مدلسازی خصوصیات فیزیکی تخته خردهچوب ساختهشده از ساقۀ کلزا با استفاده از شبکههای عصبی مصنوعی:MLP، RBFN و ANFIS | ||
| نشریه جنگل و فرآورده های چوب | ||
| مقاله 18، دوره 70، شماره 1، 1396، صفحه 179-188 اصل مقاله (947.38 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfwp.2017.61611 | ||
| نویسندگان | ||
| مرتضی ناظریان* 1؛ سجاد اکبری2؛ حسین کرمانیان3؛ مسعود هاشمی2 | ||
| 1دانشیار دانشگاه زابل - شهیدبهشتی | ||
| 2کارشناس ارشد دانشگاه زابل | ||
| 3دانشیار دانشگاه شهید بهشتی | ||
| چکیده | ||
| فاکتورهای مختلفی بر روی خواص اوراق مرکب چوبی تاثیر گذار هستند. بررسی تمامی این فاکتورها نتنها اتلاف وقت و انرژی را افزایش میدهد، همچنین دقت در برآورد میزان تاثیر متغیرهای انتخاب شده در ساخت به منظور حصول نقطه بهینه از خواص مختلف فراوردههای مرکب چوبی را کاهش می دهد. از اینرو، لازم است تا از متدهای نوین آماری برای تعیین مدل برآورد کننده نقطه بهینه تولید استفاده نمود. هدف این تحقیق، ارزیابی عملکرد شبکههای عصبی مصنوعی در راستای مدلسازی خواص فیزیکی تخته خردهچوب ساختهشده از ساقۀ کلزا بود. مدلسازی و امکان تخمین خصوصیات فیزیکی تخته خردهچوب با استفاده از نسبت ملامین فرمالدئید به اوره فرمالدئید، نسبت ساقۀ کلزا به صنوبر و مقدار رطوبت کیک به روشهای شبکههای عصبی مصنوعی: MLP، RBF و ANFIS بررسی شد. نتایج نشان داد که شبکۀ عصبی MLP نسبت به شبکۀ RBFN و ANFIS عملکرد بهنسبت بهتری در زمینۀ برآورد خصوصیات فیزیکی تخته خردهچوب دارد. همچنین نتایج نشان داد که مدلهای هوش مصنوعی در زمینۀ پیشبینی خصوصیات فیزیکی تخته خردهچوب، دقت و توانایی مناسبی دارند. نتایج آنالیز حساسیت نیز نشان داد که در زمینۀ برآورد TS2 و WA24 مهمترین پارامتر با تأثیر مثبت در روند مدلسازی، مقدار رطوبت کیک است و نسبت ملامین فرمالدئید به اوره فرمالدئید نیز در زمینۀ مدلسازی TS24 و WA2 مؤثرترین پارامتر است. | ||
| کلیدواژهها | ||
| تخته خردهچوب؛ خواص فیزیکی؛ شبکههای عصبی مصنوعی؛ پرسپترون چند لایه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,174 تعداد دریافت فایل اصل مقاله: 770 |
||