مدلسازي خصوصيات فيزيكي تخته خرده‌چوب ساخته‌شده از ساقۀ كلزا با استفاده از شبكه‌هاي عصبي مصنوعي:MLP، RBFN و ANFIS

Modeling the Physical Properties of Particleboard from Canola (Brassica napus) Stalks by Using MLP, RBFN and ANFIS Artificial Neural Network

فاكتورهاي مختلفي بر روي خواص اوراق مركب چوبي تاثير گذار هستند. بررسي تمامي اين فاكتورها نتنها اتلاف وقت و انرژي را افزايش مي­دهد، همچنين دقت در برآورد ميزان تاثير متغيرهاي انتخاب شده در ساخت به منظور حصول نقطه بهينه از خواص مختلف فراورده­هاي مركب چوبي را كاهش مي دهد. از اينرو، لازم است تا از متدهاي نوين آماري براي تعيين مدل برآورد كننده نقطه بهينه توليد استفاده نمود. هدف اين تحقيق، ارزيابي عملكرد شبكه‌هاي عصبي مصنوعي در راستاي مدلسازي خواص فيزيكي تخته خرده‌چوب ساخته‌شده از ساقۀ كلزا بود. مدلسازي و امكان تخمين خصوصيات فيزيكي تخته خرده‌چوب با استفاده از نسبت ملامين فرمالدئيد به اوره فرمالدئيد، نسبت ساقۀ كلزا به صنوبر و مقدار رطوبت كيك به روش‌هاي شبكه‌هاي عصبي مصنوعي: MLP، RBF و ANFIS بررسي شد. نتايج نشان داد كه شبكۀ عصبي MLP نسبت به شبكۀ RBFN و ANFIS عملكرد به‌نسبت بهتري در زمينۀ برآورد خصوصيات فيزيكي تخته خرده‌چوب دارد. همچنين نتايج نشان داد كه مدل‌هاي هوش مصنوعي در زمينۀ پيش‌بيني خصوصيات فيزيكي تخته خرده‌چوب، دقت و توانايي مناسبي دارند. نتايج آناليز حساسيت نيز نشان داد كه در زمينۀ برآورد TS2 و WA24 مهم‌ترين پارامتر با تأثير مثبت در روند مدلسازي، مقدار رطوبت كيك است و نسبت ملامين فرمالدئيد به اوره فرمالدئيد نيز در زمينۀ مدلسازي TS24 و WA2 مؤثرترين پارامتر است.

Different factors influence on the properties of wood composite panels. Evaluating all of these factors not only increases waste of time and energy but also decreases accuracy in estimation of influence value of selected factors in manufacturing panels in order to obtain optimum point of different properties of wood composite panels. Hence, application of a new statistical method is necessary for determination of model estimating production´s optimum point. This study was aimed to evaluate the artificial neural networks performance to model the physical properties of the particleboard made of canola stalks particles. The physical properties of the particleboard were modeled and estimated using different weight ratios of melamine formaldehyde to urea formaldehyde, canola stalks to poplar particles and mat moisture content through MLP, RBFN and ANFIS artificial neural networks. The results showed that MLP neural network has better performance than RBFN and ANFIS neural networks to estimate the physical properties of the particleboard. The results also showed that the artificial intelligence models have a proper precision and ability to predict the particleboard's physical properties. The results of the sensitivity analysis also showed that for estimating and , the most important parameter was mat moisture content with a positive effect on the modeling, and melamine formaldehyde to urea formaldehyde ratio was also the most effective parameter for estimating and .