هدف از این پژوهش، به دست آوردن و پیش بینی تغییرات چروکیدگی زالزالک در طی فرآیند خشککردن با روش میکروویو– همرفتی و پیشبینی تغییرات آن به کمک شبکههای عصبی مصنوعی است. سه عامل موثر برای چروکیدگی (دما هوای ورودی، سرعت هوای ورودی، توان میکروویو) در عملکرد خشککن میکروویو– همرفتی به عنوان متغیرهای مستقل برای شبکه عصبی مصنوعی در نظر گرفته شد. دادههای لازم برای ایجاد الگوهای آموزش، ارزیابی و آزمون با انجام آزمایشهای خشککردن برای دماها، سرعتها و توانهای مختلف با استفاده از یک خشککن آزمایشگاهی میکروویو– همرفتی، جمع آوری شد. از شبکههای پس انتشار پیشرو و پس انتشار پیشخور با الگوریتمهای یادگیری لونبرگ- مارکوارت و تنظیم بیزی برای آموزش الگوهای موجود استفاده شد. نتایج نشان داد که بیشترین چروکیدگی به میزان 64 % که در دمای 70 درجه سلسیوس و توان 630 وات به دست آمد. شبکه پس انتشار پیشرو با توپولوژی 1-4-3-3 و الگوریتم آموزش لونبرگ - مارکوات و تابع آستانه TANSIG-PURELIN-TANSIG با ضرب تعیین 0/9887 برای پیشبینی چروکیدگی به عنوان بهترین شبکه انتخاب شد.
