پیش بینی هوشمندانه خصوصیات تخته خرده چوب با استفاده از شبکه عصبی مصنوعی

شبکه 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 شبکه عصبی پیشخور پرسپترون چند لایه (MLP) با یادگیری پس انتشار از الگوریتم آموزش انتشار به عقب (BP)، با تکنیک بهینه سازی عددی لونبرگ- مارکوات (LM)،توسط نرم افزار متلب مورد استفاده قرار گرفت. درصد رطوبت کیک، دمای پرس و زمان بسته شدن پرس به عنوان متغیرهای ورودی و خواص واکشیدکی 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 تکنیک قابلیت تطبیق پذیری شبکه را افزایش داده و ضعف و کمبود داده های مورد استفاده را تا حد زیادی برطرف می کند. با استفاده از داده های واقعی، پیش بینی های انجام گرفت و با مقادیر واقعی مورد مقایسه قرار گرفته و کارایی 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 کلیه معیارها، مدل شبکه عصبی مصنوعی خطای کمتر و در نتیجه کارایی بیشتری در تعیین خواص واکشیدکی ضخامت(TS)، جذب آب WA)) و دانسیته تخته خرده چوب داشته است.