| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,168 |
| تعداد مقالات | 35,197 |
| تعداد مشاهده مقاله | 50,949,091 |
| تعداد دریافت فایل اصل مقاله | 90,953,818 |
پیش بینی هوشمندانه خصوصیات تخته خرده چوب با استفاده از شبکه عصبی مصنوعی | ||
| تحقیقات علوم چوب و کاغذ ایران | ||
| مقاله 7، دوره 29، شماره 2 - شماره پیاپی 47، تیر 1393، صفحه 242-253 اصل مقاله (421.08 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwpr.2014.5687 | ||
| نویسندگان | ||
| زهرا جهانی لمر* 1؛ سعید رضا فرخ پیام2؛ محمد شمسیان2 | ||
| 1کارشناسارشد، علوم و صنایع چوب و کاغذ، دانشکده منابع طبیعی، دانشگاه زابل | ||
| 2استادیار دانشکده منابع طبیعی، عضو هیئت علمی، گروه علوم و صنایع چوب و کاغذ دانشگاه زابل | ||
| چکیده | ||
| چکیده 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. واژه های کلیدی: مدل سازی ، تخته خرده چوب ، خواص فیزیکی، شبکه عصبی مصنوعی | ||
| کلیدواژهها | ||
| واژه های کلیدی: مدل سازی؛ شبکه عصبی مصنوعی؛ تخته خرده چوب؛ خواص فیزیکی | ||
| عنوان مقاله [English] | ||
| An Intelligent Neural Networks System for Prediction of particleboard properties | ||
| نویسندگان [English] | ||
| Zahra Jahani lomer1؛ Saeed Reza farrokhpayam2؛ Mohammad Shamsian2 | ||
| 1M.Sc., Department of Wood and Paper Science &Technology, Faculty of Natural Resources, University of zabol, Iran. | ||
| 2Assistant Professor, Department of Wood and Paper science &Technology, Faculty of Natural Resources, University of Zabol, Iran | ||
| چکیده [English] | ||
| Abstrac In the past decade, artificial neural networks have been used as a powerful tool for modeling and prediction in many scientific fields. In this study, the feed-forward multilayer Perceptron (MLP) was utilized and trained by back propagation (BP) algorithm with Levenberg-Marquardt numerical optimization technique via Matlab software. Temperature of press (°C), mat moisture content (%) and press closing time (sec) were used as inputs, Water absorption (WA2, 24h), thickness swelling (TS2, 24h) and density were the outputs of neural network model. This technique will increase network versatility and decreases the effect of undesirable and weak data. The modeling and prediction was done based experimental data and the forecasting results were compared with real data. The efficiency of these techniques evaluated with statistical criteria of mean square error (MSE), root mean square error, (RMSE) and the correlation coefficient (R2). The results showed this ANN model could accurately describe the water absorption, thickness swelling after immersion for 2 and 24 hours, and density of particleboard | ||
| کلیدواژهها [English] | ||
| Key words: Modeling, Artificial Neural Networkو particleboard, physical properties | ||
| مراجع | ||
|
-Asociacion Eespanol De Normaliacion (AENOR), 2001. Tableros derivados de lamadera. Muestreo, despiece e inspeccion. Parte 2: Control de la calidad en fabrica. Standard UNE-EN 326-2. Madrid, Espana. -Cook, D. F., Chiu, C.C., 1997. Predicting the internal bond strength of particleboard, utilizing a radial basis function neural network. Eng. Appl. Artif. Intell. 10 (2), 171-177. -Cook, D.F., Ragsdale, C.T. and Major, R.L., 2000. Combining a neural network with a genetic algorithm for process parameter optimization. England Application Artificialneural Intell. 13:391-396. -Demuth, H., Beale, M., Hagan, M. 2002. Neural network toolbox user’s guide, Version 4. The Mathworks Inc., Natick, MA 01760, USA, 808 pp. -Edwards PJ, Murray AF., Papadopoulos, G., Wallace AR., Barnard J. and Smith, G., 1999. The application of neural networks to the papermaking industry. IEEE Trans Neural Network. 10(6):1456–64. -Esteban, F.G. Fernandez, P., Palacios, B. and Rodrigo, G., 2010. Use of ANN as a predictive method to determine moisture resistance of particle and fiber boards under cyclic testing conditions, (UNE-EN 321),Wood and Fiber Science, 42(3): 1-11. -EN 317. 1993. Particleboard and Fiberboards. Determination of Swelling in Thickness after Immersion in Water.European Committee for Standardization, Brussels, Belgium. -Faridah, S.I. and Nordin, A.B., 2012. Neural Network Modeling for Fiberboard Proper-ties Prediction, Wseas 13th Cimmacs, Latest Advances in Systems Science and Computational Intelligence. pp: 104-108. -Faridah, S.I. Nordin, A.B. Noor Elaiza, A.K. and Ropandi, M., 2011. Optimizing Oil Palm Properties Using Neural Network, IEEE 3rd Data Mining and Optimiza-tion, pp: 271-175. -Fernandez, G., Esteban, F., Palacios L.G., Navarro, P.N. and Conde, M., 2008. Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model.Inv Agrar -Sist Recursos Forest, 17(2): 87-178. -Hornik, K., Stinchcombe, M., White, H., 1989. Multilayer feedforward networks are universal approximators. Neural Network 1989;2(5):359–66 -Karayiannis, N. B. and Venetsanopoulos A. N. 1993. Artificial Neural Networks: Learning Algorithms, Performance Evaluation and Applications, Kluwer Academic Publishers, Boston, USA. -Kargarfard, A., Nourbakhsh, A.,Doosthosseini ,K. and Jahan-Latibari, A., 2007. effect of geometry of particle on physical and mechanical properties of particleboard produced from beech wood Pajouhesh and Sazandegi. No:77 pp: 59-67. -Kelly, M.W., 1977. Critical literature review of relationships between processing parameters and physical properties of particleboard. Madison: USDA Forest Service Research Paper, FPL 10, Forest Products Laboratory, Wis 53705, USA. 70 pp. -Krauss, G., Kindangen, J.I. and Depecker, P., 1997. Using artificial neural networks to predict interior velocity coefficients. Build Environ 4, 295-303. -Kutner, M.H. Nachtsheim, C.J. and Neter, J. 2004. Applied linearregression models,4th ed. New York: McGraw-Hill/Irwin. -Lin, H, C. and Huang J, C., 2004. Using Single Image Multi-Processing Analysis Techniques to Estimate the Internal Bond Strength of Particleboard. Taiwan J For Sci. 19(2): 109-17. -Malinovs, SHA. W., Mckeown, J.J., 2001. Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural network. Comput Mater Sci. 21:375-394. -Menhaj, M. B., 2006. Computational Intelligence (Vol. 1), Fundamentals of Neural Networks, AmirkabirUniversity Pub, Tehran, Iran (In Persian). -Moghaddamnia, A., Ghafari, M., Piri, J., Amini, S. and Han, D., 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 32 : 88-89. -Moshiri, S. and Morovat, H., 2006. Forecasting of Tehran Stock Exchange General Index by Lineal and Nonlinear Methods. Commercial Research Journal. 41: 245-275. -Noori, R., Karbassi, A. and Sabahi, M.S., 2009. Evaluation of PCA and gamma test techniques on AAN opration for weekly solid waste prediction, Journal of Enviromental Management, 91: 767-771. -Ozsahin, S., 2012. ANN for Modeling MA and TS of OSB. 7(1): 1053-1067 -Ripely, B., Ripely, R. 1998.Neural Networks as Statistical Methods in Survival Analysis. Artificial Neural Networks:Prospects for Medicine (R. Dybowsky and V. Gant eds. 2007), Landes Biosciences Publishers, pp: 789. -Samarasinghe, S., Kulasiri, D. and Jamieson, T., 2007. Neural networks for predicting fracture toughness of individual wood samples Silva Fennica, 41(1): 105-122. -Sellers, T. 2000. Growing Markets for Engineered Products Spurs Research. J.Wood Sci. Technol., 127(3): 40-43. -Sernek, M., F. A. Kamke, I. M., 2000. Influence of Temperature and Timeon the Curing of UF Adhesive. Wood Adhesive 2000 Extended Abstracts, Forest Products Society, Madison, WI, USA. -Sha, W., Edwards, k. L., 2007. The use of artificial neural networks in materials science based research. Mater. Des. 6, 1747-1752. | ||
|
آمار تعداد مشاهده مقاله: 2,306 تعداد دریافت فایل اصل مقاله: 1,299 |
||