Gittikçe artan dünya nüfusunun gıda ihtiyacını karşılayabilmek için araştırmacılar tarımsal verimin artırılmasına yönelik yoğun bir şekilde çalışmaktadırlar. Bu çalışmaların önemli bir kısmını; zirai, katı atık vb. ürünlerin kuruma davranışının modellenmesi oluşturmaktadır. Verimli bir kurutma sayesinde kaliteli ürün ve enerji tasarrufu elde edilmektedir. Bu çalışmada yeni nesil bitki besinlerinden biri olan %25 azot, %5 fosfor ve %5 potasyum karışımının kuruma davranışı modellenmiştir. Kurumanın modellenebilmesi için sadece regresyon değil aynı zamanda makine öğrenme yöntemleri de kullanılmıştır. Makine öğrenme yöntemlerinden yapay sinir ağları ve uzun-kısa süreli bellek yöntemleri kullanılmıştır. Bu yöntemlerin hem kuruma verisini modellemede hem de ileriye yönelik verilerin tahminindeki performansları araştırılmıştır. Kurutma deneylerinden elde edilen nem verisi kullanılmıştır. Veriler eğitim, doğrulama ve test kümelerine ayrılmıştır. Performans değerlendirme kriterleri olarak hata fonksiyonları, korelasyon ve determinasyon katsayıları kullanılmıştır. Sonuç olarak yapay sinir ağı ve uzun-kısa süreli bellek metotlarının hem eğitim hem de test verileri üzerindeki tahmin performanslarının regresyon yöntemlerine göre oldukça iyi olduğu görülmüştür. Yapay sinir ağı tahmin performansının uzun-kısa süreli bellek yönteminden daha başarılı olduğu ve en iyi tahmin performansını verdiği tespit edilmiştir.

For many years now, harvesting of cassava is difficult because there has not been a welldesigned machine to harvest, separate, and convey the crop in a one-time operation. In all the unit operations in cassava production, several machines and types of equipment have been mechanized successfully. However, cassava harvesting and peeling have remained a global

One of the processes used in the production of fertilizers, which has become an important part of agriculture, is the drying process. Determination of proper drying parameters is important both in terms of product quality and production efficiency. Regression methods are used to determine the drying process parameters frequently. In this study, in addition to the regression method, machine learning techniques are also examined such as artificial neural network, long short term memory method. The data obtained from the drying process of a commercial organomineral fertilizer consisting of a mixture of 5% nitrogen and 10% phosphorus at 70˚C, 75˚C, and 80˚C were used for modelling. The simulation results obtained from the models of the methods and the data obtained from the experiments were compared. The predictions and performances of each model were presented. Determination the appropriate drying parameters is It is important for the drying efficiency of the product. In addition, model selection plays an important role in obtaining successful results in drying simulations. As a result, it has been observed that the prediction performance of the model created with the artificial neural network is more successful than the others. While regressions are efficient in modelling existing data, they are not successful in predicting. Moreover, it is not enough to predict the peak and pits in the drying data.