Maya hücrelerinin büyüme eğrisinin akıllı sistemler ile modellenmesi

Abstract

Bu çalışmada gıda sektöründe yaygın bir şekilde kullanılan Saccharomyces cerevisiae maya hücresinin üreme eğrisinin yapay sinir ağları (YSA), uyarlamalı ağ tabanlı bulanık çıkarım (ANFİS) ve bulanık mantık kullanılarak modellenmesi amaçlanmıştır. YSA modelinin tasarımı aşamasında üreme zamanı giriş değişkeni olarak belirlenirken, saatlik hücre sayıları çıkış değişkeni olarak belirlenmiştir. Deneysel verilerin 144 tanesi modelin eğimi için kullanılırken, 48 tanesi eğitilmiş modelin test edilmesi için kullanılmıştır.ANFIS modelinin tasarımı için üreme zamanı ve hücre sayıları birlikte giriş değişkeni olarak belirlenmiştir. Tüm öğrenme algoritmaları denenerek ortaya çıkan en iyi korelasyonun 300 epoch olarak eğitilmiştir. Deneysel verilerin 168 tanesi modelin eğimi için kullanılırken, 24 tanesi eğitilmiş modelin test edilmesi için kullanılmıştır.Bulanık Mantık (Fuzzy Logic) modelinde, giriş üyelik fonksiyonları zaman, çıkış üyelik fonksiyonları için hücre sayıları kullanılmıştır. Zaman aralıkları ve hücre sayılarından oluşan üyelik fonksiyonlarını, sezgisel olarak en iyi sonuc vereceği düşünülen aralıklara yerleştirilmiştir. Deneysel verilerileride gözönünde bulundurarak, modelin kuralları belirlenmiştir. Belirlenen kurallar çerçevesinde tüm üyelik fonksiyonlarından çıkış verileri elde edilmiş olup kayıt altına alınmıştır.Geliştirilen modeller için hem eğitim hem de test verilerinde yüksek uyum göstermiştir (R2=0,996-0,999 RMS=0,32-0,87 MAPE=1,80-6,13). Ayrıca YSA modellerinden elde edilen matematiksel model parametreleri yazılmıştır.

In this study, it is aimed to model the growth curve of Saccharomyces cerevisiae yeast cell, which is widely used in food industry, using artificial neural networks (ANN), adaptive network based fuzzy inference (ANFIS) and fuzzy logic.At the design stage of ANN model, the growth time was determined as an input variable, while the cell numbers per hour were determined as an output variable. 144 experimental data were used for the training of the model while 48 were used for testing the trained model.For designed ANFIS model, growth time and cell numbers were determined as an input variable. All the training algorithms are tested and the best correlation is found for 300 epoch. While 168 of the experimental data were used for the training of the model, the 24 trained model were used for testing.The same input and output parameters were used for the fuzzy logic model. The membership functions, which consist of the growth time and cell numbers per hour, are intuitively placed at intervals considered to be the best result. Considering the experimental data, the rules of the model were determined. Output data from all membership functions have been obtained within the framework of the determined rules and recorded.It is found that a high level corelation for training and testing data in the developed models (R2=0,996-0,999 RMS=0,32-0,87 MAPE=1,80-6,13). In addition, mathematical model parameters obtained from ANN models were written.Keywords: Anfis, fuzzy logic, Saccharomyces cerevisiae, Adaptive network-based fuzzy inference, growth curve, Artificial neural networks.