مقایسه عملکرد مدل‏های روش سطح پاسخ و شبکه عصبی مصنوعی در پیش‏بینی استحکام نخ پنبه‏ای رینگ

در این مطالعه، عملکرد مدل‏های روش سطح پاسخ (rsm) و شبکه عصبی مصنوعی (ann) در پیش‏بینی استحکام نخ پنبه‏ای تولید شده در ماشین رینگ، مورد مقایسه قرار گرفت. متغیر‏های ناحیه کشش ماشین رینگ شامل سختی غلتک‏های فوقانی ناحیه عقب و جلو به همراه فشار غلتک فوقانی تولید به عنوان ورودی هر دو مدل در نظر گرفته شدند. جهت ارائه مدل ann نیز از یک شبکه عصبی پیشخور چندلایه با الگوریتم پس انتشار خطا استفاده شد. بعد از انجام فرایند مدل‏سازی، هر دو مدل دقت مطلوبی جهت پیش‏بینی استحکام نخ پنبه‏ای رینگ از خود نشان دادند. ولی مقایسه این دو مدل، عملکرد بهتر و دقت بیش‏تر مدل ann را به عنوان یک مدل مبتنی بر هوش مصنوعی نشان داد که با قدرت بیشتری نسبت به مدل rsm می‏تواند روابط غیرخطی و پیچیده بین متغیر‏های مستقل و وابسته را توضیح دهد.

comparing performance of response surface methodology and artificial neural network models in predicting the strength of ring cotton yarn

in this study, the performance of response surface method (rsm) and artificial neural network (ann) models were compared in predicting the strength of cotton yarn produced in the ring machine. the variables of the drafting zone of ring machine, including the hardness of back and front top rollers, along with the pressure of production top roller, were considered as inputs for both models. a multi-layer feed forward neural network with error back propagation algorithm was also used to present the ann model. after performing the modeling process, both models showed good accuracy for predicting the strength of ring cotton yarn. but the comparison of these two models showed the better performance and accuracy of the ann model as a model based on artificial intelligence, which is more powerful than the rsm model and can explain nonlinear and complex relationships between independent and dependent variables