.png){kind=icon}
返回
Application of experimental, numerical, and machine learning techniques to improve drying performance and decrease energy consumption infrared continuous dryer
.png){kind=icon}
OA
AI
DOI：10.1016/j.csite.2025.106025.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习算法为解决食品腐败和优化干燥过程提供了创新且可靠的解决方案。通过采用高效的干燥技术，可以实现稳定的食品供应链、降低农产品产后损失以及减少易腐水果和蔬菜的变质。本研究探讨了并评估了红外连续干燥系统在蒜片干燥过程中的能量动态。采用机器学习模型（ML），包括自组织映射（SOM）和主成分分析（PCA），用于建模和预测过程输入参数（如红外功率、气流速率和空气温度）与响应参数（包括热效率、有效水分扩散率、总能耗、干燥时间和单位能耗）之间的关系。结果表明，更高的红外辐射强度和空气温度显著缩短了干燥时间，而更高的气流速率则延长了干燥时间。此外，提高空气温度、增加红外强度以及降低气流速率显著改善了能源效率指标。本研究为优化蒜片干燥提供了有价值的见解，同时促进了节能。人工神经网络（ANN）模型被证明是预测和优化干燥参数（包括干燥时间、能耗和热效率）的有力工具。值得注意的是，SOM可视化显示，较高的空气温度和红外辐射强度与能耗、单位能耗和脱水量的减少相关。
Keyword:
Machine learning
Infrared drying
Energy
Thermal efficiency
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.4
论文数:
8.2K
被引数:
2.6W
机构
引用论文
分享收藏
Characterisation of industrial tomato by-products from infrared drying process红外干燥过程中工业番茄副产品的表征
PREAI
分享收藏Evaluation of Infrared Radiation Combined with Hot Air Convection for Energy-Efficient Drying of Biomass.png)
EnergiesOAAI
EnergiesIF0
OAAI分享收藏
查看更多内容