مقايسه پيش بيني واكشيدگي ضخامت تخته خرده چوب با سيستم فازي و شبكه عصبي مصنوعي

Comparison of predicted thickness swelling of particleboard with fuzzy systems and artificial neural networks

درصد واكشیدگی یكی از خواص فیزیكی مهم محصول نهایی می‌باشد. این آزمون نیاز به زمان و هزینه دارد. بنابراین پیش بینی مقدار درصد واكشیدگی تخته در حین تولید می‌تواند باعث كنترل كردن فرایند تولید و كیفیت یكنواخت محصول گردد. در این تحقیق متغیرهایی مانند رطوبت خرده چوب قبل از خشك‌كن، رطوبت كیك خرده چوب در فرمینگ، میزان چسب مصرفی به ازای هر تخته، زمان پرس، دمای پرس، فشار پرس، و خاصیت درصد واكشیدگی تخته خرده چوب خط تولید كارخانه دعبل خزاعی جمع‌آوری شد. داده‌های نرمال سازی شده با استفاده از روشهای شبكه عصبی مصنوعی و سیستم فازی بررسی شد و این خاصیت با بهینه ترین مدل پیش بینی شد. بهترین مدل پیش بینی درصد واكشیدگی تخته بر اساس روش شبكه عصبی مصنوعی 5-5 و در سیستم فازی تابع زد شكل با درصد خطای مطلق پیش بینی به ترتیب 5/0 و 22 درصد می‌باشد. روش شبكه عصبی مصنوعی در مقایسه با روش سیستم فازی از كارایی بهتری برخوردار است.

Swelling percent is a very important physical property of the final product. Swelling test is timely and needed to cost. Therefore, swelling prediction of particleboard in production during can operate of the process line and consistent quality of production. In this research, variables such as moisture content of particle, the amount of adhesive, press time, press temperature, press pressure and swelling properties of particleboard were collected from Debalkhazae mill. The normalized data was analyzed by artificial neural network and fuzzy systems. Also, swelling percent was predicted by optimal model. The best model of swelling prediction is 5-5 basis of artificial neural networks, and the best function of fuzzy systems is Z-shaped curve membership function. Means absolute percent errors of the predictions are equal 5 and 22 percent, respectively. ANN method has better performance compared with fuzzy systems.