يك مدل رياضي براي پيش‌بيني خواص تخته خرده چوب با كاربرد GMDH (نوعي شبكه عصبي مصنوعي و الگوريتم ژنتيك)

A mathematical model to predict particleboard properties using the GMDH-type neural network and genetic algorithm

چكیده در این مطالعه از شبكه عصبی GMDH براساس الگوریتم ژنتیك برای پیش‌بینی خواص فیزیكی و مكانیكی تخته خرده چوب در مقیاس آزمایشگاهی استفاده‌ شد. به‌منظور تعیین خواص فیزیكی و مكانیكی به‌وسیله شبكه عصبی GMDH، از مشخصات دمای پرس در 4 سطح 170،160،150 و 180 درجه سانتی‌گراد، زمان بسته شدن پرس در 3 سطح 20،10 و 30 ثانیه و رطوبت كیك در 4 سطح 12،10،8 و 14 به‌عنوان داده‌های ورودی و از خواص فیزیكی و مكانیكی به‌عنوان داده خروجی استفاده گردید. كارایی مدل‌ها با استفاده از معیارهای میانگین مربعات خطا (MSE)، ریشه‌ی میانگین مربعات خطا (RMSE)، میانگین قدر مطلق انحراف (MAD) و ضریب تبیین R2)) مورد ارزیابی قرار گرفت. نتایج نشان داد كه مقادیر MSE، RMSE وMAD  برای خواصMOR ، IB،TS24h ،TS2h ،WA2h  وWA24h  پایین است و خطاهای به‌دست‌آمده برای مدل  MOEساخته‌شده به روش GMDH بسیار بالا می‌باشد. با توجه به مقادیر به‌دست‌آمده این مدل مناسب برای پیش‌بینی MOE نیست. مقادیر R2 به‌دست‌آمده از مجموعه آزمون و آموزش برای خواصMOR ، IB،MOE ،TS24h ،TS2h ،WA2h  وWA24h  بیشتر از 91/0 درصد است، كه این نشان‌دهنده عملكرد بهتر این مدل‌هاست.

Abstract In this study, GMDH neural network based on genetic algorithm was used to predict the physical and mechanical properties of laboratory made particleboard. To predict the mechanical and physical properties of particleboard we used input parameters such as neural network including press closing time (10,20 and 30 seconds), moisture content of the mat (8,10,12 and 14%) and press temperature (150,160,170 and 180°C) as the input data and the output data was the physical and mechanical properties. The efficiency of these techniques was evaluated with statistical criteria of mean square error (MSE), root mean square error, (RMSE), mean absolute deviation (MAD) and the correlation coefficient (R2). Results showed that the value of MSE, RMSE and MAD for MOR, IB, TS24h, TS2h, WA2h and WA24h is low. Errors obtained for the MOE model were very high. According to the results obtained, this model is not the appropriate for prediction of MOE. R2 values from the test and training set properties for MOR, IB, MOE, TS24h, TS2h, WA2h and WA24hwas more than 0.91%, which reflects that the performance of these models is better.