پيش‌بيني مدول خمشي و مدول الاستيسته تخته خرده چوب با استفاده از شبكه عصبي مصنوعي و مقايسه آن با مدل‌هاي رگرسيوني

امروزه روش‌هاي مدلسازي متعددي براي پيش آگاهي و كاهش هزينه‌هاي توليد به منظور پيش‌بيني خواص فيزيكي و مكانيكي فراورده‌هاي صفحه‌اي چوبي استفاده مي‌شود. از جمله اين روش‌ها مي‌توان به روش رگرسيون‌هاي و شبكه عصبي مصنوعي اشاره كرد. در اين تحقيق امكان پيش‌بيني مقادير مدول خمشي (MOR) و مدول الاستيسيته (MOE) تخته خرده چوب با استفاده از شبكه عصبي مصنوعي و رگرسيون خطي چند متغيره و بر اساس مهم‌ترين پارامتر‌هاي ساختاري تخته خرده چوب مانند دانسيته در سه سطح (65/0، 7/0، g/cm3 75/0)، درصد چسب در سه سطح (8، 5/9 و %11) و ضريب كشيدگي در سه سطح (13، 33 و 47) بررسي شد. داده‌هاي آزمايشگاهي و داده‌هاي پيش‌بيني شده با مدل‌هاي مختلف براساس پارامترهاي ميانگين قدر مطلق خطا (MAPE)، ميانگين مربع خطا (MSE) و ضريب تعيين (R2 ) مورد مقايسه و ارزيابي قرار گرفتند. نتايج اين مطالعه نشان داد كه اگرچه هر دو مدل رگرسيون خطي چندگانه و شبكه عصبي مصنوعي توانايي پيش بيني مقادير MOR و MOE را با دقت بالايي دارند، اما شبكه عصبي مصنوعي نسبت به رگرسيون خطي چند گانه، مدول خمشي و مدول الاستيسيته تخته خرده چوب را با R2 بالاتر و MAPE كمتري پيش بيني نمود. مقادير R2 و MAPE براي شبكه عصبي به ترتيب 77 /0 و 72/7 درصد براي MOR و 86/0 و 7 درصد براي MOE به‌دست آمدند. مقادير متناظر آنها براي مدل رگرسيون چندگانه به ترتيب 3/8 و 738/0، و 06/9 و 783/0 بودند. اين مقدار خطا براي پيش‌بيني خواص تخته خرده چوب از نظر صنعتي و كاربردي رضايت‌بخش است.