پیش‌بینی مدول خمشی و مدول الاستیسته تخته خرده چوب با استفاده از شبکه عصبی مصنوعی و مقایسه آن با مدل‌های رگرسیونی

امروزه روش‌های مدلسازی متعددی برای پیش آگاهی و کاهش هزینه‌های تولید به منظور پیش‌بینی خواص فیزیکی و مکانیکی فراورده‌های صفحه‌ای چوبی استفاده می‌شود. از روش‌های رایج مدل سازی می‌توان به روش های رگرسیون‌ و شبکه عصبی مصنوعی اشاره کرد. در این تحقیق امکان پیش‌بینی مقادیر مدول گسیختگی (mor) و مدول الاستیسیته خمشی (moe) تخته خرده چوب با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی ساده و چند متغیره و بر اساس مهم‌ترین پارامتر‌های ساختاری تخته خرده چوب مانند دانسیته در سه سطح (0.65، 0.7، g/cm3 0.75)، درصد چسب در سه سطح (8، 9.5 و %11) و ضریب کشیدگی خرده چوب در سه سطح (13، 30 و 47) بررسی شد. داده‌های آزمایشگاهی و داده‌های پیش‌بینی شده با مدل‌های مختلف براساس پارامترهای میانگین قدر مطلق خطا (mape)، میانگین مربع خطا (mse) و ضریب تعیین (r^2 ) مورد مقایسه و ارزیابی قرار گرفتند. نتایج این مطالعه نشان داد که اگرچه هر دو مدل رگرسیون خطی چندگانه و شبکه عصبی مصنوعی توانایی پیش بینی مقادیر mor و moe را با دقت بالایی دارند، اما شبکه عصبی مصنوعی نسبت به رگرسیون خطی چند گانه، mor و moe تخته خرده چوب را با r^2 بالاتر و mape کمتری پیش بینی نمود. مقادیر r^2 و mape برای شبکه عصبی به ترتیب 77 /0 و 7.72 درصد برای mor و 0.86 و 7 درصد برای moe به‌دست آمدند. مقادیر متناظر آنها برای مدل رگرسیون چندگانه به ترتیب 8.3 و 0.738، و 9.06 و 0.783 بودند. این مقدار خطا برای پیش‌بینی خواص تخته خرده چوب از نظر صنعتی و کاربردی رضایت‌بخش است.

Predicttion of the flexural strenth of particleboard using artificiial neural network modeling in comparison with regression models

Today, several modeling methods have been used to costefficiently predict the physical and mechanical properties of woodbased panel products which in turn reduce the cost of quality control of these products. Two common methods include regression and artificial neural network (ANN). In this study, the possibility of predicting the modulus of rupture (MOR) and modulus of elasticity (MOE) of particleboard by simple and multiple linear regression and ANN based on structural parameters including density in three levels (0.65, 0.7, and 0.75 g/cm3), slenderness ratio of particles in three levels (47, 30, and 13) adhesive percent in three level of (8, 9.5, and 11%) were evaluated. experimental and predicted data were compared with different criteria including mean absolute percentage error (MAPE), mean squared error (MSE) and coefficient of determination (R2). The results revealed that although both multiple linear regression models and artificial neural network were able to predict MOR and MOE values with acceptable accuracy, but ANN model predicted them with higher R2 and lower MAPE than multiple linear regression model. The value of MAPE and R2, for prediction of MOR and MOE by ANN model were 7.72% and 0.77, and 7% and 0.86, respectively. the corresponding value for multiple regression model were 8.3% and 0.738, and 9.06% and 0.783, respectively. These levels of error are industrially and practically satisfactory for the prediction of properties in particleboard.