هدف از این پژوهش، پیش بینی برخی خصوصیات فیزیکی (چروکیدگی و رنگ) و مکانیکی (نیروی شکست) میوه بنه در طی فرآیند خشک کردن با خشک کن مادون قرمز به کمک شبکه های عصبی مصنوعی است. سه عامل موثر برای خصوصیات فیزیکی (چروکیدگی و رنگ) و مکانیکی (نیروی شکست)، دما هوای ورودی، سرعت هوای ورودی و توان تابش در عملکرد خشک کن مادون قرمز به عنوان متغیرهای مستقل برای شبکه عصبی مصنوعی در نظر گرفته شد. داده های لازم برای ایجاد الگوهای آموزش، ارزیابی و آزمون با انجام آزمایش های خشک کردن برای دماها و سرعت ها مختلف با استفاده از یک خشک کن آزمایشگاهی مادون قرمز، جمع آوری شد. از شبکه های پس انتشار پیش رو (CFBP) و پس انتشار پیشخور (FFBP) با الگوریتم های یادگیری لونبرگ- مارکوارت و تنظیم بیزی برای آموزش الگوهای موجود استفاده شد. نتایج نشان داد که بهترین شبکه برای پیش بینی چروکیدگی، شبکه ای با توپولوژی 1-5-5-3 با چرخه آموزش 8 و با تابع آستانه TANSIG-PURELIN-TANSIG در شبکه FFBP دارای کمترین خطای آموزشی 00048/0 و ضریب تعیین 9804/0 می باشد. بیشترین ضریب تعیین برای نیروی شکست 9808/0به دست آمد.
