برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

چای یکی از قدیمیترین نوشیدنیها می باشد و پس از آب، پرمصرفترین و مهمترین نوشیدنیهای مطبوع برای رفع خستگی و تشنگی در بیشتر کشورهای جهان و از جمله ایران میباشد. بیش از 30 کشور چای خیز جهان، مبادرت به تولید چای سیاه میکنند که سهم ایران در این تولید جهانی، حدود 5/2 درصد است. بر اساس گزارش سازمان چای کشور در ایران سالانه حدود 50 تا 60 هزار تن چای سیاه تولید میشود. در عمل آوری تولید چای سیاه حدود 10 درصد ضایعات چای، موسوم به خاک چای حاصل میشود که بصورت پودر بوده و با غربال کردن چای سیاه در آخرین مرحله تولید و قبل از بسته بندی به دست می آید که در بازارهای جهانی قیمت چندانی ندارد (نجفی و همکاران، 1388).
در هند تولید سالانه چای حدود 857000 تن است که 4/27 درصد از تولید کل جهان میباشد(Wasewar et al., 2008) مقدار چای خشک تولید شده از 100 کیلوگرم برگ چای سبز، 22 کیلوگرم بطور متوسط است و حدود 18 کیلوگرم برای بازار بسته بندی میشود و 4 کیلوگرم دیگر از مواد چای خشک به هدر میرود (Cay et al., 2004). مقدار ضایعات چای تولید شده در هر سال پس از پردازش در حدود 190400 تن در هند به تنهایی است ((Wasewar, 2010. در حال حاضر سالانه حدود 4 هزار تن ضایعات چای در کارخانجات چای سازی ایران تولید شده و تقریباً بدون مصرف میباشند (نیکخواه و همکاران، 1391).
دیوارههای سلولی نامحلول برگهای چای از سلولوز ، همی سلولوز ، لیگنین ، تاننهای فشرده و پروتئینهای ساختاری ساخته شدهاند. بعبارت دیگر یک سوم از کل ماده خشک در برگهای چای باید پتانسیل خوبی بعنوان جاذب فلزی از محلول و فاضلابهای آبی داشته باشند ((Wasewar, 2010.
1-7-1- آمادهسازی ضایعات چای بعنوان جاذب
جهت آمادهسازی ضایعات چای، بعنوان جاذب کم هزینه در استخراج فاز جامد روش خاصی در کتب و یا اسناد علمی بیان نشده است بلکه روشهایی بطور تجربی توسط پژوهشگران انجام شده و در مقالات مختلف ذکر شده است.
Mahavi و همکاران در سال 2005 از روش بسیار ساده جهت آمادهسازی جاذبها استفاده کردند. آنها ضایعات چای را در مرحله اول شسته و با آب مقطر شستشو دادند و پس از خشک کردن در 100 درجه سانتیگراد با توری سایز 10، غربال کردند.
Malkoc and Nuhoglu در سال 2005 برای حذف اجزای رنگی چای قبل از آزمایش، آنها را برای مدت زمان طولانی با آب جوش شستشو دادند تا محلول حاوی ضایعات چای بیرنگ شود. سپس ضایعات چای را تمیزکرده و در دمای اتاق با عبور گاز خشک کردند.
Amarasinghe and Williams در سال 2007 نیز با آب جوش ضایعات چای را شستشو دادند و آنقدر این کار را تکرار کردند تا اجزای محلول و رنگ آن از بین برود. سپس به مدت 12 ساعت در آون با حرارت 85 درجه سانتیگراد خشک کردند. ضایعات چای خشک، غربال شده و در کیسه از جنس پلی اتیلن نگهداری میشود. نوع مشابهی از روش آمادهسازی، توسط Cay و همکارانش طراحی شد و توسط Wasewar و همکارانش در سال 2008 استفاده شده است. قبل از آزمایش، ضایعات چای خرد شده با آب گرم (80 درجه سانتیگراد) به مدت یک ساعت شسته شده و تاننهای قابل هیدرولیز و دیگر اجزای محلول و رنگی حذف میشود. چای خشک بیرنگ و تمیز را در آون با 105 درجه سانتیگراد قرار داده تا خشک شود و در نهایت ذرات با اندازه 60-170 غربال میشود و بعنوان جاذب مورد استفاده قرار میگیرد.
1-8- شبکه عصبی مصنوعی ( ANN)
شبکههای عصبی، مدلهای محاسباتی هستند که قادرند رابطه میان ورودی ها وخروجی ها یک سیستم فیزیکی را توسط شبکه ای از گره ها که همگی با هم متصل هستند، تعیین نمایند که در آن میزان فعالیت هر یک از این اتصالات توسط اطلاعات تاریخی تنظیم می شود (فرآیند یادگیری) و در نهایت مدل قادر خواهد بود قوانین مرتبط میان ورودی ها وخروجی ها را کشف نماید، هر چند این قوانین غیرخطی و پیچیده باشند( دلاور، 1384).
ANN که رسمأ از دهه 1970 میلادی مطرح شده است، با الگو قرار دادن فعالیتهای مغز انسان و براساس روابط منطقی مشابه، با دریافت یک سری اطلاعات نتایج منطقی را عرضه کرده و به کاربر ارائه میدهد. ANN با تجزیه و تحلیل دادههای ورودی و نتایج نظیر آنها ارتباطی منطقی بین دادهها برقرار میکند که ممکن است غیرخطی و نامشخص باشد، سپس با استفاده از این ارتباط منطقی، کار شبیه سازی را برای موارد احتمالی مشابه انجام میدهد.
این شبکهها بر مبنای مقایسه بین خروجی شبکه و هدف تعدیل میشوند و تا زمانی که خروجی شبکه با خروجی هدف تطبیق پیدا کند این کار ادامه مییابد. شبکههای آموزش یافته را میتوان به صورت رویهای از جعبه سیاه برای برآوردهای غیرخطی با عنوان نگاشتهای غیرخطی قابل تنظیم معرفی کرد، چرا که فضای بردار ورودی را به وسیله مجموعهای از توابع غیرخطی به فضای خروجی مرتبط میسازد. کاربردیترین نوع شبکههای عصبی، شبکههای پروسپترون چندلایه (MLP) و شبکههای توابع شعاعی (RBF) میباشد (کوچکزاده و بهمنی، 1384).
1-8-1 ساختار شبکه عصبی مصنوعی
شبکههای عصبی اساساً حافظههایی هستند که اطلاعات را حفظ میکنند. درست همانطور که جای شبکه توزیع میگردد. ساختار شبکه عصبی از مدل نورون های زیستی الهام گرفته است و بسیاری از ویژگیهای نورونهای زیستی از قبیل غیرخطی بودن، سادگی واحدهای محاسباتی و قابلیت یادگیری را دارد. در یک نورون مصنوعی، هریک از مقادیر ورودی، تحت تاثیر وزنی قرار میگیرد که تابع این وزن شبیه اتصال سیناپسی در یک نورون طبیعی است. عناصر پردازشگر از دو قسمت تشکیل شدهاند. قسمت اول ورودیهای وزندار را با هم جمع میکند و قسمت دوم یک فیلتر غیر خطی است که تابع فعالیتهای نورون نامیده میشود. این تابع، مقادیر خروجی یک نورون مصنوعی را بین مقادیر مجانب فشرده میکند. این فشرده سازی باعث میشود که خروجی عناصر پردازشگر در یک محدوده مناسب قرار گیرند (محمدی منور، 1385). در شکل 1-1 ساختار یک نرون واقعی و یک مدل مصنوعی نشان داده شده است.

مطلب مرتبط :   همبستگی پیرسون و گروه کنترل

شکل 1-1 ساختار (a) یک نورون واقعی (b) مدل یک نورون مصنوعی(Sinanoglu et al., 2005).
در یک ANN، لایه ورودی به منزله پردازشگری است که پس از پردازش دادههای ورودی، آنها را به شبکه میدهد. این لایه یک لایهی عصبی محاسباتی نیست زیرا لایههای آن نه وزن ورودی دارند و نه تابع فعالیت. لایه انتهایی لایه خروجی است که خروج شبکه را در پاسخ به یک ورودی خاص مشخص میکند. سایر لایهها، لایههای میانی یا پنهان نامیده میشوند (Jain et al., 1996).
در شکل 1-2 ساختار یک شبکه عصبی مصنوعی نشان داده شده است.

شکل 1-2 ساختار یک شبکه عصبی مصنوعی (Vahdani et al., 2009)
1-8-2- تشابهات شبکه عصبی مصنوعی و بیولوژیکی
الف) بلوکهای ساختاری هر دو شبکه مصنوعی و بیولوژیکی، دستگاههای محاسباتی خیلی سادهای هستند و علاوه بر این، نورونهای مصنوعی از سادگی بیشتری برخوردار میباشند.

دسته بندی : علمی