ارائه کننده: زهرا گلچین زراستاد راهنما: دکتر بختیار استادیاستاد مشاور: دکتر احسان نیک بخشاستاد مشاوردوم: دکتر مهدی اسماعیلیاستاد داور داخلی: دکتر علی حسین زاده کاشاناستاد داور خارج از دانشگاه: دکتر محمدرضا تقی زاده یزدینماینده تحصیلات تکمیلی: دکتر علی حسین زاده کاشانتاریخ: 1404/02/01       ساعت: 15:30مکان: اتاق 351 دانشکده فنی و مهندسی

چکیده:هدف این پژوهش، توسعه یک مدل پیش‌بینی جامع برای شناسایی و ارزیابی ریسک‌های مرتبط با فرایند تأمین در مطالعه موردی با استفاده از تکنیک‌های یادگیری ماشین است. باتوجه‌به اهمیت مدیریت ریسک در صنایع تولیدی، این پژوهش به دنبال ارائه یک ابزار قدرتمند برای تصمیم‌گیری در خصوص کاهش اثرات منفی ناشی از وقوع رویدادهای ناخواسته است. داده‌های مورد استفاده در این پژوهش، از طریق پرسش‌نامه و مصاحبه با کارشناسان داخلی شرکت مطالعه موردی جمع‌آوری شده و شامل داده‌هایی در بازه زمانی یکسال است. پس از پیش‌پردازش داده‌ها و انتخاب ویژگی‌های مرتبط، از مدل‌های مختلف یادگیری ماشین، از جمله رگرسیون جنگل تصادفی، گرادیان تقویتی شدید، رگرسیون بردار پشتیبان، رگرسیون شبکه عصبی چندلایه، مخلوط گاوسی و خوشه‌بندی سلسله‌مراتبی تجمعی برای ساخت مدل مفهومی استفاده شد. باتوجه‌به نتایج ارزیابی، مدل رگرسیون بردار پشتیبان با دقت بالای 99.41 درصد به‌عنوان مدل نهایی انتخاب گردید. همچنین، لازم به ذکر است در مدل رگرسیون بردار پشتیبان، تابع کرنل خطی در مقایسه با سایر کرنل‌های این مدل، عملکرد بهتری از خود نشان داد. مدل پیشنهادی قادر به پیش‌بینی دقیق پارامترهای ریسک مختلف با دقت و حساسیت بالا می‌باشد. تحلیل اهمیت ویژگی‌ها نشان می‌دهد که عواملی مانند کیفیت پایین قطعه دریافتی از تأمین‌کننده (PPM)، اخطار کیفی به تأمین‌کننده و تحویل به‌موقع (OTD) بیشترین تأثیر را بر وقوع ریسک دارند. نوآوری این پژوهش در استفاده ترکیبی از روش‌های یادگیری ماشین و تکنیک‌های جمع‌آوری داده‌های کیفی در یک محیط صنعتی خاص و همچنین توسعه مدلی جامع برای پیش‌بینی و دسته‌بندی انواع مختلف ریسک نهفته است.