نویسندگان

چکیده

شبکه های عصبی مصنوعی سیستمهای پردازش اطلاعات هستند. در سالهای اخیر این الگوریتمها مورد توجه محققان بسیاری برای مدلسازی فرایندهای مختلف و همچنین حل مسائل گوناگون قرار گرفته‌اند.در این تحقیق یک مدل شبکه عصبی مصنوعی برای پیش بینی خصوصیات کششی نخهای مغزی دار با رویه پنبه و مغزی نایلون ارائه می‌شود.
بدین منظوراز شبکه‌های چند لایه پیشرونده با الگوریتم آموزشی انتشار به عقب برای بررسی رابطه و ایجاد یک نگاشت بین پارامترهای تولید(نمره جزء رویه، نمره جزء مغزی، کشیدگی اولیه اعمالی به جزء مغزی و تاب اعمال شده به نخهای مغزی دار) و خواص کششی (استحکام و ازدیاد طول تا حد پارگی) نخهای مغزی دار استفاده می‌شود. نتایج حاصل نشان داد شبکه‌های عصبی مصنوعی یک روش موثر برای پیش بینی خصوصیا ت کششی نخهای مغزی‌دار است؛ به طوری که انحراف استاندارد خطای پیش بینی دسته‌های آموزش دهنده و آزمایش کننده همواره از انحراف استاندارد آزمایشات کمتر بود.

کلیدواژه‌ها

عنوان مقاله [English]

Using Artificial Neural Network Algorithm to Predict Tensile Properties of Cotton-Covered Nylon Core Yarns

نویسندگان [English]

  • A.A. Gharehaghaji
  • M. Palhang
  • and M. Shanbeh

چکیده [English]

Artificial Neural Networks are information processing systems. Over the past several years, these algorithms have received much attention for their applications in pattern completing, pattern matching and classification and also for their use as a tool in various areas of problem solving. In this work, an Artificial Neural Network model is presented for predicting the tensile
properties of cotton-covered nylon core yarns. Multilayer Feedforward network with Back Propagation learning algorithm was used to
study the relationship and mapping among the process parameters, i.e. count of sheath part, count of core part, applying pretension to the core part, inserted twist to the core spun-yarn as well as tensile properties, i.e. breaking strength and breaking elongation. The results show that ANN is an effective method for the prediction of the tensile properties of these yarns. This is due to the fact that in each case, standard deviation of prediction error for test and train data was less than that obtained from the expreiments.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Back Propagation Algorithm
  • Core-spun Yarns
  • Cross Validation
  • Tensile Properties

تحت نظارت وف ایرانی