دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Designing a System and Institutional Analysis for Achieving Family Economic Productivity Using the Viable System Model طراحی سیستم و تحلیل نهادی برای تحقق بهره‌وری اقتصادی خانواده با استفاده از مدل سیستم‌های مانا 1 25 732176 10.22034/sep.2025.2073278.1402 FA سیده اشرف موسوی لقمان نویسنده مسئول: استادیار، گروه مهندسی پیشرفت، دانشکده مدیریت، اقتصاد و مهندسی پیشرفت، دانشگاه علم و صنعت ایران، تهران، ایران 0000-0003-3405-769X سیده سارا موسوی دانشجوی دکتری، گروه مهندسی سیستم‌های هوشمند، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران 0009-0006-9267-189X میرسامان پیشوایی استاد، گروه مهندسی سیستم‌های هوشمند، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران 0000-0001-6389-6308 Journal Article 2025 10 01 In the country's five-year development plans, it is emphasized that one-third of economic growth should come from productivity. The family, as a unit of production and consumption of resources, plays an effective role in managing the flow of productivity. In the present study, first, in order to formulate a national macro-map and institutional division of labor, governance goals were set in order to achieve family economic productivity (governance issues system), and then, by applying the sustainable systems model and adapting it to the functional reference model prepared, the actors and role-makers of the family economic productivity issue in sustainable subsystems were analyzed. With library studies and interviews with experts, the institutional mapping approach was applied by using task-function and institution-function matrices to separate governance goals. Also, the role-making of actual actors based on the proposed functional framework in achieving each governance goal was analyzed. The importance of sustainable modeling, in terms of macro-architecture based on a comprehensive and systemic view, is the analysis and correct placement of actors in order to ensure the stability and survival of the system. The results show that in all goals and issues of the family economy from a governance perspective, either the actual actors have a weak role to play or there is no specific custodian to solve the problem and a severe vacuum is felt in the role-players. The general approach in the desired situation is to reduce the managerial role of government institutions and move towards empowering and supporting the family. در برنامه‌های توسعه پنج‌ساله، تأکید شده یک‌سوم رشد اقتصادی باید از بهره‌وری حاصل شود. ازآنجاکه خانواده واحد تولید و مصرف منابع است، نقش مهمی در مدیریت جریان بهره‌وری دارد. در این پژوهش، برای تدوین نقشه کلان ملی و تقسیم‌کار نهادی، ابتدا اهداف حاکمیت در تحقق بهره‌وری اقتصادی خانواده (نظام مسائل حاکمیت) تنظیم شد. سپس با بهره‌گیری از مدل سیستم‌های مانا و تطبیق آن با مدل مرجع کارکردی، بازیگران و نقش‌آفرینان بهره‌وری اقتصادی خانواده در زیرسیستم‌های مانا تحلیل شدند. با مطالعات کتابخانه‌ای و مصاحبه‌های خبرگان، رویکرد نگاشت نهادی از طریق ماتریس‌های وظیفه-کارکرد و نهاد-کارکرد به تفکیک اهداف حاکمیتی اعمال شد و نحوه نقش‌آفرینی بازیگران موجود بر اساس چارچوب کارکردی پیشنهادی برای دستیابی به هر هدف بررسی گردید. اهمیت مدل‌سازی مانا در ارائه معماری کلان، نگاه جامع سیستمی و جایابی صحیح بازیگران برای تضمین پایداری سیستم است. نتایج نشان می‌دهد در همه اهداف اقتصاد خانواده، یا نقش‌آفرینی بازیگران بالفعل ضعیف است یا اساساً متولی مشخصی وجود ندارد و خلأ جدی نهادی دیده می‌شود. رویکرد مطلوب نیز کاهش تصدی‌گری دولت و حرکت به سمت توانمندسازی و پشتیبانی خانواده است. مدل سیستم مانا به‌عنوان چارچوب روش‌شناختی کیفی مبتنی بر داده‌های واقعی، با تلفیق داده‌های اسنادی و میدانی، تحلیل مضمون و اعتبارسنجی خبرگان، مبنای طراحی مدل نهادی بهره‌وری اقتصاد خانواده قرار گرفت. مضامین و کارکردهای نهادی استخراج‌شده در قالب مدل مرجع کارکردی سازمان‌دهی شدند و سپس در پنج‌لایه مدل مانا (عملیات، هماهنگی، مدیریت و کنترل، هوشمندی و سیاست‌گذاری) جایابی و روابط سیستمی میان نهادها تعیین شد. https://systems.eyc.ac.ir/article_732176_03b1aeadf0274ecae204305a42369a37.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Closed-Loop Supply Chain Design for Glass Containers under Transportation Disruptions طراحی زنجیره‌تأمین حلقه بسته ظروف شیشه‌ای تحت اختلالات حمل‌و‌نقل 27 49 732216 10.22034/sep.2025.2073997.1407 FA حمیدرضا یزدی کارشناسی ارشد، دانشکده مهندسی صنایع، دانشکدگان فنی، دانشگاه تهران، تهران، ایران 0009-0000-9452-374X علیرضا پرورده کارشناسی ارشد، دانشکده مهندسی صنایع، دانشکدگان فنی، دانشگاه تهران، تهران، ایران 0009-0004-9659-6941 فاطمه صبوحی نویسنده مسئول: استادیار، دانشکده مهندسی صنایع، دانشکدگان فنی، دانشگاه تهران، تهران، ایران 0000-0002-7863-5028 Journal Article 2025 10 08 With the rapid rise in the use of glass containers in the food and pharmaceutical industries, demand for a sustainable and efficient packaging supply has increased significantly. At the same time, environmental concerns and regulatory requirements regarding waste recycling have turned the design of glass-container supply chains into a strategic challenge in industrial management. In response, this study proposes a three-phase hybrid approach for designing a closed-loop supply chain for glass containers under transportation-infrastructure disruption risks and uncertainty. In Phase 1, a system dynamics approach is employed to forecast customer demand. In Phase 2, suppliers are ranked using the Combined Compromise Solution (COCOSO) multi-criteria decision-making method. Building upon the outcomes of these phases, Phase 3 develops a multi-product, multi-period stochastic programming model that minimizes the total cost of the glass-container supply chain while determining decisions such as supplier selection, production quantities, transportation flows across echelons, lateral transshipments among distribution centers, recycling, disposal, and shortage management. The proposed model is implemented on three numerical examples, and the results of the sensitivity analysis on the key parameters of the problem are presented. با افزایش روزافزون مصرف ظروف شیشه‌ای در صنایع غذایی و دارویی، تقاضا برای تأمین پایدار و کارآمد این نوع بسته‌بندی به‌طور قابل‌توجهی رشد کرده است. هم‌زمان افزایش فشارهای محیط‌زیستی و الزامات قانونی مربوط به بازیافت ضایعات موجب شده است که طراحی زنجیره‌تأمین ظروف شیشه‌ای به‌عنوان یک مسئله راهبردی در مدیریت صنعتی مطرح شود. در پاسخ به این چالش‌ها، پژوهش حاضر یک رویکرد ترکیبی سه‌ فازی برای طراحی زنجیره‌تأمین حلقه بسته ظروف شیشه‌ای تحت ریسک‌های اختلالی در زیرساخت‌های حمل‌ونقل و عدم قطعیت‌ ارائه می‌دهد. در فاز اول، به‌منظور پیش‌بینی تقاضای مشتریان، از رویکرد پویایی‌شناسی سیستم‌ها بهره گرفته شده است. در فاز دوم، با به‌کارگیری روش تصمیم‌گیری چندمعیاره کوکوسو به رتبه‌بندی تأمین‌کنندگان پرداخته می‌شود. با استفاده از نتایج فازهای اول و دوم، در فاز سوم، یک مدل برنامه‌ریزی تصادفی چندمحصولی و چنددوره‌ای توسعه داده می‌شود. هدف مدل پیشنهادی حداقل کردن کل هزینه‌های زنجیره‌تأمین ظروف شیشه‌ای‌ جهت تعیین تصمیماتی از قبیل انتخاب تأمین‌کنندگان، مقدار تولید، میزان حمل‌ونقل در سطوح مختلف زنجیره، انتقال عرضی بین مراکز توزیع، بازیافت، دفع و مدیریت کمبود تقاضا است. مدل پیشنهادی بر روی سه مثال عددی پیاده‌سازی می‌شود و نتایج تحلیل حساسیت بر روی پارامترهای کلیدی مسئله ارائه می‌گردد. https://systems.eyc.ac.ir/article_732216_f63c2ca75bc510aa77c3149d1b272690.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 A Hybrid SEM–Machine Learning Framework for Improving Communication Management in Construction Projects (Case Study: Zanjan City) چارچوب ترکیبی مدل‌سازی معادلات ساختاری و یادگیری ماشین برای بهبود مدیریت ارتباطات در پروژه‌های ساختمانی (مطالعه موردی: شهر زنجان) 51 77 732290 10.22034/sep.2025.2075517.1415 FA هادی شکیبازاهد نویسنده مسئول: استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه حکیم سبزواری، سبزوار، ایران 0009-0008-9950-1636 ناصر احمدی کارشناسی ارشد، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه حکیم سبزواری، سبزوار، ایران 0009-0004-3009-9547 Journal Article 2025 10 12 The construction industry in Iran faces challenges such as delays, cost increases, and quality decline, a significant portion of which stems from weaknesses in communication management among project stakeholders. The aim of this research is to identify key factors affecting communication weaknesses and to present a hybrid model for analyzing and predicting their impact on the performance of construction projects. The present study employs a mixed exploratory-explanatory approach. In the qualitative phase, indicators related to communication weaknesses were extracted through a systematic review of sources and content analysis of documents. In the quantitative phase, data from 114 valid questionnaires from employees of construction projects in Zanjan city were analyzed using Structural Equation Modeling (SEM) and Random Forest (RF) algorithm. The SEM model results showed that information flow, project management, and alignment of human resources with organizational strategy have the greatest direct impact on project performance. The machine learning model also identified these three factors as the strongest predictive variables for communication weaknesses and achieved a prediction accuracy of 0.87 and an AUC value of 0.93. The combination of the two methods provided the possibility of simultaneous analysis of theoretical relationships and empirical prediction. The findings indicate that strengthening the project information management system, clarifying the managerial structure, and aligning human resources with organizational goals can significantly reduce the risk of poor communications. The main innovation of the research is the application of the hybrid SEM-ML approach in the context of national projects in Iran and presenting a model that, in addition to analyzing causal relationships, has the ability to rank and data-driven predict key factors. صنعت ساخت‌وساز ایران با چالش‌هایی نظیر تأخیر، افزایش هزینه و افت کیفیت مواجه است که بخش قابل‌توجهی از آن ناشی از ضعف در مدیریت ارتباطات میان ذی‌نفعان پروژه‌هاست. هدف این پژوهش، شناسایی عوامل کلیدی مؤثر بر ضعف ارتباطات و ارائه مدلی ترکیبی برای تحلیل و پیش‌بینی اثر آن‌ها بر عملکرد پروژه‌های ساختمانی است. پژوهش حاضر از رویکرد ترکیبی اکتشافی–توضیحی بهره می‌برد. در فاز کیفی، شاخص‌های مرتبط با ضعف ارتباطات از طریق مرور نظام‌مند منابع و تحلیل محتوای اسناد استخراج شد. در فاز کمی، داده‌های حاصل از ۱۱۴ پرسشنامه معتبر کارکنان پروژه‌های ساختمانی شهر زنجان با استفاده از مدل‌سازی معادلات ساختاری (SEM) و الگوریتم جنگل تصادفی (RF) تحلیل گردید. نتایج مدل SEM نشان داد که جریان اطلاعات، مدیریت پروژه و همسویی منابع انسانی با استراتژی سازمان بیشترین اثر مستقیم را بر عملکرد پروژه دارند. مدل یادگیری ماشین نیز همین سه عامل را به‌عنوان قوی‌ترین متغیرهای پیش‌بینی‌کننده ضعف ارتباطات شناسایی کرد و به دقت پیش‌بینی 87/0 و مقدار AUC برابر 93/0 دست یافت. ترکیب دو روش، امکان تحلیل هم‌زمان روابط نظری و پیش‌بینی تجربی را فراهم ساخت. یافته‌ها بیانگر آن است که تقویت سیستم مدیریت اطلاعات پروژه، شفاف‌سازی ساختار مدیریتی و هم‌راستاسازی منابع انسانی با اهداف سازمانی می‌تواند ریسک ارتباطات ضعیف را به‌طور معناداری کاهش دهد. نوآوری اصلی پژوهش در به‌کارگیری رویکرد ترکیبی SEM–ML در بستر پروژه‌های ملی ایران و ارائه مدلی است که علاوه بر تحلیل روابط علی، توان رتبه‌بندی و پیش‌بینی داده‌محور عوامل کلیدی را داراست. https://systems.eyc.ac.ir/article_732290_461a670b1e66315fd5a386e5c4359cca.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 A Novel Model Based on the ARIMA Model in Predicting Stock Prices of Tehran Stock Exchange Companies ارائه مدلی جدید بر پایه مدل ARIMA در پیش‌بینی قیمت سهام شرکت‌های بورس اوراق بهادار تهران 79 94 732324 10.22034/sep.2025.2075221.1411 FA منصوره نادری پور نویسنده مسئول: استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایرا 0000-0001-8446-5363 حدیث‌السادات حسینی کارشناسی، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران 0009-0004-2881-3895 محمدباقر جمالی استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی شیراز، شیراز، ایران 0009-0003-9940-870X Journal Article 2025 10 10 In recent years, statistical time series models—particularly the ARIMA model—have been widely used as effective tools for stock price forecasting. Despite its acceptable accuracy, the model’s sensitivity to the number of historical data points remains a major limitation in practical applications. This study aims to enhance prediction accuracy and stability by proposing a new model called RARIMA (Reset Auto Regressive Integrated Moving Average), developed based on the ARIMA framework. The proposed model employs a Fast-Learning Reset approach to reduce the effect of the selected historical data length. Stock price data from 18 companies across four industries—steel, petrochemical, banking, and automotive—were analyzed over the period April 2018 to January 2024. To evaluate model performance, the Mean Relative Error (MRE) and the TOPSIS ranking method were used to compare short-term and long-term forecasting accuracy. The results indicate that the RARIMA model improves prediction accuracy by up to 75% compared to the traditional ARIMA model, while significantly reducing its sensitivity to the size of historical data. Accordingly, the proposed model can serve as a reliable and efficient tool for financial analysts and decision-makers in the capital market. در سال‌های اخیر، مدل‌های آماری سری‌های زمانی به‌ویژه مدل ARIMA به‌عنوان یکی از ابزارهای کارآمد در پیش‌بینی قیمت سهام موردتوجه قرار گرفته‌اند. با وجود دقت قابل‌قبول این مدل، حساسیت آن نسبت به تعداد داده‌های تاریخی یکی از چالش‌های مهم در کاربردهای واقعی محسوب می‌شود. در این پژوهش، با هدف افزایش دقت و پایداری پیش‌بینی، مدلی جدید تحت عنوان RARIM مبتنی بر مدل ARIMA معرفی شده است. در این مدل از رویکرد Fast-learning Reset برای کاهش تأثیر انتخاب طول تاریخچه داده‌ها استفاده شده است. داده‌های قیمتی مربوط به ۱۸ شرکت از چهار صنعت فولاد، پتروشیمی، بانک و خودرو در بازه زمانی فروردین ۱۳۹۷ تا دی ۱۴۰۲ مورد تحلیل قرار گرفتند. برای ارزیابی عملکرد مدل، از شاخص خطای نسبی میانگین و روش رتبه‌بندی TOPSIS جهت مقایسه دقت پیش‌بینی در بازه‌های زمانی کوتاه‌مدت و بلندمدت استفاده شد. نتایج نشان داد مدل RARIMA توانسته است دقت پیش‌بینی را در مقایسه با مدل ARIMA به‌طور میانگین تا ۷۵% بهبود دهد و حساسیت مدل نسبت به طول داده‌های تاریخی را به‌طور چشمگیری کاهش دهد. بر اساس نتایج، مدل پیشنهادی می‌تواند به‌عنوان ابزاری کارآمد برای تحلیلگران مالی و تصمیم‌گیرندگان در بازار سرمایه مورداستفاده قرار گیرد. https://systems.eyc.ac.ir/article_732324_3c40185d95b475a095d7b19031aefe3a.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Designing a Model for Cultivating the System Thinking of Primary School Students in Iran طراحی الگوی پرورش تفکر سیستمی دانش‌‏آموزان دوره‌ی ابتدایی ایران 95 137 732506 10.22034/sep.2025.2073691.1404 FA منصور دهقان منشادی نویسنده مسئول: استادیار، گروه مدیریت آموزشی، دانشگاه فرهنگیان، تهران، ایران 0000-0002-9302-660X سمانه اسلامی مهدی آبادی کارشناسی ارشد، گروه تکنولوژی آموزشی، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران 0009-0008-5534-7139 Journal Article 2025 10 05 Systems thinking serves as a foundation that, through its unique capabilities, facilitates the understanding of complex issues and provides opportunities for making optimal choices for a better life. It is fitting that learning it begins from childhood in primary school. The objective of this research was to design a model for cultivating systems thinking in primary school students, conducted using the qualitative method of grounded theory. The statistical population consisted of experts in the fields of educational sciences, counseling, and psychology familiar with the primary education domain. From among them, 25 individuals were selected through theoretical sampling for in-depth interviews, and the interviews continued until theoretical saturation was achieved. The validity of the findings was assessed using member checking and pilot interviews. For the analysis of qualitative data, open, axial, and selective coding were employed. The results indicate that 1,390 initial conceptual statements, comprising 23 main categories and 90 subcategories, were identified within the six dimensions of the conceptual model, including: causal conditions (school, family, curriculum), the core phenomenon (cultivating systems thinking), contextual conditions (cognition, holistic view, managerial competencies, adequate resources and facilities, flexibility in the educational system, alignment of social institutions with the school), intervening conditions (social environment, political culture, economic system, cultural conditions), strategies (utilizing a participatory system, fostering life skills, teaching, motivational strategies), and consequences (comprehensive perspective, skill enhancement, academic success, individual development, community development). The integration of categories based on existing relationships forms the conceptual model that reflects the pattern for cultivating systems thinking in primary school students. تفکر سیستمی بستری است که به کمک قابلیت‌های ویژه‌ای که از آن برخوردار است، درک مسائل پیچیده را تسهیل و فرصت انتخاب‌های اصلح برای زندگی بهتر در اختیار آدمی قرار می‌دهد. شایسته است یادگیری آن از دوره کودکی در دبستان آغاز گردد. هدف پژوهش، طراحی الگوی پرورش تفکر سیستمی دانش‌آموزان دوره ابتدایی بود که با روش کیفی نظریه داده بنیاد انجام شد. جامعه آماری، کارشناسان رشته‌های علوم‌تربیتی، مشــاوره و روان‌شناسی و آشنا به حوزه ابتدایی بودند که از بین آن‌ها تعداد 25 نفر به‌صورت نمونه‌گیری نظری جهت مصاحبه عمیق انتخاب شدند و مصاحبه‌ها تا رسیدن به اشباع نظری ادامه یافت. اعتبار یافته‌ها با روش تطبیق توسط اعضا و انجام مصاحبه‌های آزمایشی بررسی شد. به‌منظور تجزیه‌وتحلیل داده‌های کیفی، از کدگذاری باز، محوری و گزینشی استفاده شد. نتایج گویای آن است که 1390 گزاره مفهومی اولیه با 23 مقوله اصلی و 90 مقوله فرعی در قالب ابعاد شش‌گانه مدل مفهومی شامل: موجبات علّی (مدرسه، خانواده، برنامه درسی)، پدیده اصلی (پرورش تفکر سیستمی)، شرایط زمینه‌ای (شناخت، نگاه کل‌نگر، شایستگی‌های مدیریتی، نیرو و امکانات مناسب، انعطاف‌پذیری در نظام آموزشی، همسویی نهادهای اجتماعی با مدرسه)، شرایط مداخله‌گر (محیط اجتماعی، فرهنگ سیاسی، نظام اقتصادی، شرایط فرهنگی)، راهبردها (بهره‌وری از نظام مشارکتی، پرورش مهارت‌های زندگی، آموزش، راهبردهای انگیزشی) و پیامدها (همه‌جانبه‌نگری، افزایش مهارت‌ها، موفقیت تحصیلی، توسعه فردی، توسعه جامعه) شناسایی شدند. یکپارچه‌سازی مقوله‌ها بر مبنای روابط موجود، شکل‌دهنده مدل مفهومی است که الگوی پرورش تفکر سیستمی در دانش‌آموزان ابتدایی را منعکس می‌نماید. https://systems.eyc.ac.ir/article_732506_4e32d7e7c0d42eb2f95debeb50723c1d.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Identifying Methods to Enhance Productivity of Supervisors in Gas Supply Projects Using an Integrated Approach of TRIZ and Grounded Theory (Case Study: Khorasan Razavi Gas Company) شناسایی روش‌های افزایش بهره‌وری ناظران پروژه‌های گازرسانی با استفاده از روش تلفیقی نظریه‌های تریز و داده بنیاد (مطالعه موردی: شرکت گاز خراسان رضوی) 139 161 732956 10.22034/sep.2025.2076610.1422 FA محمد ایمانی فر نویسنده مسئول: کارشناسی ارشد، رئیس اجرای طرح‌ها، گروه مهندسی و اجرای طرح‌ها، شرکت گاز خراسان رضوی، مشهد، ایران 0009-0007-0692-6268 حمیده شیخانی دکتری، مهندس اجرای شبکه گازرسانی، گروه مهندسی و اجرای طرح‌ها، شرکت گاز خراسان رضوی، مشهد، ایران 0000-0002-0460-8799 Journal Article 2025 11 04 This study systematically identifies and organizes the antecedents, consequences, and methods for improving the productivity of supervisors in gas distribution projects at the Khorasan Razavi Gas Company. Employing an interpretivist-constructivist approach, the research integrates two methodologies: grounded theory and TRIZ (specifically, Alʹtshuller’s Contradiction Matrix and the 40 inventive principles). Data were collected through semi-structured, event-based interviews with 19 supervisors. Using constructivist grounded theory within MAXQDA software, the analysis identified five primary categories influencing supervisor productivity: (1) training and empowerment, (2) motivation and job satisfaction, (3) effective organizational communication, (4) work-life balance, and (5) psychological well-being. Initiatives to enhance these factors, however, often entail significant costs, time, and energy. To resolve these inherent contradictions, the study applied the TRIZ Ideal Final Result concept and Contradiction Matrix via CREAX software, deriving nine suitable inventive principles: Merging, Prior Action, Continuity of Useful Action, Blessing in Disguise, Skipping, Feedback, Mechanical Substitution, Fluid System, and Changing Properties. The strategic application of these principles demonstrates that it is possible to enhance core productivity while simultaneously mitigating the associated resource constraints. این مطالعه به طور سیستماتیک، پیش‌نیازها، پیامدها، و روش‌های بهبود بهره‌وری ناظران در پروژه‌های توزیع گاز در شرکت گاز خراسان رضوی را شناسایی و سازماندهی می‌کند. با اتخاذ رویکرد تفسیری-سازنده‌گرایانه، پژوهش دو روش‌شناسی را ادغام می‌نماید: نظریه داده‌بنیاد و تریز (به طور خاص، ماتریس تضادهای آلتشولر و ۴۰ اصل ابداعی). داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته و مبتنی بر رویداد با ۱۹ ناظر جمع‌آوری شد. با استفاده از نظریه داده‌بنیاد سازنده‌گرایانه در نرم‌افزار MAXQDA، تحلیل پنج دسته اصلی تأثیرگذار بر بهره‌وری ناظران را شناسایی کرد: (۱) آموزش و توانمندسازی، (۲) انگیزش و رضایت شغلی، (۳) ارتباطات سازمانی مؤثر، (۴) تعادل کار-زندگی، و (۵) سلامت روانشناختی. ابتکارات برای بهبود این عوامل، اغلب هزینه‌های قابل توجه، زمان و انرژی را به همراه دارد. برای حل این تضادهای ذاتی، مطالعه از مفهوم نتیجه نهایی ایده‌آل تریز و ماتریس تضاد از طریق نرم‌افزار CREAX استفاده کرد و نه اصل ابداعی مناسب را استخراج نمود: ادغام، عمل مقدماتی، تداوم عمل مفید، تبدیل زیان به سود، پرش، بازخورد، جایگزینی مکانیکی، سیستم سیال، و تغییر ویژگی. کاربرد استراتژیک این اصول نشان می‌دهد که امکان بهبود بهره‌وری هسته‌ای همزمان با کاهش محدودیت‌های منابع مرتبط وجود دارد. https://systems.eyc.ac.ir/article_732956_f519f2462fd10c54a9b5d3653d6cdaa6.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Developing a Deep Learning-based Power Outage Predictive Model to Improve Resilience of Power Systems توسعه‌ی مدل پیش‌بینی قطعی برق مبتنی بر یادگیری عمیق برای بهبود تاب‌آوری در سیستم‌های قدرت 163 188 733212 10.22034/sep.2026.2076246.1420 FA ریحانه منتظری نجف‏ آبادی دانشجوی کارشناسی ارشد، گروه علوم داده، دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران 0009-0002-4902-3599 محمدرضا شمس نویسنده مسئول: استادیار، گروه مهندسی کامپیوتر، مرکز آموزش عالی شهرضا، دانشگاه اصفهان، اصفهان، ایران 0000-0001-6846-4838 Journal Article 2025 11 01 Unplanned power outages disrupt grid stability and increase operational costs, posing a major threat to power system efficiency. In this paper, we propose a robust outage prediction model that combines an Autoencoder-based feature extractor with a residual multi-layer perceptron (MLP) classifier. The novelty of our approach lies in its ability to maintain high predictive performance while eliminating reliance on geographic features such as latitude and longitude—commonly required by traditional models. We first train the Autoencoder on a rich, unlabeled dataset of weather and energy demand data collected over two decades (2000–2024) across Maryland, USA. The learned latent representations are then used to augment a supervised classification model trained on labeled outage data. Our final model achieves an F1-score of 81% even without location-based features, compared to 90% when using all features. This generalizability enables the deployment of predictive tools in previously unseen regions, directly enhancing grid flexibility, reliability, and system efficiency. قطعی‌های ناگهانی برق، نه‌تنها پایداری شبکه را تحت تأثیر قرار می‌دهند، بلکه موجب افزایش چشمگیر هزینه‌های عملیاتی نیز می‌شوند؛ مسئله‌ای که چالشی اساسی برای بهره‌وری سیستم‌های برقی به شمار می‌رود. در این پژوهش، مدلی کارآمد مبتنی بر یادگیری عمیق برای پیش‌بینی قطعی برق ارائه می‌شود که تلفیقی از یک ویژگی‌یاب مبتنی بر خودرمزگذار و یک طبقه‌بند چندلایه با ساختار باقی‌مانده است. آنچه این مدل را از روش‌های مرسوم متمایز می‌سازد، توانایی آن در حفظ دقت بالای پیش‌بینی بدون اتکا به ویژگی‌های مکانی نظیر عرض و طول جغرافیایی است، عواملی که اغلب در مدل‌های سنتی نقش کلیدی داشتند. در مرحله نخست روش پیشنهادی، یک خودرمزگذار بر روی مجموعه داده‌ای غنی، فاقد برچسب، شامل اطلاعات آب‌وهوایی و تقاضای انرژی در بازه زمانی بیست‌وچهارساله (2000 تا 2024) از ایالت مریلند ایالات‌متحده آموزش داده می‌شود. نمایش‌های نهفته به‌دست‌آمده از این مدل، به‌عنوان ویژگی‌های استخراج‌شده، به مدل طبقه‌بندی آموزش‌دیده بر داده‌های برچسب‌دار قطعی‌های برق افزوده می‌شوند. مدل نهایی، حتی بدون استفاده از داده‌های مکانی، موفق به کسب امتیاز F1 معادل ۸۱% شده است؛ درحالی‌که عملکرد آن با بهره‌گیری از تمامی ویژگی‌ها (شامل مختصات جغرافیایی) به ۹۰% می‌رسد. این سطح از قابلیت تعمیم‌پذیری، امکان استقرار مدل در مناطق فاقد داده‌های مکانی را فراهم کرده و درنهایت، به ارتقاء انعطاف‌پذیری، قابلیت اطمینان و بهره‌وری سیستم قدرت منجر می‌شود. https://systems.eyc.ac.ir/article_733212_01596b6698d0611b12fa27d05c03ee05.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Designing a Model of Sharing Economy Requirements for Production Systems in the Textile Industry طراحی مدل الزامات اقتصاد اشتراکی برای سیستم‌های تولیدی در صنعت نساجی 189 224 733316 10.22034/sep.2026.2075462.1414 FA علی السلطانی دانشجوی دکتری، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران 0000-0002-0867-3141 امیرمحمد فکور ثقیه نویسنده مسئول: دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران 0000-0002-7496-4764 زهرا ناجی عظیمی استاد، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران 0000-0003-1583-7244 روح الله باقری دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران 0000-0003-3154-7466 Journal Article 2025 10 22 The objective of this research is to design a model of the requirements for the sharing economy in production systems within the textile industry in southeastern Iraq—a sector that, despite its potential capacities, lacks a local framework for identifying the requirements and causal relationships of this approach. To this end, a systematic literature review was first conducted to identify the requirements. Then, the extracted indicators were prioritized using the SWARA method with the assistance of experts. Finally, by utilizing fuzzy cognitive mapping and FCMapper software, the causal relationships between factors and the influential and influenced scenarios were explained. The findings indicate that four factors—"senior management support," "supportive and regulatory policies," "stakeholder awareness," and "culture of adopting the sharing economy"—play the most significant role in the successful implementation of the sharing economy. Additionally, "identifying excess capacities and underutilized resources" as a foundational factor has the greatest impact on other requirements. Therefore, to establish the sharing economy in the textile industry in southeastern Iraq, excess capacities must first be systematically identified and activated. The proposed model can serve as a practical guide for policymakers and managers in applying the sharing economy in manufacturing industries. هدف این پژوهش، طراحی مدلی از الزامات اقتصاد اشتراکی برای سیستم‌های تولیدی در صنعت نساجی جنوب شرقی عراق است؛ بخشی که با وجود ظرفیت‌های بالقوه، فاقد چارچوبی بومی برای تشخیص الزامات و روابط علّی این رویکرد است. برای این منظور، ابتدا مرور نظام‌مند ادبیات برای شناسایی الزامات انجام شد. سپس شاخص‌های استخراج‌شده با روش سوآرا به کمک خبرگان اولویت‌بندی شدند. درنهایت، با بهره‌گیری از نگاشت شناختی فازی و نرم‌افزار FCMapper، روابط علّی بین عوامل و سناریوهای اثرگذار و اثرپذیر تبیین شد. یافته‌ها نشان داد که چهار عامل «حمایت مدیریت ارشد»، «سیاست‌های حمایتی و نظارتی»، «آگاهی ذی‌نفعان» و «فرهنگ پذیرش اقتصاد اشتراکی» بیشترین نقش را در پیاده‌سازی موفق اقتصاد اشتراکی ایفا می‌کنند. همچنین «شناسایی ظرفیت‌های مازاد و منابع کم‌استفاده» به‌عنوان عامل پایه‌ای، بیشترین اثرگذاری را بر سایر الزامات دارد. بنابراین برای استقرار اقتصاد اشتراکی در صنعت نساجی جنوب شرقی عراق ابتدا باید ظرفیت‌های مازاد به‌طور نظام‌مند شناسایی و فعال شوند. مدل ارائه‌شده می‌تواند به‌عنوان راهنمایی عملی برای سیاست‌گذاران و مدیران در به‌کارگیری اقتصاد اشتراکی در صنایع تولیدی مورداستفاده قرار گیرد. https://systems.eyc.ac.ir/article_733316_bc2d29104098dcb0e35147b05da77e83.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 An Integrated Optimization of Spare Parts Inventory Using Machine-learning–based Demand Forecasting, Taking into Account Safety Stock and Dual Lead-time Supply بهینه‌سازی یکپارچه موجودی قطعات یدکی با استفاده از پیش‌بینی تقاضا مبتنی بر یادگیری ماشین با در نظر گرفتن موجودی اطمینان و تأمین با دو زمان تحویل 225 262 733533 10.22034/sep.2026.2074035.1409 FA امید ویسی استادیار، گروه مهندسی صنایع، دانشکده مهندسی و پرواز، دانشگاه امام علی (ع)، تهران، ایران 0000-0003-2615-3753 Journal Article 2025 10 11 One of the persistent challenges in industry is achieving a balance between uninterrupted production and minimizing inventory-holding costs—an objective that traditional inventory management methods often fail to meet due to their weaknesses in forecasting irregular demand and overlooking operational constraints. In this study, we attempt to provide an integrated solution to this problem by combining accurate demand forecasting with mathematical modeling. A key strength of the proposed model is its flexibility in selecting the procurement method; that is, the system can choose the optimal option between regular purchasing and emergency purchasing based on prevailing conditions. In designing the model, real-world constraints—such as budget limits (for both critical and non-critical items) and warehouse capacity—are precisely incorporated, and the safety stock level dynamically adjusts according to demand fluctuations. The results obtained from implementing the model on data from 60 items indicate that moving away from one-dimensional policies and adopting a hybrid strategy leads to cost reduction and improved system stability, even under financial and space limitations. یکی از چالش‌های همیشگی در صنعت، برقراری تعادل میان تداوم تولید و کاهش هزینه‌های انبارداری است؛ هدفی که روش‌های سنتی مدیریت موجودی، به دلیل ضعف در پیش‌بینی تقاضاهای نامنظم و نادیده‌گرفتن محدودیت‌های اجرایی، اغلب در تحقق آن ناموفق‌اند. در این پژوهش، سعی شده با تلفیق پیش‌بینی دقیق تقاضا و مدل‌سازی ریاضی، راهکاری یکپارچه برای این مسئله ارائه شود. نقطه قوت این مدل، انعطاف‌پذیری آن در انتخاب شیوه تأمین است؛ یعنی سیستم می‌تواند بسته به شرایط، بین خرید عادی و خرید اضطراری بهترین گزینه را انتخاب کند. در طراحی این مدل، محدودیت‌های واقعی نظیر سقف بودجه (برای اقلام حیاتی و غیرحیاتی) و ظرفیت انبار دقیقاً در نظر گرفته شده‌اند و سطح موجودی اطمینان نیز متناسب با نوسانات تقاضا تغییر می‌کند. نتایج پیاده‌سازی مدل روی داده‌های ۶۰ قلم کالا نشان داد که فاصله‌گرفتن از سیاست‌های تک‌بعدی و استفاده از یک راهبرد ترکیبی، حتی در شرایط محدودیت مالی و فضا، منجر به کاهش هزینه‌ها و حفظ پایداری سیستم می‌شود. https://systems.eyc.ac.ir/article_733533_a44483915f5efd872f883ff3a263ab36.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 An Integrated Approach of FMEA, BWM-CoCoSo, and K-means for Risk Management of EPC Projects in the Petrochemical Industry یک رویکرد تلفیقی از روش‌های BWM-CoCoSo ،FMEA و K-means برای مدیریت ریسک پروژه‌های EPC در صنایع پتروشیمی 263 285 733605 10.22034/sep.2026.2081153.1449 FA اسماعیل علی نژاد نویسنده مسئول: استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی شیراز، شیراز، ایران 0000-0003-2285-3218 حسن رمضانی دانشجوی کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی شیراز، شیراز، ایران 0009-0004-2379-1818 جواد زارعی استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی شیراز، شیراز، ایران 0009-0004-5688-6434 Journal Article 2025 12 17 Effective risk management is critically important for Engineering, Procurement, and Construction (EPC) projects in the petrochemical industry, given their complex, capital-intensive, and high-risk nature. Traditional methods like Failure Mode and Effects Analysis (FMEA), despite their widespread use, suffer from limitations such as equal weighting of criteria and an inability to handle large volumes of risks efficiently. To bridge this gap, this study proposes a novel hybrid framework for the systematic identification, assessment, and prioritization of risks. The proposed model integrates the core FMEA approach with the Best-Worst Method (BWM) for determining optimal weights of Severity, Occurrence, and Detection criteria, and the Combined Compromise Solution (CoCoSo) method for precise risk ranking. A key innovation is the incorporation of the K-means clustering algorithm, which uncovers hidden patterns and groups risks with similar profiles, providing managers with a holistic view for developing integrated mitigation strategies. The framework is applied to a real-world case study in Iran's petrochemical industry involving 123 identified risks across eight dimensions. Clustering results reveal five distinct risk clusters, facilitating focused attention on critical areas. Furthermore, the final CoCoSo ranking identifies the most significant risks in domains such as knowledge management from past projects, price volatility of equipment, and integrated information management. This integrated framework serves as a strategic tool, enhancing the capability of EPC project managers in optimal resource allocation and effective response planning for complex project risks. مدیریت ریسک در پروژه‌های مهندسی، تدارکات و ساخت (EPC) صنایع پتروشیمی، به دلیل ماهیت پیچیده، سرمایه‌بر و پرخطر این پروژه‌ها، از اهمیت حیاتی برخوردار است. باوجود کاربرد گسترده روش‌های مرسومی مانند تجزیه‌وتحلیل حالات بالقوه خطا (FMEA)، محدودیت‌هایی از قبیل وزن یکسان معیارها و ناتوانی در پردازش حجم انبوه ریسک، کارایی آن را کاهش می‌دهد. این مقاله با هدف پر کردن این شکاف، یک چارچوب ترکیبی نوین برای شناسایی، ارزیابی و اولویت‌بندی سیستماتیک ریسک‌ها پیشنهاد می‌دهد. روش پیشنهادی، رویکرد FMEA را با روش بهترین-بدترین (BWM) برای تعیین وزن بهینه معیارها و با روش تصمیم‌گیری چندمعیاره CoCoSo برای رتبه‌بندی دقیق ریسک‌ها تلفیق می‌کند. دیگر نوآوری اصلی این مدل، ادغام الگوریتم خوشه‌بندی K-means است که امکان کشف الگوهای پنهان و گروه‌بندی ریسک‌ها با مشخصات مشابه را فراهم می‌سازد، تمرکز بر ریسک‌های بحرانی را تسهیل می‌کند و به مدیران دید کلانی برای اتخاذ راهکارهای مدیریتی ارائه می‌دهد. مدل پیشنهادی بر روی یک مطالعه موردی واقعی در صنعت پتروشیمی ایران با ۱۲۳ ریسک شناسایی‌شده اعمال شده است. نتایج نشان می‌دهد که رتبه‌بندی CoCoSO، مهم‌ترین ریسک‌ها را در حوزه‌هایی مانند مدیریت دانش پروژه‌های قبلی، نوسانات قیمت تجهیزات و مدیریت اطلاعات یکپارچه شناسایی کرده است. چارچوب یکپارچه پیشنهادی می‌تواند به‌عنوان ابزاری راهبردی، توانمندی مدیران پروژه‌های EPC پتروشیمی را در تخصیص بهینه منابع و تدوین پاسخ‌های مؤثر به ریسک‌های پیچیده افزایش دهد. https://systems.eyc.ac.ir/article_733605_2aea18e2d13b04848552d39443a9b9a6.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Reinforcement Learning Framework for Workload Distribution and Scheduling in Multi-Model Production Lines چارچوبی ترکیبی مبتنی بر یادگیری تقویتی برای توزیع بار کاری و زمان‌بندی در خطوط مونتاژ مدل ترکیبی 287 301 734036 10.22034/sep.2026.2077232.1426 FA فهیمه تنهایی استادیار، گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه کوثر بجنورد، بجنورد، ایران 0000-0002-1388-9289 Journal Article 2025 11 09 This study introduces an innovative approach to addressing the dual challenges of line balancing and sequencing in mixed-model assembly lines through the integration of artificial intelligence. By combining deep neural networks (DNNs) and reinforcement learning (RL), the proposed framework simultaneously optimizes workstation load distribution and task ordering. Historical production data—including task processing times, the total number of workstations, and inter-task dependencies—were collected and structured into predictive models. A Deep Q-Network (DQN)-based RL agent was developed to dynamically assign tasks to stations and determine their execution sequence in real time, aiming to minimize makespan and maximize overall line efficiency. In parallel, DNNs were employed to forecast task processing durations and evaluate the feasibility of relocating tasks across stations. Numerical experiments using real-world production data demonstrate that the proposed method significantly reduces idle time, decreases task waiting periods, and streamlines workflow continuity. Furthermore, benchmarking against conventional optimization techniques—such as Genetic Algorithms and Simulated Annealing—highlights the advantages of this machine learning–driven strategy, particularly in achieving near-optimal solutions more rapidly and with greater adaptability. این مطالعه، رویکردی نوآورانه برای مواجهه با چالش‌های دوگانه «بالانس خط» و «توالی‌سازی» در خطوط مونتاژ ترکیبی، از طریق ادغام هوش مصنوعی ارائه می‌دهد. با تلفیق شبکه‌های عصبی عمیق و یادگیری تقویتی، چارچوب پیشنهادی به‌طور هم‌زمان توزیع بار کاری ایستگاه‌ها و ترتیب اجرای وظایف را بهینه می‌سازد. داده‌های تاریخی تولید شامل زمان‌های پردازش وظایف، تعداد کل ایستگاه‌ها و وابستگی‌های بین وظایف، جمع‌آوری و در قالب مدل‌های پیش‌بینیکننده ساختاردهی شدند. یک عامل یادگیری تقویتی مبتنی بر شبکه Q عمیق توسعه داده شد تا وظایف را به‌طور پویا و در زمان واقعی به ایستگاه‌ها تخصیص دهد و ترتیب اجرای آن‌ها را مشخص کند، با هدف حداقل‌سازی زمان کل تولید و حداکثرسازی کارایی کلی خط. به‌موازات، از شبکه‌های عصبی عمیق برای پیش‌بینی مدت زمان پردازش وظایف و ارزیابی امکان جابه‌جایی وظایف بین ایستگاه‌ها استفاده شد. آزمایش‌های عددی با استفاده از داده‌های واقعی تولید نشان می‌دهد که روش پیشنهادی به‌طور چشمگیری زمان بیکاری را کاهش می‌دهد، دوره‌های انتظار وظایف را کوتاه می‌کند و تداوم جریان کار را بهبود می‌بخشد. افزون بر این، مقایسه با روش‌های بهینه‌سازی مرسوم مانند الگوریتم‌های ژنتیک و تَبرید شبیه‌سازی‌شده مزایای این راهبرد مبتنی بر یادگیری ماشین را برجسته می‌سازد؛ به‌ویژه در دستیابی به راه‌حل‌های نزدیک به بهینه با سرعت بیشتر و انعطاف‌پذیری بالاتر. https://systems.eyc.ac.ir/article_734036_0a2efa98a1257072d72bdbc3f00e92e9.pdf

دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 3 2026 11 22 Predicting the Response of an Engineering System by Developing a Data-Driven Surrogate Model Based on Artificial Neural Networks as an Alternative to Finite Element Analysis پیش‌بینی پاسخ یک سیستم مهندسی با توسعه‌ی یک مدل جانشین داده‌محور مبتنی بر شبکه‌ عصبی مصنوعی به‌عنوان جایگزین تحلیل اجزای محدود 303 341 734067 10.22034/sep.2026.2082317.1452 FA مسعود ولی‌دوست کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه ایوان‌کی، ایوان‌کی، ایران 0009-0002-4247-9614 توحید میرزابابای مستوفی استادیار ، گروه مهندسی مکانیک، دانشگاه ایوان‌کی، ایوان‌‎کی، ایران 0000-0002-0460-8799 محمد وهاب موسوی نویسنده مسئول: استادیار، گروه مهندسی مکانیک، دانشگاه جامع امام حسین(ع)، تهران، ایران 0000-0001-8871-0311 هاشم بابایی استاد، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران 0000-0002-4001-1279 Journal Article 2025 12 20 This study introduces a data‑driven surrogate model based on the Group Method of Data Handling (GMDH) approach, which utilizes artificial neural networks to replace computationally intensive engineering methods such as Finite Element Analysis (FEA), thereby enhancing simulation system efficiency. The approach was developed by focusing on the nonlinear relationships between dimensionless input parameters—including system characteristics (geometry and material properties), operational conditions (impact energy and strain rate)—and the primary output, namely the permanent deformation‑to‑thickness ratio of the sheet. An experimental dataset comprising 65 data points was compiled from actual tests employing hydrodynamic processes to apply loading. The GMDH network, with a 12‑layer architecture and 120 parameters, was trained after data standardization and splitting into training (67%) and test (33%) sets. Its performance was evaluated using metrics such as RMSE (0.884), MAE (0.711), MAPE (6.673%), R² (0.989), and the Willmott index (0.997), which demonstrate high accuracy, absence of overfitting, and a significant reduction in computational time (to seconds versus hours for FEA), thereby improving efficiency in industrial system management. Intrinsic sensitivity analysis, local sensitivity analysis (based on elasticity and partial derivatives), and uncertainty analysis with a confidence band of 0.2167 ranked the importance of input parameters and highlighted the dominant role of operational factors in system optimization. The research innovations include the integration of laboratory data for holistic real‑system modeling, provision of input‑output mapping, and reduction of simulation costs, making the model suitable for industrial applications in manufacturing process optimization and productivity enhancement in automotive industries, and taking a step toward AI‑driven design in systems engineering. این تحقیق، یک مدل جانشین داده‌محور مبتنی بر روش گروهی پردازش داده‌ها (GMDH) را معرفی می‌کند که از شبکه‌های عصبی مصنوعی برای جایگزینی روش‌های محاسباتی سنگین مهندسی مانند تحلیل اجزای محدود (FEA) بهره می‌برد و بهره‌وری سیستم‌های شبیه‌سازی را افزایش می‌دهد. این رویکرد با تمرکز بر روابط غیرخطی بین پارامترهای ورودی بی‌بعد شامل ویژگی‌های سیستم (هندسه و خواص مواد)، شرایط عملیاتی (انرژی ضربه و نرخ کرنش)، و خروجی اصلی یعنی نسبت تغییرشکل دائمی به ضخامت ورق توسعه یافته است. مجموعه داده‌های تجربی شامل ۶۵ نقطه از آزمایش‌های واقعی تهیه شد که از فرآیندهای هیدرودینامیکی برای اعمال بارگذاری استفاده می‌کند. شبکه GMDH با معماری ۱۲ لایه و ۱۲۰ پارامتر، پس از استانداردسازی داده‌ها و تقسیم به مجموعه‌های آموزش (۶۷%) و آزمون (۳۳%)، آموزش دید و عملکرد آن با معیارهایی مانندRMSE (884/0)۰،MAE (711/0)، MAPE (673/%6)، R² (989/0)، و شاخص ویلموت (997/0) ارزیابی گردید که دقت بالا، عدم بیش‌برازش، و کاهش چشمگیر زمان محاسباتی (تا ثانیه‌ها در مقابل ساعت‌ها برای FEA) را نشان می‌دهد که این امر بهره‌وری در مدیریت سیستم‌های صنعتی را ارتقا می‌بخشد. تحلیل حساسیت ذاتی، محلی (بر اساس الاستیسیته و مشتقات جزئی)، و تحلیل عدم قطعیت با عرض باند 2167/0، اهمیت پارامترهای ورودی را رتبه‌بندی کرد و نقش غالب عوامل عملیاتی در بهینه‌سازی سیستم را برجسته نمود. نوآوری‌های تحقیق شامل ادغام داده‌های آزمایشگاهی برای مدل‌سازی یکپارچه سیستم‌های واقعی، ارائه نگاشت ورودی-خروجی، و کاهش هزینه‌های شبیه‌سازی است که این مدل را برای کاربردهای صنعتی در بهینه‌سازی فرایندهای تولید و افزایش بهره‌وری در صنایع خودروسازی مناسب می‌سازد و گامی به سوی طراحی مبتنی بر هوش مصنوعی در مهندسی سیستم‌ها برمی‌دارد. https://systems.eyc.ac.ir/article_734067_2c682334e671adc700625a62fa6f504c.pdf