پیش ‌بینی خمشی پارچه‌ تاری پودی

پیش ‌بینی خمشی پارچه‌ تاری پودی – www.irantarjomeh.ir

مقالات ترجمه شده آماده گروه  نساجی

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

پیش ‌بینی خمشی پارچه‌های تاری پودی با استفاده از سیستم محاسباتی نرم

 چکیده

در‌ این مطالعه، ما نسبت به بررسی احتمالات پیش ‌بینی خواص خمشی پارچه‌های تاری پودی پنبه‌ای، با کاربرد دو روش اصلی محاسباتی نرم، یعنی شبکه‌ های عصبی مصنوعی (ANNs) و الگوریتم‌ های ژنتیک (GAs) اقدام می‌نماییم. به همین منظور، مقداری از پارچه‌های پنبه‌ای بی رنگ / خاکستری تولید شده با استفاده از طرح‌های بافت ساده تحت فرایندهای آهار برداری ، شستشو و آسایش قرار گرفتند. پس از آماده سازی نمونه ها، خواص خمشی آنها مورد آزمایش قرار گرفت. در مدل اول، در ابتدا یک شبکه عصبی پیش خور تشکیل شده و با استفاده از “نرخ فراگیری انطباقی پس- انتشاری” با توجه به‌ اندازه حرکت آموزش داده شد. در مدل دوم، یک استراتژی فراگیری ترکیبی (هیبرید) اتخاذ گردید. یک الگوریتم ژنتیک در ابتدا به عنوان الگوریتم فراگیری، به منظور بهینه سازی تعداد نورون ها و  وزن‌های اتصال شبکه عصبی، به کار گرفته شد. سپس از سیستم پس انتشاری به عنوان یک الگوریم جستجوی محلی جهت حاصل آوردن بهینه ‌ترین وضعیت یکپارچه استفاده شد. نتایج مدل شبکه عصبی پس انتشاری و مدل شبکه عصبی ترکیبی (هیبرید) برحسب عملکرد پیش ‌بینی آنها مورد مقایسه قرار گرفتند.

کلمات کلیدی: سختی خمشی، الگوریتم‌ های ژنتیک، مدل ترکیبی (هیبرید)، شبکه عصبی، پارچه‌های تاری پودی

۱- مقدمه

سختی خمشی یکی از مهمترین خواص پارچه‌ ها به شمار آمده و به عنوان یک مولفه کلیدی در تشریح زیر دست پارچه و ریخت آن محسوب می شود. چنین مولفه‌ای به عنوان یک عامل مشارکتی مهم در زمینه فرم پذیری پارچه،‌ رفتار پیچشی، مقاومت در برابر چروکیدگی و تاخوردگی مد نظر می باشد. تنها چنین موردی، نه بر روی حس یا زیر دست یک پارچه تاثیرگذار خواهد بود بلکه بر فرآیندهای اعمالی در زمان تولید نیز موثر می‌باشد. دانش خمشی علی‌الخصوص به هنگامی ‌مهم می باشد که سعی در اتوماسیون سازی فرایندها شامل رویه های کنترل خارج از سطح شود [۱]. برای مدلسازی دقیق رفتار خمشی پارچه، با استفاده از راه‌ حل‌های تحلیلی متعارف، نیازمند پروسه‌های ریاضی سختی خواهیم بود که حاصل آوردن آن از نقطه ‌نظر عملی مشکل است. غالب روش‌های موجود برای ساده سازی این مشکل چندین فرضیه را بکار می گیرند که بغیر از حصول پاسخ، بر روی دقت مدلسازی نیز تاثیرگذار خواهد بود. با توجه به‌ این موضوع تکنیک‌های هوش مصنوعی همانند شبکه‌های عصبی مصنوعی (ANNs) و الگوریتم‌های ژنتیک (GAs)، که نیاز به بکارگیری هر یک از فرضیه‌ها یا رویه‌های ساده سازی را ندارند،‌ از کارایی بیشتری برخوردار می‌باشند.

شبکه عصبی مصنوعی یک ابزار مدلسازی داده قدرتمند می‌باشد که قابلیت اکتساب و ارائه هر گونه از ارتباطات ورودی و خروجی را خواهد داشت. یک شبکه عصبی متشکل از عناصر ساده‌ای می‌باشد که تحت عنوان «نورون» یا «جزء پردازشی» عملیات موازی خوانده می‌شوند؛ عناصری که الهام گرفته شده از سیستم‌های نورون بیولوژیکی می‌باشند. همانند مورد که در طبیعت وجود دارد، تابع شبکه به طور گسترده‌ای از طریق اتصالات وزنی (وزن دار) بین اجزای پردازشی مشخص می‌گردد. وزن‌های این اتصالات شامل «دانش» شبکه هستند. یک شبکه عصبی به طور معمول به گونه‌ای تنظیم یا آموزش داده می‌شود تا آنکه یک درونداد (ورودی) خاص منجر به حصول یک برونداد (خروجی) خاص شود. پروسه فراگیری آموزش اقدام به تعدیل یا تنظیم‌ این مقادیر وزنی نموده و همچنین سطح خطادار را به سمت بیرون هدایت می نماید [۲]. در بین انواع مختلف الگوریتم‌ها برای آموزش شبکه عصبی، الگوریتم پس انتشاری (BP) جزء گسترده‌ترین الگوریتمهای استفاده شده می‌باشد.

۲- مواد و روش‌ها

۱-۲٫ انتخاب مواد،‌ مهیا سازی و تست

برای‌ این مطالعه مجموعه‌ای از پنجاه پارچه پنبه‌ای خاکستری که برای مصارف پوشاکی تولید شده‌اند به کار گرفته شده است.‌ این پارچه‌ها دارای طراحی/ بافتی ساده همراه با پارامترهای تولیدی مختلف (نظیر چگالی نخ و شماره‌های نخ) می‌باشند. پارچه‌های تاری پودی خاکستری تحت فرآیند آهار زنی، شستشو و استراحت مرطوبت قرار گرفتند. پس از آن‌ این پارچه‌ها تحت اتمسفر مطبوع و استاندارد برای ۶ ساعت، قبل از انجام آزمایش، نگهداری شدند. ما وزن پارچه (واحد جرم سطح)، ضخامت پارچه و خاصیت پوشش دهندگی آن را به عنوان پارامترهای ورودی برای‌ این مدل‌ها در نظر گرفتیم. وزن پارچه (g/m²) از طریق برش و وزن کردن نمونه‌ها مشخص شد و ضخامت آن نیز در فشار ۵۰ gf/cm² با استفاده از دستگاه تست کننده KES-FB3 تعیین گردید خاصیت پوشش دهندگی پارچه (K) نیز با استفاده از عبارت ذیل محاسبه شد:‌

۳- نتایج و مباحث

۱-۳٫ مدل BPNN  

پس از تکمیل آموزش شبکه (شکل ۲)، داده‌های آموزشی ورودی به منظور پیش‌بینی خروجی دوباره به داخل شبکه فراگیری تغذیه شدند. رگرسیون بین خروجی هدف و خروجی شبکه در شکل ۳ نشان داده شده است. یک همبستگی بالا (R) به میزان ۹۹/۰ بین خروجی‌های هدف و شبکه حاصل آمده است که معرف آن است که‌ این فراگیری رضایت بخش بوده است.

۴- نتیجه گیری

در‌ این تحقیق ما احتمال استفاده از شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک جهت پیش‌بینی سختی کلی خمشی پارچه‌های تاری پودی را مورد بررسی قرار داده‌ ایم. یک مدل شبکه عصبی مصنوعی بر مبنای فراگیری پس انتشاری در ابتدا توسعه یافته و عملکرد پیش‌بینی آن مورد ارزیابی قرار گرفت. به منظور ارتقای متعاقب عملکرد پیش‌بینی، یک استراتژی هیربید یا ترکیبی متشکل از الگوریتم ژنتیک و الگوریتم پس انتشاری اتخاذ گردید. دیدگاه مدل سازی هیبرید نشان دهنده نتایج  بهتری در مقایسه با مدل مستقل BPNN می‌باشد.‌ این ارتقاء در نتایج پیش ‌بینی مرتبط با قابلیت الگوریتم ‌های ژنتیک در زمینه یافتن ناحیه بهینه کلی در فضای جستجو می‌باشد. الگوریتم BP مکمل الگوریتم ژنتیک به شمار آمده و قابلیت اعمال جستجوی محلی به صورت موثر و کارا جهت حاصل آوردن ناحیه بهینه کلی را خواهد داشت.