روش طراحی آزمایشات تاگوچی

تأخیر در تأمین نفت گاز، پیامدهای سیاسی، اجتماعی و اقتصادی وسیعی را به دنبال دارد؛ بنابراین پیش بینی دقیق تقاضای نفت گاز بسیار مهم است. استفاده از شبکه های عصبی مصنوعی در پیش بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در بیشتر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود که برای رسیدن به مناسب ترین ساختار شبکه های عصبی مصنوعی راه حل مطمئنی نیست. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب ترین ساختار شبکه های عصبی مصنوعی به منظور پیش بینی تقاضای نفت گاز در استان هرمزگان مشخص می شود. تجزیه و تحلیل واریانس پارامترهای شبکه های عصبی مصنوعی نشان می دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تغییر میانگین مربع خطای شبکه حدود 41% و سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. همچنین نتایج نشان می دهد که شبکه های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده اند، نسبت به سایر شبکه ها عملکرد بهتری دارند. Asbstract The delay in the supply of gasoil has wide Consequences of political, social and economic. Therefore, the gasoil demand forecasting is very important. The use of artificial neural networks in forecasting has many applications. Appropriate design of ANN parameters enhances performance and accuracy of the neural network model. Trial and error method is used to setting the ANN parameters in the most of studies. Trial and error method is not a reliable solution to achieve the best ANN structure. In the present study, the optimum structure of ANN to forecasting the demand of gasoil in the province of Hormozgan determined by Taguchi experimental design method. Analysis of variance (ANOVA) of the ANN parameters indicates that contribution of the number of neurons in first hidden layer to the changes in the network mean square error (MSE) is about 41% and contribution of the learning algorithm is about 27%. Also, the results of this study show that artificial neural networks are designed using Taguchi experimental design method have better performance than other Networks. Keywords: Forecasting; Gasoil; Artificial Neural Networks; Taguchi Experimental Design Method