پديدآورندگان :
مقدم محمدرضا دانشگاه آزاد اسلامي واحد تهران جنوب , منجزي مسعود دانشگاه تربيت مدرس تهران - بخش مهندسي معدن , مهردانش اميرحسين دانشگاه تربيت مدرس تهران
چكيده فارسي :
آهن يكي از پر كاربردترين فلزات در جهان محسوب مي شود. قيمت جهاني سنگ آهن بر اساس ميزان عرضه و تقاضاي آن تعيين مي شود. پارامترهاي متعددي همچون قيمت فولاد، شاخص توليد ناخالص داخلي، قيمت نفت خام، قيمت آلومينيوم، قيمت طلا، نرخ بهره، نرخ تورم، ارزش دلار، ارزش سهام و ميزان توليد آهن و فولاد بر قيمت جهاني سنگ آهن مؤثرهستند. با توجه به تعدد پارامترهاي مؤثر و پيچيدگي روابط ميان آنها، مي توان از روش هاي مبتني بر هوش مصنوعي نظيرشبكه هاي عصبي مصنوعي براي پيش بيني قيمت سنگ آهن استفاده نمود. در اين مقاله، با استفاده از شبكه عصبي مصنوعي مدلي براي پيش بيني قيمت ماهيانه سنگ آهن ارائه شده است. با مقايسه انواع شبكه ها، شبكه بهينه با چهار لايه پيشخور و الگوريتم آموزش پس انتشار خطا شامل 5 نرون در لايه ورودي، 12 نرون در لايه پنهان اول، 15 نرون در لايه پنهان دوم و 1 نرون در لايه خروجي بدست آمد. همچنين خطاي نسبي، خطاي مطلق، VAR, RMSE و ضريب R2بدست آمده براي شبكه بهينه به ترتيب برابر 0/039، 0/033، 9/759، 97/759، 97/738 و 0/978 مي باشد. در نهايت پس از انجام آناليز حساسيت مشخص گرديد كه پارامترهاي توليد ناخالص داخلي چين، قيمت طلا و قيمت نفت به ترتيب بيشترين تأثيرو پارامترهاي نرخ بهره، نرخ تورم و ارزش دلار به ترتيب كمترين تاثير را در بين پارامترهاي ورودي بر قيمت سنگ آهن دارند.
چكيده لاتين :
Iron is one of the most applicable metals in the world. The global price of iron ore is determined on the basis of demand and supply. There are numerous parameters (e.g., price of steel, steel production , price of oil, price of gold, interest rate, inflation rate, iron production, aluminum price, index of GDP) affecting global Iron ore price. Considering the high number of effective parameters and existence of complex relationship amongst them, artificial intelligence based methods such as artificial neural networks can be employed to predict Iron ore price. In this paper, using artificial neural networks, a model was developed for prediction of monthly iron ore price. Comparing various networks, led to an optimized four-layer feed-forward network with back-propagation learning algorithm including 5 neurons in the input layer, 12 neurons in the first hidden layer, 15 neurons in the second hidden layer and 1 neuron in the output layer. Also, relative error, absolute error, RMSE, VAF and R2 were calculated 0.39, 0.033, 9.759, 97,738 and 0.978, respectively. Finally, after due sensitivity analysis, it was found out that parameters of china GDP, gold price and oil price have the highest impact on iron ore price, whereas interest rate, inflation rate and Dollar value have the lowest impact in the parameter of interest.
