مقايسه عملكرد مدل‏هاي روش سطح پاسخ و شبكه عصبي مصنوعي در پيش‏بيني استحكام نخ پنبه‏اي رينگ

Comparing performance of response surface methodology and artificial neural network models in predicting the strength of ring cotton yarn

در اين مطالعه، عملكرد مدل‏هاي روش سطح پاسخ (RSM) و شبكه عصبي مصنوعي (ANN) در پيش‏بيني استحكام نخ پنبه‏اي توليد شده در ماشين رينگ، مورد مقايسه قرار گرفت. متغير‏هاي ناحيه كشش ماشين رينگ شامل سختي غلتك‏هاي فوقاني ناحيه عقب و جلو به همراه فشار غلتك فوقاني توليد به عنوان ورودي هر دو مدل در نظر گرفته شدند. جهت ارائه مدل ANN نيز از يك شبكه عصبي پيشخور چندلايه با الگوريتم پس انتشار خطا استفاده شد. بعد از انجام فرايند مدل‏سازي، هر دو مدل دقت مطلوبي جهت پيش‏بيني استحكام نخ پنبه‏اي رينگ از خود نشان دادند. ولي مقايسه اين دو مدل، عملكرد بهتر و دقت بيش‏تر مدل ANN را به عنوان يك مدل مبتني بر هوش مصنوعي نشان داد كه با قدرت بيشتري نسبت به مدل RSM مي‏تواند روابط غيرخطي و پيچيده بين متغير‏هاي مستقل و وابسته را توضيح دهد.

In this study, the performance of response surface method (RSM) and artificial neural network (ANN) models were compared in predicting the strength of cotton yarn produced in the ring machine. The variables of the drafting zone of ring machine, including the hardness of back and front top rollers, along with the pressure of production top roller, were considered as inputs for both models. A multi-layer feed forward neural network with error back propagation algorithm was also used to present the ANN model. After performing the modeling process, both models showed good accuracy for predicting the strength of ring cotton yarn. But the comparison of these two models showed the better performance and accuracy of the ANN model as a model based on artificial intelligence, which is more powerful than the RSM model and can explain nonlinear and complex relationships between independent and dependent variables