1
عضو هیات علمی گروه عمران، دانشکده عمران و معماری دانشگاه ایوان‌کی
2
معاون پزوهشی و فناوری
چکیده
وابستگی دنیای امروز به فناوری ، نیاز بشر را به محصولات تولید شده از سنگ آهن بیشتر میکند و پیش بینی ها حاکی از آن است که تا سال 2035 میزان تقاضای فولاد 60 درصد افزایش یابد (محمدی ، سلطانی محمدی و بخشنده امنیه 1392). به همین دلیل پیش بینی قیمت فلزات از جمله سنگ آهن با استفاده از روش های کمی و کیفی نظیر مطالعه فنی اقتصادی بازار ،مطابقت زیادی با واقعیت نداشته است . یکی از روش‌های متداول بررسی قیمت‌ها، روش سری‌های زمانی است. در این پژوهش، با مدل‌سازی و استفاده از تحلیل سری زمانی به کمک شبکه عصبی پویا، به پیش‌بینی قیمت سنگ‌آهن پرداخته‌شده است. در ادامه، با به‌کارگیری روش شبکه عصبی مصنوعی و با توجه به قیمت ماهانه سنگ‌آهن و عوامل مؤثر بر نوسانات آن، قیمت سنگ‌آهن برآورد شده و سپس نتایج به‌دست‌آمده، ازنظر قابلیت پیش‌بینی مورد ارزیابی قرار گرفت. مدل شبکه عصبی بهینه با 3 لایه و 10 نرون قیمت سنگ‌آهن را با دقت بسیار مناسب برآورد کرده است. در این مدل مقدار خطای آموزش در حدود 7/1% و برای اعتبار سنجی برابر 3/2% و خطای آزمون 5/1% است. همچنین مقدار رگرسیون و همبستگی داده‌ها در سطح اعتماد 95% و مقدار همبستگی بالا با R2=0.98 نشان‌گر یک مدل خوب و با دقت مناسب است.
فرجیان, پوریا, & فرجیان, نیما. (1401). پیش‌بینی قیمت جهانی سنگ آهن با استفاده از شبکه های عصبی. مهندسی سیستم و بهره وری, 2(3 (پاییز 1401)), 113-126.
MLA
پوریا فرجیان; نیما فرجیان. "پیش‌بینی قیمت جهانی سنگ آهن با استفاده از شبکه های عصبی". مهندسی سیستم و بهره وری, 2, 3 (پاییز 1401), 1401, 113-126.
HARVARD
فرجیان, پوریا, فرجیان, نیما. (1401). 'پیش‌بینی قیمت جهانی سنگ آهن با استفاده از شبکه های عصبی', مهندسی سیستم و بهره وری, 2(3 (پاییز 1401)), pp. 113-126.
VANCOUVER
فرجیان, پوریا, فرجیان, نیما. پیش‌بینی قیمت جهانی سنگ آهن با استفاده از شبکه های عصبی. مهندسی سیستم و بهره وری, 1401; 2(3 (پاییز 1401)): 113-126.
)