شناسایی و تعیین مقدار تاثیر متغیرهای کنترلی کارخانه بر خواص فیزیکی و مکانیکی تخته فیبر با دانسیته متوسط با سیستم شبکه عصبی مصنوعی

خواص فرآورده‌‌های مرکب چوبی حاصل ازمتغیرهای کنترلی یا به عبارت دیگر ماشین ‌های فرآیندی کارخانه است. شناسایی این نقاط حساس از اهمیت ویژه ای برخوردار است، زیرا به کنترل کننده‌های خط تولید کارخانه این امکان را می‌‌دهد که بتوانند خط تولید و کیفیت محصول را به شکل کاملا مهندسی تنظیم نمایند و یا مطالعه دقیق‌تری از رفتار مواد و فرآیند داشته باشند. متغیرهای ورودی این کارخانه از سه شیفت کاری به تعداد 154 ردیف داده متناظر با همدیگر و با خصوصیات خروجی هستند. متغیرهای ورودی کارخانه شامل متغیرهای درصد رطوبت خرده چوب، دانسیته خرده چوب، دانسیته کیک، درجه حرارت مواد، مقدار مصرف چسب به درصد، مقدار مصرف چسب به کیلوگرم، رطوبت الیاف و سرعت پرس و داده‌های اندازه گیری شده شامل دانسیته، مدول خمشی، مدول الاستیسیته، چسبندگی داخلی، رطوبت تخته و واکشیدگی ضخامت می‌باشد. پس از نرمال سازی داده‌ها، مقدار تاثیر متغیرهای ورودی بر هرکدام از خواص تخته فیبر با روش شبکه عصبی مصنوعی و براساس معیارهایی مانند آزمون گاما و درصد خطا مشخص شد. نتایج نشان دادند که تمامی متغیرهای ورودی بر خصوصیات خروجی تخته فیبر اثرگذار می‌باشند و ترتیب اثرگذاری متغیرها به نوع خصوصیات بستگی دارد. اثر متغیرهایی مانند دانسیته کیک الیاف تقریبا بیشتر از بقیه متغیرها بود. برخی متغیرهای ورودی مانند مقدار چسب به کیلوگرم بر روی خواص تخته فیبر با دانسیته متوسط اثر کمتری دارند و این متغیر در خط تولید برخی کارخانه‌ها ثابت در نظر گرفته می‌شود. همبستگی بالای مقدار پیش بینی با مقدار واقعی خروجی‌ها و درصد خطای کم آن اعتبار بالای پیش بینی‌ها را نشان داد که به ترتیب بالای 0/9 و کمتر از 9 درصد بود.

identification and determination of the effect of factory control variables on the physical and mechanical properties of medium density fiberboard with artificial neural network system

the properties of wood composite products are due to the control variables of factory machines. identifying these sensitive places is of particular importance, because it allows the operator to be able to adjust the production line and product quality in a completely engineered way. also, it allows operator to have a more detailed study of material and process behavior. factory available data are including variables of moisture content of chips, chips density, density mat, material temperature the amount of glue used in percent, the amount of glue used in kilograms, fiber moisture and press speed, and also properties of density, flexural modulus, modulus of elasticity, internal bonding, board moisture and thickness swelling. the effect of input variables on each of the properties of fiberboard was determined by artificial neural network method. the results show that all of the input variables have affected on the output properties of fiberboard and the order in which the influential variables are depends on the type of properties. the effect of variables such as density mat is almost greater than other variables. some input variables, such as the, the amount of glue used in kilograms, have less effect on the properties of fiberboard with medium density, and this variable is considered constant in the production line of some factories. the high correlation between the prediction value and the actual value of the output and its low mean absolute percent error indicates the high validity of the prediction that have a high value of 0.9 and less than 9%, respectively.