TY - JOUR ID - 57112 TI - ارزیابی کارایی شبکه‌های عصبی مصنوعی در مدل‌سازی زمان وینچینگ Timber Jack 450 C JO - نشریه جنگل و فرآورده های چوب JA - JFWP LA - fa SN - 5052-2008 AU - بیاتی, هادی AU - نجفی, اکبر AU - عبدالمالکی, پرویز AD - دانشجوی دکتری مهندسی جنگل دانشکدة منابع طبیعی دانشگاه تربیت مدرس، نور، ایران AD - دانشیار گروه جنگلداری دانشکدة منابع طبیعی دانشگاه تربیت مدرس، نور، ایران AD - دانشیار گروه بیوفیزیک دانشکدة علوم زیستی دانشگاه تربیت مدرس، تهران، ایران Y1 - 2015 PY - 2015 VL - 68 IS - 4 SP - 757 EP - 769 KW - بهره‌برداری جنگل KW - پرسپترون چندلایه KW - تابع شعاع مدار KW - زمان‌سنجی KW - وینچینگ KW - هوش مصنوعی DO - 10.22059/jfwp.2015.57112 N2 - برآورد تولید تجهیزات جنگلی بخش مهمی از مدیریت هزینه‌ها در یک واحد جنگلداری است که با کاهش هزینه‌های عملیات همراه است. به عبارت دیگر، هزینه‌‌های بالای سرمایه‌گذاری در بهره‌برداری از جنگل دلیل خوبی برای تحقیقات مهندسی جنگل و همچنین مدل‌سازی زمان است. در این مطالعه از یکی از زیرمجموعه‌‌های هوش مصنوعی، که شبکه‌های عصبی مصنوعی نامیده می‌شود، به منظور مدل‌سازی زمان وینچینگ Timber Jack 450C، در جنگل‌های نکاچوب استفاده شد. برای جمع‌آوری داده‌های زمان وینچینگ روش مطالعة زمانی پیوسته به کار رفت. هم‌زمان با اندازه‌گیری زمان وینچینگ، عوامل مؤثر بر زمان وینچینگ‌ـ مانند شیب وینچینگ، فاصلة وینچینگ، تعداد بینه در هر نوبت وینچینگ، و حجم بار در هر نوبت وینچینگ‌ـ نیز بررسی شد. برای مدل‌سازی زمان وینچینگ، به کمک شبکه‌های عصبی مصنوعی، از دو شبکة عصبی پرسپترون چندلایه و تابع شعاع مدار استفاده شد. همچنین، به منظور مقایسة دقت شبکة عصبی مصنوعی با روش رایج رگرسیون، به کمک تحلیل رگرسیون، مدل ریاضی پیش‌بینی زمان وینچینگ تهیه شد. نتایج نشان داد شبکة عصبی RBF در مقایسه با شبکة MLP در پیش‌بینی زمان وینچینگ دقت بیشتری دارد. در هر دو شبکه متغیر فاصلة بینه تا مرکز مسیر چوب‌کشی بیشترین اهمیت را داشت. همچنین، مقایسة نتایج روش رگرسیون و شبکة عصبی نشان داد شبکه‌های عصبی مصنوعی دقت بیشتر و خطای کمتری در برآورد زمان وینچینگ دارند. UR - https://jfwp.ut.ac.ir/article_57112.html L1 - https://jfwp.ut.ac.ir/article_57112_a259fcfea4ef2b7bf33c1b28e40bf511.pdf ER -