- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,727 |
| تعداد مقالات | 31,054 |
| تعداد مشاهده مقاله | 28,215,373 |
| تعداد دریافت فایل اصل مقاله | 16,259,322 |
یک مدل ریاضی برای پیش‌بینی خواص تخته خرده چوب با کاربرد GMDH (نوعی شبکه عصبی مصنوعی و الگوریتم ژنتیک) | ||
| تحقیقات علوم چوب و کاغذ ایران | ||
| مقاله 4، دوره 29، شماره 3 - شماره پیاپی 48، مهر 1393، صفحه 376-389 اصل مقاله (855.99 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwpr.2014.6130 | ||
| نویسندگان | ||
| زهرا جهانی لمر* 1؛ سعید رضا فرخ پیام2؛ محمد شمسیان2 | ||
| 1کارشناسی ارشد علوم و صنایع چوب وکاغذ، دانشکده منابع طبیعی،دانشگاه زابل | ||
| 2استادیار دانشکده منابع طبیعی، عضو هیئت علمی گروه علوم صنایع چوب وکاعذ انشگاه زابل | ||
| چکیده | ||
| چکیده در این مطالعه از شبکه عصبی GMDH براساس الگوریتم ژنتیک برای پیش‌بینی خواص فیزیکی و مکانیکی تخته خرده چوب در مقیاس آزمایشگاهی استفاده شد. به‌منظور تعیین خواص فیزیکی و مکانیکی به‌وسیله شبکه عصبی GMDH، از مشخصات دمای پرس در 4 سطح 170،160،150 و 180 درجه سانتی‌گراد، زمان بسته شدن پرس در 3 سطح 20،10 و 30 ثانیه و رطوبت کیک در 4 سطح 12،10،8 و 14 به‌عنوان داده‌های ورودی و از خواص فیزیکی و مکانیکی به‌عنوان داده خروجی استفاده گردید. کارایی مدل‌ها با استفاده از معیارهای میانگین مربعات خطا (MSE)، ریشه‌ی 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 به‌دست‌آمده برای مدل MOEساخته‌شده به روش GMDH بسیار بالا می‌باشد. با توجه به مقادیر به‌دست‌آمده این مدل مناسب برای پیش‌بینی MOE نیست. مقادیر R2 به‌دست‌آمده از مجموعه آزمون و آموزش برای خواصMOR ، IB،MOE ،TS24h ،TS2h ،WA2h وWA24h بیشتر از 91/0 درصد است، که این نشان‌دهنده عملکرد بهتر این مدل‌هاست. | ||
| کلیدواژه‌ها | ||
| کلمات کلیدی تخته خرده چوب؛ مدل سازی؛ شبکه عصبی GMDH؛ خواص فیزیکی و مکانیکی | ||
| عنوان مقاله [English] | ||
| A mathematical model to predict particleboard properties using the GMDH-type neural network and genetic algorithm | ||
| نویسندگان [English] | ||
| Zahra Jahanilomer1؛ Saeed Reza farrokhpayam2؛ Mohammad Shamsian2 | ||
| 1M.Sc., Department of Wood and Paper Science &Technology, Faculty of Natural Resources, University of Zabol, Iran, | ||
| 2Assistant Professor, Department of Wood and Paper science &Technology, Faculty of Natural Resources, University of Zabol, Iran | ||
| چکیده [English] | ||
| Abstract In this study, GMDH neural network based on genetic algorithm was used to predict the physical and mechanical properties of laboratory made particleboard. To predict the mechanical and physical properties of particleboard we used input parameters such as neural network including press closing time (10,20 and 30 seconds), moisture content of the mat (8,10,12 and 14%) and press temperature (150,160,170 and 180°C) as the input data and the output data was the physical and mechanical properties. The efficiency of these techniques was evaluated with statistical criteria of mean square error (MSE), root mean square error, (RMSE), mean absolute deviation (MAD) and the correlation coefficient (R2). Results showed that the value of MSE, RMSE and MAD for MOR, IB, TS24h, TS2h, WA2h and WA24h is low. Errors obtained for the MOE model were very high. According to the results obtained, this model is not the appropriate for prediction of MOE. R2 values from the test and training set properties for MOR, IB, MOE, TS24h, TS2h, WA2h and WA24hwas more than 0.91%, which reflects that the performance of these models is better. | ||
| کلیدواژه‌ها [English] | ||
| Keywords: Particleboard, modeling, GMDH-Type Neural Netwok, Physical Mechanical Properties | ||
| مراجع | ||
|
-Avramidis, S. and Iliadis, L. 2005. Predicting wood thermal conductivity using artificial neural networks.Classification of wood species by neural network analysis of ultrasonic signals. Ultrasonic. 36: 219-222. -Amanifard, N., Nariman-Zadeh, N., Borji, M., Khalkhali, A. and Habibdoust, A. 2007 Modelling and Pareto Optimization of Heat Transfer and Flow Coefficientsin Microchannels Using GMDH Type Neural Networks and Genetic Algorithms,Energy Conversion and Management. 49: 311-325. -Atashkari, K., Nariman-Zadeh, N., Golcu, M., Khalkhali, A. and Jamali, A. 2007. Modelling and Multi-Objective optimization of a Va riable Valve-Timing Spark- Ignition Engine Using Polynomial Neural Networks and Evolutionary Algorithms, Energy Conversion and Management. 48( 3) 1029-1041. -Asociación Eespañol De Normaliación (AENOR), 2001. Tableros derivados de la madera. Determinación del contenido de humedad. Standard UNE-EN 322. Madrid, España. -Cook, DF., Whittaker, AD. 1992. Neural network models for prediction of process parameters in wood products manufacturing. In: Proceedings of the 1stindustrial engineering research conference. Chicago (IL), May, p. 209– 11. -Cook, D.F., Ragsdale, C.T., Major R.L. 2000. Combining a neural network with a genetic algorithm for process parameter optimization. Eng Appl Artif Intell 13,391-396. -Cook, D.E. and Chiu, C. C. 1997. Predicting the Internal Bond Strength of Particleboard, Utilizing a Radial Basis Function Neural Network. Engng Applic.Artif.lnteU. 10(2): 171-177. -Drake, P.R. and Packianather, M.S. 1998. A decision treeof neural networks for classifying images of wood veneer. Int Journal Adv Manuf Technol, 14: 280-285. -Esteban, L.G., Fernandez, F.G., Palacios, P., and Rodrigo, B.G. 2010. Use of ANN as a predictive method to determine moisture resistance of particle and fiber boards under cyclic testing conditions. (UNE-EN 321) Wood and Fiber Science, 42(3): 1-11. -EN 317. 1993. Particleboard and Fiberboards. Determination of Swelling in Thickness after Immersion in Water. European Committee for Standardization, Brussels, Belgium. -EN 319. 1993. Determination of Tensile Strength Perpendicular to the Plane of the Board. European Committee for Standardization, Brussels, Belgium. -EN 310. 1993. Wood Based Panels. "Determination of Modulus of Elasticity in Bending and Bending Strength". European Committee for Standardization, Brussels, Belgium. -Fernandez, G.F., Esteban L.G. DE., Palacios, P., Navarro, N. and Conde, M. 2008. Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model. Invest. Agrar.Sist. Rec. For. 17(2): 178-187. -Fernandez, G.F., Esteban L.G. DE., Palacios, P. and Casasus GA. 2007. Use of an artificial neural network to differentiate the wood of Juniperus cedrusWebb & Bertel and Juniperus. canariensis Guyot. Pan-American IAWA Meeting 2007,San Luis Potosi, México, July 15-20. -Hiassat, M., Abbod, M. and Mort, N. 2003. Using Genetic Programming to Improve the GMDH in Time Series Prediction, Statistical Data Mining and Knowledge Discovery, Edited by Hamparsum Bozdogan, Chapman and Hall CRC, PP. 257-268. -Halligan, A.F., and Schniewind, A.P. 1974. Prediction of particleboard mechanical properties at various moisture contents.Wood Science Technology. 8(1): 68-78. -Ivakhnenko, A.G. 1971. Polynomial Theory of Complex Systems. IEEE Transactions on Systems, Man, and Cybernetics. 364-378. -Jordan, R., Afeeney, F., Nesbitt, N., Evertsen, J.A.1998. Classification of wood species by neural network, pp: 985. -Krauss G, Kindangen JI, Depecker P. 1997. Using artificial neural networks to predict interior velocity coefficients. Build Environ. 32(4):295–303. -Mier R ., Garcia J.L., Diez M.R., Fernandez-Golfin J.I. and Hermosoe E. 2005. Aplicacion de redes neuronales a la clasificacion visual de madera estructural. Comparación con otros métodos de clasificación. IV Congreso Forestal Espanol, 26-30. -Nariman-zadeh, N., A. Darvizeh, M. and Gharababaei, H. 2002. Modelling of Explosive Cutting Process of Plates Using GMDHType Neural Network and Singular Value Decomposition Journal of Materials Processing Technology. 128 (1-3): 80- 87. -Nirdosha, G. and Setunge, S. 2006. Formulation and process modeling of particleboard production using hardwood saw mill wastes using experimental design. Composite Structures. 75: 520–523. -Suchsland, O., X. Hong. 1989. Model analysis of flakeboard variables. Forest Prod. J. 41(11/12):55-60. -Yapici, F., Ozcifci, A., Akbulut, T. and Bayir, R. 2009. Determination of modulus of rupture and modulus of elasticity on flake board with fuzzy logic classifier. Mater. Des. 30: 2269-2273. | ||
|
آمار تعداد مشاهده مقاله: 2,590 تعداد دریافت فایل اصل مقاله: 1,251 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب