یک مدل ریاضی برای پیش بینی خواص تخته خرده چوب با کاربرد gmdh (نوعی شبکه عصبی مصنوعی و الگوریتم ژنتیک)

چکیده در این مطالعه از شبکه عصبی gmdh براساس الگوریتم ژنتیک برای پیش بینی خواص فیزیکی و مکانیکی تخته خرده چوب در مقیاس آزمایشگاهی استفاده شد. به منظور تعیین خواص فیزیکی و مکانیکی به وسیله شبکه عصبی gmdh، از مشخصات دمای پرس در 4 سطح 170،160،150 و 180 درجه سانتی گراد، زمان بسته شدن پرس در 3 سطح 20،10 و 30 ثانیه و رطوبت کیک در 4 سطح 12،10،8 و 14 به عنوان داده های ورودی و از خواص فیزیکی و مکانیکی به عنوان داده خروجی استفاده گردید. کارایی مدل ها با استفاده از معیارهای میانگین مربعات خطا (mse)، ریشه ی 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 به دست آمده برای مدل  moeساخته شده به روش gmdh بسیار بالا می باشد. با توجه به مقادیر به دست آمده این مدل مناسب برای پیش بینی moe نیست. مقادیر r2 به دست آمده از مجموعه آزمون و آموزش برای خواصmor ، ib،moe ،ts24h ،ts2h ،wa2h  وwa24h  بیشتر از 91/0 درصد است، که این نشان دهنده عملکرد بهتر این مدل هاست.