N25P5K5 Türü Yeni Nesil Bir Bitki Besininin Kuruma Kinetiğinin Regresyon ve Makine Öğrenme Yöntemleri ile Belirlenmesi

Yıl 2022, , 989 - 1004, 30.12.2022

İlyas Kacar , Cem Korkmaz

https://doi.org/10.21605/cukurovaumfd.1230921

Cited By: 2

Öz

Gittikçe artan dünya nüfusunun gıda ihtiyacını karşılayabilmek için araştırmacılar tarımsal verimin artırılmasına yönelik yoğun bir şekilde çalışmaktadırlar. Bu çalışmaların önemli bir kısmını; zirai, katı atık vb. ürünlerin kuruma davranışının modellenmesi oluşturmaktadır. Verimli bir kurutma sayesinde kaliteli ürün ve enerji tasarrufu elde edilmektedir. Bu çalışmada yeni nesil bitki besinlerinden biri olan
%25 azot, %5 fosfor ve %5 potasyum karışımının kuruma davranışı modellenmiştir. Kurumanın modellenebilmesi için sadece regresyon değil aynı zamanda makine öğrenme yöntemleri de kullanılmıştır. Makine öğrenme yöntemlerinden yapay sinir ağları ve uzun-kısa süreli bellek yöntemleri kullanılmıştır. Bu yöntemlerin hem kuruma verisini modellemede hem de ileriye yönelik verilerin tahminindeki performansları araştırılmıştır. Kurutma deneylerinden elde edilen nem verisi kullanılmıştır. Veriler eğitim, doğrulama ve test kümelerine ayrılmıştır. Performans değerlendirme kriterleri olarak hata fonksiyonları, korelasyon ve determinasyon katsayıları kullanılmıştır. Sonuç olarak yapay sinir ağı ve uzun-kısa süreli bellek metotlarının hem eğitim hem de test verileri üzerindeki tahmin performanslarının regresyon yöntemlerine göre oldukça iyi olduğu görülmüştür. Yapay sinir ağı tahmin performansının uzun-kısa süreli bellek yönteminden daha başarılı olduğu ve en iyi tahmin performansını verdiği tespit edilmiştir.

Anahtar Kelimeler

Kurutma, Yapay sinir ağı, Uzun-kısa süreli bellek, Regresyon, Makine öğrenmesi, Yapay zekâ

Determination of Drying Kinetics of a N25P5K5 Type New Generation Plant Food by Regression and Machine Learning Methods

Öz

To meet the food needs of the growing world population, researchers are working intensively on increasing agricultural productivity. An important portion of these studies are the modelling of drying behaviour of agricultural products, solid waste etc. An efficient drying leads to quality products and energy savings. In this study; the drying behaviour of a new-generation plant food consisting of a mixture of 25% nitrogen, 5% phosphorus and 5% potassium is modelled. For modelling of drying, not only regression but also machine learning methods were used. Artificial neural networks and long short-term memory methods were used as the machine learning technics. The performance of these methods was investigated on modelling the drying behaviour and forecasting the future data.

Moisture data obtained from the drying experiments were used. The data is divided into training, test, and validation sets. Error functions, correlation and determination coefficients were used as the performance evaluation criteria. As a result, it has been seen that the prediction performances of artificial neural networks and long short-term memory methods on both training and test data are quite good compared to regression methods in this study. It has been determined that the artificial neural network prediction performance is more successful than the long short-term memory method and gives the best prediction performance.

Anahtar Kelimeler

Drying, Artificial neural network, Long short-term memory, Regression, Machine learning, Artificial intelligence

Kaynakça

• ⦁ Mansuroğlu, N.P., Yazıcı, E., Önder, S., Karaça, A.C., 2020. Maltodekstrin-Nohut Proteini Izolati Matrisinde Karabiber Tohumu Yağinin Püskürtmeli Kurutma Metodu ile Enkapsülasyonu. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9(2), 877-882.
• ⦁ Nakilcioğlu-Taş, E., Ötleş, S., 2021. Zeytin Çekirdeği Antioksidanlarının Dondurarak Kurutma Tekniği ile Mikroenkapsülasyonu: Toz Ürünün Fiziksel ve Kimyasal Karakterizasyonu. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 140-149.
• ⦁ Polatoğlu, B., Beşe, A.V., 2017. Kızılcık Meyvesinin (Cornus Mas. L) Konvektif Kurutulması: Kuruma Kinetiği ve C Vitamini Bozulması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 6(2), 406-414.
• ⦁ Das, M., Alic, E., Akpinar, E.K., 2021. Detailed Analysis of Mass Transfer in Solar Food Dryer with Different Methods. International Communications in Heat and Mass Transfer, 128, 105600.
• ⦁ Onu, C.E., Igbokwe, P.K., Nwabanne, J.T., Ohale, P.E., 2022. Anfis, Ann, and Rsm Modeling of Moisture Content Reduction of Cocoyam Slices. Journal of Food Processing and Preservation, 46(1), e16032.
• ⦁ Perazzini, H., Freire, F., Freire, J., 2013. Drying Kinetics Prediction of Solid Waste Using Semi-Empirical and Artificial Neural Network Models. Chemical Engineering & Technology, 36.
• ⦁ McCulloch, W.S., Pitts, W., 1943. A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics, 5, 115–133
• ⦁ Altan, A.D., Diken, B., Kayışoğlu, B., 2021. Prediction of Photovoltaic Panel Power Outputs Using Time Series and Artificial Neural Network Methods. Journal of Tekirdag Agricultural Faculty, 18(3), 457-469.
• ⦁ Hamzaçebi, C., Kutay, F., 2004. Electric Consumption Forecasting of Turkey Using Artificial Neural Networks up to Year 2010. Journal of the Faculty of Engineering and Architecture of Gazi University, 19(3), 227-233.
• ⦁ Şenkal, O., 2016. Yapay Sinir Ağları ile Atmosferik Parametreler Kullanılarak Türkiye için Güneş Radyasyonu Modellemesi. Çukurova Üniversitesi, Mühendislik-Mimarlık Fakültesi Dergisi, 31(2), 179-186.
• ⦁ Aydın, E.A., 2014. Meme Kanseri Tespitinde Mikrodalgaların Önemi ve Kanserli/Sağlıklı Meme Dokularının Yapay Zeka Algoritmaları ile Tanımlanabilmesi. Çukurova Üniversitesi, Mühendislik-Mimarlık Fakültesi Dergisi, 29(2), 27-38.
• ⦁ Kaveh, M., Sharabiani, V.R., Chayjan, R.A., Taghinezhad, E., Abbaspour-Gilandeh, Y., Golpour, I., 2018. Anfis and Anns Model for Prediction of Moisture Diffusivity and Specific Energy Consumption Potato, Garlic and Cantaloupe Drying under Convective Hot Air Dryer. Information Processing in Agriculture, 18(1), 45.
• ⦁ Omari, A., Behroozi-Khazaei, N., Sharifian, F., 2018. Drying Kinetic and Artificial Neural Network Modeling of Mushroom Drying Process in Microwave-Hot Air Dryer. Journal of Food Process Engineering, e12849.
• ⦁ Amini, G., Salehi, F., Rasouli, M., 2021. Drying Kinetics of Basil Seed Mucilage in an Infrared Dryer: Application of Ga-Ann and Anfis for the Prediction of Drying Time and Moisture Ratio. Journal of Food Processing and Preservation, 45(3), e15258.
• ⦁ Beigi, M., Torki, M., 2021. Experimental and Ann Modeling Study on Microwave Dried Onion Slices. Heat and Mass Transfer, 57, 787–796.
• ⦁ Öğündür, G., 2019. Overfitting, Underfitting and Bias-Variance Contradiction. https://medium.com, Yayın tarihi: 2019. Erişim tarihi: 12.12.2020.
• ⦁ Erenturk, S., Erenturk, K., 2007. Comparison of Genetic Algorithm and Neural Network Approaches for the Drying Process of Carrot. Journal of Food Engineering, 78, 905-912.
• ⦁ Çavuşlu, M.A., Becerikli, Y., Karakuzu, C., 2012. Hardware Implementation of Neural Network Training with Levenberg-Marquardt Algorithm. TBV Journal of Computer Science and Engineering, 5(1), 1-7.
• ⦁ Park, I., Kim, H.S., Lee, J., Kim, J.H., Song, C.H., Kim, H.K., 2019. Temperature Prediction Using the Missing Data Refinement Model Based on a Long Short-Term Memory Neural Network. Atmosphere (Basel), 10(11), 718.
• ⦁ Sekertekin, A., Bilgili, M., Arslan, N., Yildirim, A., Celebi, K., Ozbek, A., 2021. Short-Term Air Temperature Prediction by Adaptive Neuro-Fuzzy Inference System (Anfis) and Long Short-Term Memory (Lstm) Network. Meteorology and Atmospheric Physics, 133, 943–959.
• ⦁ Zhou, H., Huang, M., Zhu, Q., Zhang, M., 2021. Developing C-Lstm Model for Evaluating Moisture Content of Carrot Slices During Drying. Drying Technology, 40(14), 1-11.
• ⦁ Lertworasirikul, S., Tipsuwan, Y., 2008. Moisture Content and Water Activity Prediction of Semi-Finished Cassava Crackers from Drying Process with Artificial Neural Network. Journal of Food Engineering, 84, 65-74.
• ⦁ Eaton, J.W., 2022. Gnu Octave. https://octave.org/about, Yayın tarihi: 2022. Erişim tarihi: 12.12.2021.
• ⦁ Million, E., 2007. The Hadamard Product, in Linear Algebra. Editör: Beezer R.A., buzzard.ups.edu, Rob Beezer's Home Page, 1-7.
• ⦁ Heris, M.K., 2015. Time-Series Prediction Using Anfis in MATLAB. The Yarpiz Project, Fuzzy Systems.
• ⦁ Kacar, İ., Korkmaz, C., 2022. Prediction of Agricultural Drying Using Multi-Layer Perceptron Network, Long Short-Term Memory Network and Regression Methods. Gümüşhane University Journal of Science and Technology, 12(4), 1188-1206.
• ⦁ Brownlee, J., 2018. A Gentle Introduction to K-Fold Cross-Validation. https://machinelear ningmastery.com/k-fold-cross-validation/, Yayın tarihi: 2018. Erişim tarihi: May 23, 2018
• ⦁ Origin, 2019. Originpro 2019b (64-Bit), Copyright © 1991-2019 OriginLab Corporation, OrignLab Corporation, Northampton, MA, USA.
• ⦁ MathWorks, 2022. Statistics and Machine Learning Toolbox. https://www.mathworks. com/help/stats/index.html?s_tid=CRUX_lftnav, Yayın tarihi: 2022. Erişim tarihi: May 23, 2018
• ⦁ MathWorks, 2022. Kernel (Covariance) Function Options. https://www.mathworks. com/help/stats/kernel-covariance-function-options.html, Yayın tarihi: 2022. Erişim tarihi: May 23, 2018
• ⦁ Sit, H., 2019. Quick Start to Gaussian Process Regression. https://towardsdatascience.com/ quick-start-to-gaussian-process-regression-36d838810319, Yayın tarihi: 2019. Erişim tarihi: April 18, 2019.
• ⦁ Karacabey, E., Aktaş, T., Taşeri, L., Seçkin, G.U., 2020. Sultani Çekirdeksiz Üzüm Çeşidinde Farklı Kurutma Yöntemlerinin Kurutma Kinetiği. Enerji Tüketimi ve Ürün Kalitesi Açısından İncelenmesi. Journal of Tekirdag Agricultural Faculty, 17(1), 53-65.