The freeze drying process is based

The freeze drying process is based on different parameters, such as drying time, pressure, sample thickness, chamber temperature, sample temperature and relative humidity. Hence, the determination of the drying behaviors, such as MC and MR, of the freeze drying process are too complex. In this paper, to simplify this complex process, the use of artificial neural networks has been proposed. An artificial neural networks model has been developed for the prediction of drying behaviors, such as MC and MR, of strawberries in the freeze drying process. The back-propagation learning algorithm with variant which is Levenberg-Marquardt (LM) and Fermi transfer function have been used in the network. In addition, the statistical validity of the developed model has been determined by using the coefficient of determination (R²), the root means square error (RMSE) and the mean absolute percentage error (MAPE). R², RMSE and MAPE have been determined for MC and MR as 0.999, 0.001924, 0.152284 and 0.999, 1.87E-05, 0.13393, respectively

Results (Thai) 1:

ตรึงกระบวนการอบแห้งขึ้นอยู่กับพารามิเตอร์ต่าง ๆ แห้งเวลา ความดัน ความหนาของตัวอย่าง อุณหภูมิห้อง ตัวอย่างอุณหภูมิ และความชื้นสัมพัทธ์ ดังนั้น กำหนดลักษณะการอบแห้ง MC และนาย ตรึงกระบวนการอบแห้งจะซับซ้อนเกินไป ในเอกสารนี้ การซับซ้อน การใช้เครือข่ายประสาทเทียมมีการนำเสนอ ได้รับการพัฒนาแบบจำลองเครือข่ายประสาทเทียมสำหรับทำนายของพฤติกรรม MC และนาย ของสตรอเบอร์รี่ในหยุดกระบวนการอบแห้งแห้ง มีการใช้อัลกอริทึมการเรียนรู้กลับมาเผยแพร่ ด้วยตัวแปรซึ่งเป็น Levenberg Marquardt (LM) และฟังก์ชันโอนย้ายพลังงานแฟร์มี ในเครือข่าย นอกจากนี้ ตัดสินได้ถูกต้องทางสถิติของแบบจำลองที่พัฒนา โดยใช้ค่าสัมประสิทธิ์การกำหนด (R²) รากหมายถึง ตารางข้อผิดพลาด (RMSE) และข้อผิดพลาดหมายถึงเปอร์เซ็นต์ที่แน่นอน (MAPE) R², RMSE และ MAPE กำหนด MR และ MC เป็น 0.999, 0.001924, 0.152284 และ 0.999, 1.87E-05, 0.13393 ตามลำดับ

Results (Thai) 2:

กระบวนการอบแห้งแช่แข็งจะขึ้นอยู่กับค่าพารามิเตอร์ที่แตกต่างกันเช่นเวลาการอบแห้ง, ความดัน, ความหนาของตัวอย่างอุณหภูมิห้องตัวอย่างอุณหภูมิและความชื้นสัมพัทธ์ ดังนั้นการกำหนดพฤติกรรมการอบแห้งเช่นพิธีกรและ MR ของกระบวนการอบแห้งแช่แข็งที่มีความซับซ้อนเกินไป ในบทความนี้เพื่อให้ง่ายต่อกระบวนการที่ซับซ้อนนี้ใช้เครือข่ายประสาทเทียมได้รับการเสนอ เครือข่ายประสาทเทียมแบบได้รับการพัฒนาในการทำนายพฤติกรรมการอบแห้งเช่นพิธีกรและ MR, สตรอเบอร์รี่ในกระบวนการอบแห้งแช่แข็ง ขั้นตอนวิธีการเรียนรู้หลังการขยายพันธุ์ที่มีตัวแปรซึ่งเป็น Levenberg-Marquardt (LM) และฟังก์ชั่นการถ่ายโอนแฟร์มีการใช้ในเครือข่าย นอกจากนี้ความถูกต้องทางสถิติของรูปแบบการพัฒนาได้รับการพิจารณาโดยใช้ค่าสัมประสิทธิ์การตัดสินใจ (r²) รากหมายถึงข้อผิดพลาดของตาราง (RMSE) และค่าเฉลี่ยความผิดพลาดร้อยละสัมบูรณ์ (MAPE) r²ค่า RMSE และ MAPE ได้รับการกำหนดสำหรับพิธีกรและ MR เป็น 0.999, 0.001924, 0.152284 และ 0.999, 1.87E-05, 0.13393 ตามลำดับ

Results (Thai) 3:

กระบวนการอบแห้งแบบแช่แข็งจะขึ้นอยู่กับค่าพารามิเตอร์ที่แตกต่างกันเช่นเวลาการอบแห้งอุณหภูมิความดัน , ความหนา , ห้องตัวอย่าง , ตัวอย่างอุณหภูมิและความชื้นสัมพัทธ์ ดังนั้น การกำหนดพฤติกรรมการอบแห้ง เช่น พิธีกร และคุณของตรึงกระบวนการอบแห้งจะซับซ้อนเกินไป ในกระดาษนี้เพื่อลดความซับซ้อนของกระบวนการที่ซับซ้อนนี้ การใช้โครงข่ายประสาทเทียมได้รับการเสนอแบบจำลองโครงข่ายประสาทเทียมที่ได้รับการพัฒนา เพื่อทำนายพฤติกรรมการอบแห้ง เช่น พิธีกร และคุณของสตรอเบอร์รี่แช่แข็งในกระบวนการอบแห้ง การ back-propagation อัลกอริทึมการเรียนรู้กับตัวแปรซึ่งเป็น levenberg มาร์คว ( LM ) และสำหรับการโอนหน้าที่ถูกใช้ในเครือข่าย นอกจากนี้ความตรงของโมเดลทางสถิติได้ถูกกำหนดโดยการใช้ค่าสัมประสิทธิ์ตัวกำหนด ( r พนักงานขาย ) , รากหมายถึงความคลาดเคลื่อนกำลังสอง ( RMSE ) และค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน ( MAPE ) r พนักงานขาย , RMSE และวินเทอร์ได้รับการกำหนดสำหรับ MC และนายเป็น 0.001924 0.999 , และ , 0.152284 0.999 , 1.87e-05 0.13393 ตามลำดับ ,