یک مدل ریاضی برای پیش‌بینی خواص تخته خرده چوب با کاربرد GMDH (نوعی شبکه عصبی مصنوعی و الگوریتم ژنتیک)

Abstract

چکیده<br /> در این مطالعه از شبکه عصبی GMDH براساس الگوریتم ژنتیک برای پیش‌بینی خواص فیزیکی و مکانیکی تخته خرده چوب در مقیاس آزمایشگاهی استفاده‌ شد. به‌منظور تعیین خواص فیزیکی و مکانیکی به‌وسیله شبکه 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 کیک در 4 سطح 12،10،8 و 14 به‌عنوان داده‌های ورودی و از خواص فیزیکی و مکانیکی به‌عنوان داده خروجی استفاده گردید. کارایی 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 که مقادیر MSE، RMSE وMAD برای خواصMOR ، IB،TS_24h ،TS_2h ،WA_2h وWA_24h 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 ،TS_24h ،TS_2h ،WA_2h وWA_24h بیشتر از 91/0 درصد است، که این نشان‌دهنده عملکرد بهتر این مدل‌هاست.