using artificial neural networks was selected according to the lowest mean square error value for validation set. Then, this model was subject to testing and verification using results of measurements performed in the same conditions as those described above. It has been observed that the model correctly describes kinetics of changes in material temperature depending on the selected four input factors. - Źródło:
-
Inżynieria Rolnicza; 2008, R. 12, nr 11(109), 11(109); 149-155
1429-7264 - Pojawia się w:
- Inżynieria Rolnicza
- Dostawca treści:
- Biblioteka Nauki