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

چکیدهدر 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،ts24h ،ts2h ،wa2h  وwa24h  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 ،ts24h ،ts2h ،wa2h  وwa24h  بیشتر از 91/0 درصد است، که این نشان‌دهنده عملکرد بهتر این مدل‌هاست.