مقايسه كارآيي شبكه عصبي مصنوعي، سيستم فازي- عصبي، رگرسيون خطي محلي و رگرسيون خطي محلي ديناميك در تخمين مقاومت خمشي پارچه با در اختيار داشتن فاكتورهاي ساختاري

در اين مطالعه سعي شده تا كارآيي هوش مصنوعي در تخمين مقاومت خمشي پارچه با در اختيار داشتن فاكتورهاي ساختاري آن نظير قطر نخ پود، درصد جمع شدگي نخ هاي تار، درصد جمع شدگي نخ هاي پود، مقدار ضخامت پارچه، تراكم نخ هاي پود و وزن پارچه مورد ارزيابي قرار گيرد. از اين رو در اين مطالعه از مدلهاي مختلفي همچون شبكه عصبي مصنوعي و شبكه فازي- عصبي و رگرسيون خطي- محلي و رگرسيون خطي- محلي ديناميك جهت برآورد مقاومت خمشي پارچه با در اختيار داشتن فاكتورهاي ساختاري استفاده شده است. در اين تحقيق ابتدا بهترين تركيب ورودي با استفاده از الگوريتم ژنتيك و همچنين بهترين اندازه مجموعه آموزش با استفاده از گزينه M-test تعيين گرديد. براي اين كار از نرم افزار Wingamma استفاده شد. در ادامه كارايي هر يك از مدلها مورد بررسي قرار گرفت. نتايج نشان دادند كه مدلهاي رگرسيون خطي- محلي و رگرسيون خطي- محلي ديناميك در اين مطالعه نتوانسته اند كارآيي خوبي از خود نشان دهند و از بين شبكه هاي عصبي استفاده شده در اين مطالعه شبكه عصبي MLP با يك لايه مخفي بهترين جواب را ارايه كرده است. در كل از بين مدلهاي استفاده شده در اين مطالعه، مدل تركيبي فازي- عصبي (ANFIS) بهترين برآورد را از مقاومت خمشي پارچه دارد.

In this study explores the efficiency of AI in estimation of fabric bending resistance with consideration of fabric structural factors such as weft yarn diameter, warp crimp% ,weft crimp%, fabric thickness, weft yarns setting and fabric weight. In this study, we examined several Artificial Intelligence models, such as Artificial Neural Network, Fuzzy Neural Network, local liner regression, dynamic local liner regression for estimation of fabric Bending resistance when fabric structural factors are known. Therefore, in the first step, the best input data were calculated by Genetic Algorithm and the best gauge training collection by using the M-test function and Wingamma. In the next step, the functionality of each model was examined. The results showed that the ANFIS model had the best estimation of fabric Bending resistance.