پیش بینی گرانروی صمغ کتیرا بر پایه ویژگی های نوری با استفاده از یادگیری ماشین

صمغ کتیرا یک محصول ارزشمند صادراتی است و شاخص گرانروی ژل حاصل از آن به عنوان مهم ترین پارامتر کیفی شناخته و بر اساس آن ارزش گذاری می شود. تعیین روشی سریع، دقیق، کم هزینه و غیرمخرب برای تعیین گرانروی ژل حاصل از صمغ کتیرا یک چالش مهم در صنعت صادرات، درجه بندی و فرآوری این محصول است. در این مطالعه، داده های اندازه گیری شده آزمایشگاهی، ویژگی های نوری و مقادیر گرانروی ژل حاصل از نمونه های مختلف صمغ کتیرا برای توسعه مدل های یادگیری ماشین استفاده شدند. آزمایش ها در ۲ سطح نوع کتیرا ( نواری و ورقه ای)، ۲ سطح روش آسیاب کردن ( یک مرحله ای و دو مرحله ای) و ۳ سطح اندازه ذرات (۲، ۵/۰ و ۲۵/۰ میلیمتر) انجام شده و خواص نوری و گرانروی هر نمونه با استفاده از روش استاندارد بدست آمد. در ادامه، مدل های آماری برای تعیین گرانروی نمونه های صمغ کتیرا با استفاده از ویژگی های نوری توسعه داده شد. بدین منظور الگوریتم های یادگیری ماشین شامل رگرسیون خطی (MLR)، رگرسیون حداقل مربعات جزیی (PLSR)، رگرسیون Lasso، رگرسیون بردار پشتیبان (SVR) و رگرسیون LassoCV با استفاده از نرم افزار پایتون آموزش یافته و سپس اعتبارسنجی و ارزیابی شدند. در پایان، عملکرد مدل های توسعه داده شده با یکدیگر مقایسه شد. نتایج نشان داد که مدل ایجاد شده با استفاده از الگوریتم Lasso با داشتن R۲ ، RMSE و MAE به ترتیب ۱/۹۸ درصد و ۱۳۴ و ۸۶/۱۱۵ سانتی پواز در مقایسه با سایر الگوریتم های بررسی شده بهترین عملکرد را دارد. این دقت بالا نشان دهنده همبستگی قوی بین ویژگی های نوری و گرانروی نمونه هاست و قابلیت اطمینان مدل توسعه یافته را تایید می کند .بنابراین با استفاده از این مدل می توان مقادیر گرانروی نمونه های مختلف صمغ کتیرا را با دقت مناسب، در کمترین زمان و با کمترین هزینه، به صورت غیر مخرب تعیین کرد.

Keywords:

اعتبارسنجی متقاطع , بردار پشتیبان , پایتون , رگرسیون , Lasso