ارائه کننده: رحیم محبی گرگری

استاد راهنما: دکتر علی شالبافان

استاد راهنمای دوم: دکتر سیدجلیل علوی

استاد مشاور: دکترمریم امیرمزلقانی

استاد مشاور دوم: سیدحمزه سادات نژاد

استاد ناظر داخلی: دکتر سعید کاظمی نجفی، دکتر بهبود محبی

استاد ناظر خارجی: دکتر مرتضی ناظریان، دکتر هدیه ساجدی

نماینده تحصیلات تکمیلی: دکتر امیر خسروانی

تاریخ: ۱۴۰۵/۰۷/۲۹

ساعت:‌ ۱۱:۰۰

مکان: سالن اصلی کاخ

چکیده:

رشد فزاینده تولید تخته فیبر با دانسیته متوسط (MDF) و ماهیت پیوسته فرایندهای آن، تحول در شیوه‌های کنترل کیفیت را ضروری کرده و گذار به رویکردهای نوین و داده‌محور مبتنی بر یادگیری ماشین را برای تضمین کیفیت مستمر ایجاب می‌کند. با این حال، تحقیقات گذشته عمدتاً بر داده‌های مقطعی آزمایشگاهی، بررسی خواص محدود و مقایسه چند الگوریتم خاص تمرکز داشته‌اند؛ امری که اهمیت ایجاد چارچوب‌های چندجانبه و تعمیم‌پذیر را دوچندان می‌کند. لذا هدف این مطالعه ارائه چارچوبی مبتنی بر یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین تقویت گرادیان (GBM)، ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، درخت تصمیم (CART) و مدل خطی تعمیم­یافته (GLM) برای پیش‌بینی هم‌زمان خواص مکانیکی و فیزیکیMDF  (دانسیته، مدول خمشی (MOR)، مدول الاستیسیته (MOE)، چسبندگی داخلی (IB)، جذب آب (WA) و واکشیدگی ضخامتی (TS)) است. داده‌های پژوهش شامل 64 متغیر فرایندی و ۵۷۰۷ مشاهده از ۱۸ ماه پایش پیوسته خط تولید کیمیا چوب گلستان، پس از پیش‌پردازش و انتخاب ویژگی ترکیبی (MI–VIF) به ۵۳ ویژگی و 5615 مشاهده کاهش یافت و عملکرد الگوریتم­ها با اعتبارسنجی متقاطع پنج‌بخشی ارزیابی شد. نتایج نشان داد که RF با مقادیرR²  آزمون برابر با 70/0 (دانسیته)، 68/0 (MOR)، 71/0 (MOE)، 50/0 (IB)، 87/0 (WA) و 82/0 (TS) بالاترین دقت را کسب کرد، درحالی‌که الگوریتم GBM عملکردی نزدیک با RF، الگوریتم­های SVM،ANN  و CART عملکردی متوسط و GLM ضعیف‌ترین نتایج را ارائه داد. در میان خواص مکانیکی، MOE بالاترین و IB کم­ترین پیش‌بینی‌پذیری را نشان دادند. همچنین ارزیابی عدم قطعیت مدل‌های برتر (RF و GBM) با بازه اطمینان 95% برای شاخص‌های R²، RMSE  وMAE ، برتری عملکرد RF را تأیید کرد. در نهایت، مدل RF از نظر برازش و عملکرد پیش‌بینی با استفاده از نمودارهای باقیمانده و تحلیل SHAP (ارزیابی اهمیت و سهم متغیرهای فرایندی در پیش‌بینی خواص)، ارزیابی شد.