عنوان پایان‌نامه

مدل سازی خواص مکانیکی تخته خرده چوب با استفاده از شبکه عصبی مصنوعی



    دانشجو در تاریخ ۲۷ بهمن ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "مدل سازی خواص مکانیکی تخته خرده چوب با استفاده از شبکه عصبی مصنوعی" را دفاع نموده است.


    رشته تحصیلی
    مهندسی منابع طبیعی - صنایع چوب
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6748;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72912;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6748;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72912
    تاریخ دفاع
    ۲۷ بهمن ۱۳۹۴
    دانشجو
    فرزانه افشاری
    استاد راهنما
    حمید زارع حسین آبادی, مهدی جنوبی
    چکیده
    لینک فایل چکیده
    شبکه عصبی مصنوعی در دهه‌ی اخیر به‌ عنوان ابزاری قدرتمند جهت پیش‌بینی در حوزه‌های مختلف مورد استفاده قرار گرفته است. این تحقیق به‌ منظور مدل‌سازی و پیش‌بینی خواص مکانیکی تخته‌خرده چوب با استفاده از شبکه عصبی مصنوعی انجام شده است. مقاومت خمشی و چسبندگی داخلی تخته‌خرده چوب از خواص مکانیکی مهم محصول نهایی هستند؛ بنابراین پیش‌بینی این خواص در حین تولید می‌تواند باعث کنترل کردن فرآیند تولید و کیفیت یکنواخت محصول گردد. در این پژوهش متغیرهای تولید مانند دانسیته چسب مصرفی، میانگین رطوبت خروجی خشک‌کن، میانگین رطوبت بعد از مخلوط‌کن و همچنین خواص مکانیکی محصولات تولیدشده از قبیل مقاومت خمشی و چسبندگی داخلی سه ماه کاری کارخانه نئوپان خلخال مربوط به سال 1394 جمع‌آوری گردید. این داده‌ها با استفاده از شبکه عصبی مصنوعی (مدل پرسپترون چندلایه) بررسی شدند. از متغیرهای تولید به ‌عنوان داده‌های ورودی شبکه و از خواص مکانیکی به عنوان داده‌های خروجی شبکه استفاده گردید. کلیه شبکه‌های بررسی‌شده در نرم‌افزار NeuroSolutions نسخه 5، طراحی و اجرا شدند. خواص مکانیکی مورد نظر توسط بهترین مدل‌های شبکه با ساختار تک‌لایه و دولایه پیش‌بینی شدند. با استفاده از داده‌های واقعی، پیش‌بینی‌های انجام‌شده توسط شبکه عصبی با مقادیر واقعی مورد مقایسه قرار گرفت و کارایی مدل‌ها با استفاده از آماره‌های ضریب همبستگی (R2)، میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) مورد ارزیابی قرار گرفت. شبکه عصبی با هشت ورودی و دو خروجی و تعداد 22 نرون در لایه مخفی بهترین مدل شبکه (91/0=R2) در ساختار تک‌لایه بود. همچنین در ساختار دولایه بهترین مدل شبکه (95/0=R2) با تعداد 20 نرون برای هر لایه مخفی برآورد گردید. بعد از انتخاب بهترین مدل، به بررسی تحلیل حساسیت ورودی‌ها توسط نرم افزار NeuroSolutions پرداخته شد که نتایج این تحلیل برای هر دو مدل انتخابی نشان‌دهنده این بود که بیشترین حساسیت در مقاومت خمشی مربوط به دانسیته چسب مصرفی (لایه رویی) است و برای چسبندگی داخلی بیشترین حساسیت را میانگین رطوبت بعد از مخلوط‌کن دارد. ضریب همبستگی بالا و میزان خطای پایین برای مقاومت خمشی و چسبندگی داخلی در این تحقیق، نشان‌دهنده عملکرد بسیار مناسب شبکه عصبی مصنوعی در پیش‌بینی این خواص بود. واژه‌های کلیدی: شبکه عصبی مصنوعی، مدل‌سازی خواص، تخته
    Abstract
    In the past decade, artificial neural networks have been used as a powerful tool for prediction in many scientific fields. This study was done in order to modeling and prediction of mechanical properties of particleboard by an artificial neural network. Modulus of rupture and internal bond strength of particleboard are as important mechanical properties of the final product. Therefore, prediction of these properties during the production process can control the process and consistent quality of the product. In this research, the production variables such as density of adhesive, dryer outlet moisture content, average of moisture after mixer and also mechanical properties such as modulus of rupture and internal bond strength for 90 working days were collected from Neopane Khalkhal company. These data were analyzed by MLP artificial neural network. In the network, production variables were used as input data network and mechanical properties were used as output data network. All the networks are checked in neurosolution software. The mechanical properties were predicted by the best network models with single and double layer structure. The results modeling and prediction were compared with the expering data. The efficiency of these techniques was evaluated by statistical criteria such as mean square error (MSE), mean absolute error (MAE) and the determination coefficient (R2). High determination coefficients and low error rate for modulus of rupture and internal bond strength, showed very good performance of the network to determine the properties of the particleboard. Keywords: artificial neural network, modeling, particleboard, Modulus of Rupture, Internal Bond