پیش بینی مدول خمشی و مدول الاستیسته تخته خرده چوب با استفاده از شبکه عصبی مصنوعی و مقایسه آن با مدل های رگرسیونی

امروزه روش های مدلسازی متعددی برای پیش آگاهی و کاهش هزینه های تولید به منظور پیش بینی خواص فیزیکی و مکانیکی فراورده های صفحه ای چوبی استفاده می شود. از جمله این روش ها می توان به روش رگرسیون های و شبکه عصبی مصنوعی اشاره کرد. در این تحقیق امکان پیش بینی مقادیر مدول خمشی (MOR) و مدول الاستیسیته (MOE) تخته خرده چوب با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره و بر اساس مهم ترین پارامتر های ساختاری تخته خرده چوب مانند دانسیته در سه سطح (65/0، 7/0، g/cm3 75/0)، درصد چسب در سه سطح (8، 5/9 و %11) و ضریب کشیدگی در سه سطح (13، 33 و 47) بررسی شد. داده های آزمایشگاهی و داده های پیش بینی شده با مدل های مختلف براساس پارامترهای میانگین قدر مطلق خطا (MAPE)، میانگین مربع خطا (MSE) و ضریب تعیین (R2) مورد مقایسه و ارزیابی قرار گرفتند. نتایج این مطالعه نشان داد که اگرچه هر دو مدل رگرسیون خطی چندگانه و شبکه عصبی مصنوعی توانایی پیش بینی مقادیر MOR و MOE را با دقت بالایی دارند، اما شبکه عصبی مصنوعی نسبت به رگرسیون خطی چند گانه، مدول خمشی و مدول الاستیسیته تخته خرده چوب را با R2 بالاتر و MAPE کمتری پیش بینی نمود. مقادیر R2 و MAPE برای شبکه عصبی به ترتیب 77 /0 و 72/7 درصد برای MOR و 86/0 و 7 درصد برای MOE به دست آمدند. مقادیر متناظر آنها برای مدل رگرسیون چندگانه به ترتیب 3/8 و 738/0، و 06/9 و 783/0 بودند. این مقدار خطا برای پیش بینی خواص تخته خرده چوب از نظر صنعتی و کاربردی رضایت بخش است.