پیش بینی مدول خمشی و مدول الاستیسته تخته خرده چوب با استفاده از شبکه عصبی مصنوعی و مقایسه آن با مدل های رگرسیونی
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 145
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJWP-12-2_010
تاریخ نمایه سازی: 28 اردیبهشت 1401
Abstract:
امروزه روش های مدلسازی متعددی برای پیش آگاهی و کاهش هزینه های تولید به منظور پیش بینی خواص فیزیکی و مکانیکی فراورده های صفحه ای چوبی استفاده می شود. از جمله این روش ها می توان به روش رگرسیون های و شبکه عصبی مصنوعی اشاره کرد. در این تحقیق امکان پیش بینی مقادیر مدول خمشی (MOR) و مدول الاستیسیته (MOE) تخته خرده چوب با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره و بر اساس مهم ترین پارامتر های ساختاری تخته خرده چوب مانند دانسیته در سه سطح (۶۵/۰، ۷/۰، g/cm۳ ۷۵/۰)، درصد چسب در سه سطح (۸، ۵/۹ و %۱۱) و ضریب کشیدگی در سه سطح (۱۳، ۳۳ و ۴۷) بررسی شد. داده های آزمایشگاهی و داده های پیش بینی شده با مدل های مختلف براساس پارامترهای میانگین قدر مطلق خطا (MAPE)، میانگین مربع خطا (MSE) و ضریب تعیین (R۲ ) مورد مقایسه و ارزیابی قرار گرفتند. نتایج این مطالعه نشان داد که اگرچه هر دو مدل رگرسیون خطی چندگانه و شبکه عصبی مصنوعی توانایی پیش بینی مقادیر MOR و MOE را با دقت بالایی دارند، اما شبکه عصبی مصنوعی نسبت به رگرسیون خطی چند گانه، مدول خمشی و مدول الاستیسیته تخته خرده چوب را با R۲ بالاتر و MAPE کمتری پیش بینی نمود. مقادیر R۲ و MAPE برای شبکه عصبی به ترتیب ۷۷ /۰ و ۷۲/۷ درصد برای MOR و ۸۶/۰ و ۷ درصد برای MOE به دست آمدند. مقادیر متناظر آنها برای مدل رگرسیون چندگانه به ترتیب ۳/۸ و ۷۳۸/۰، و ۰۶/۹ و ۷۸۳/۰ بودند. این مقدار خطا برای پیش بینی خواص تخته خرده چوب از نظر صنعتی و کاربردی رضایت بخش است.
Keywords:
Authors
محمد عربی
گروه چوب و کاغذ- دانشکده منابع طبیعی- دانشگاه زابل
اکبر رستم پور هفتخوانی
دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
رضا پور بابا
، گروه علوم و صنایع چوب و کاغذ، دانشکده منابع طبیعی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران