پيش بيني هوشمندانه خصوصيات تخته خرده چوب با استفاده از شبكه عصبي مصنوعي

An Intelligent Neural Networks System for Prediction of particleboard properties

چكیده شبكه های عصبی در دهه ی اخیر به عنوان ابزار قدرتمندی جهت پیش بینی در حوزه های مختلف مورد استفاده قرار گرفته اند. در این تحقیق از شبكه عصبی پیشخور پرسپترون چند لایه (MLP) با یادگیری پس انتشار از الگوریتم آموزش انتشار به عقب (BP)، با تكنیك بهینه سازی عددی لونبرگ- ماركوات (LM)،توسط نرم افزار متلب مورد استفاده قرار گرفت. درصد رطوبت كیك ، دمای پرس و زمان بسته شدن پرس به عنوان متغیرهای ورودی و خواص واكشیدكی ضخامت(TS) بعد 2 و 24 ساعت و جذب آب WA)) بعد 2و 24 ساعت و دانسیته، خروجی مدل تخته خرده چوب استفاده شد. این تكنیك قابلیت تطبیق پذیری شبكه را افزایش داده و ضعف و كمبود داده های مورد استفاده را تا حد زیادی برطرف می كند. با استفاده از داده های واقعی ، پیش بینی های انجام گرفت و با مقادیر واقعی مورد مقایسه قرار گرفته و كارایی روش های مورد استفاده، با استفاده از آماره های با معیارهای میانگین مربعات خطا (MSE)، ریشه ی میانگین مر بعات خطا(RMSE)، و ضریب همبستگی R2)) مورد ارزیابی قرار گرفت. براساس كلیه معیارها، مدل شبكه عصبی مصنوعی خطای كمتر و در نتیجه كارایی بیشتری در تعیین خواص واكشیدكی ضخامت(TS)، جذب آب WA)) و دانسیته تخته خرده چوب داشته است. واژه های كلیدی: مدل سازی ، تخته خرده چوب ، خواص فیزیكی، شبكه عصبی مصنوعی

AbstracIn the past decade, artificial neural networks have been used as a powerful tool for modeling and prediction in many scientific fields. In this study, the feed-forward multilayer Perceptron (MLP) was utilized and trained by back propagation (BP) algorithm with Levenberg-Marquardt numerical optimization technique via Matlab software. Temperature of press (°C), mat moisture content (%) and press closing time (sec) were used as inputs, Water absorption (WA2, 24h), thickness swelling (TS2, 24h) and density were the outputs of neural network model. This technique will increase network versatility and decreases the effect of undesirable and weak data. The modeling and prediction was done based experimental data and the forecasting results were compared with real data. The efficiency of these techniques evaluated with statistical criteria of mean square error (MSE), root mean square error, (RMSE) and the correlation coefficient (R2). The results showed this ANN model could accurately describe the water absorption, thickness swelling after immersion for 2 and 24 hours, and density of particleboard