ارزیابی عوامل موثر بر قیمت سنگ آهن با استفاده از شبکه های عصبی مصنوعی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,551

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IOPMC03_005

تاریخ نمایه سازی: 28 شهریور 1394

چکیده مقاله:

آهن یکی از پر کاربردترین فلزات در جهان محسوب میشود. قیمت جهانی سنگ آهن بر اساس میزان عرضه و تقاضای آنتعیین میشود. پارامترهای متعددی همچون قیمت فولاد، شاخص تولید ناخالص داخلی، قیمت نفت خام، قیمت آلومینیوم،قیمت طلا، نرخ بهره، نرخ تورم، ارزش دلار، ارزش سهام و میزان تولید آهن و فولاد بر قیمت جهانی سنگ آهن مؤثرهستند. با توجه به تعدد پارامترهای مؤثر و پیچیدگی روابط میان آنها، می توان از روش های مبتنی بر هوش مصنوعی نظیرشبکه های عصبی مصنوعی برای پیش بینی قیمت سنگ آهن استفاده نمود. در این مقاله، با استفاده از شبکه عصبیمصنوعی مدلی برای پیش بینی قیمت ماهیانه سنگ آهن ارائه شده است. با مقایسه انواع شبکه ها، شبکه بهینه با چهار لایهپیشخور و الگوریتم آموزش پس انتشار خطا شامل 5 نرون در لایه ورودی، 12 نرون در لایه پنهان اول، 15 نرون در لایهپنهان دوم و 1 نرون در لایه خروجی بدست آمد. همچنین خطای نسبی، خطای مطلق، VAR, RMSE و ضریب R2بدست آمده برای شبکه بهینه به ترتیب برابر 0/039، 0/033، 9/759، 97/759، 97/738 و 0/978 می باشد. در نهایت پس از انجام آنالیز حساسیت مشخص گردید که پارامترهای تولید ناخالص داخلی چین، قیمت طلا و قیمت نفت به ترتیب بیشترین تأثیرو پارامترهای نرخ بهره، نرخ تورم و ارزش دلار به ترتیب کمترین تاثیر را در بین پارامترهای ورودی بر قیمت سنگ آهن دارند.

نویسندگان

محمدرضا مقدم

دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه آزاد اسلامی واحد تهران جنوب

مسعود منجزی

دانشیار بخش مهندسی معدن، دانشگاه تربیت مدرس تهران

امیرحسین مهردانش

دانشجوی دکتری مهندسی معدن، دانشگاه تربیت مدرس تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A lvarez, A.E. Vigil, A., C.Gonza lez-Nicieza, (2012). Predicting blasting ...
  • Barami, _ Monjezi, M., Goshtasbi, K., Ghazvinian, A, (2010). Prediction ...
  • Haykin, s. (1999). Neural networks, A comprehensive foundation, Second edition, ...
  • Lundmark, R., Nilsson, M. (2003), What do economic simulations tell ...
  • Malanichev, A. and Vorobyev, P., (2011) Forecast of global steel ...
  • Ross, T.J., (2004). Fuzzy logic with engineering applications, Second Edition, ...
  • We iminMa, XiaoxiZhu n, M iaomiaoWang, (2013), Forecasting iron ore ...
  • Mining MS Student, Islamic Azad University, Tehran-Jonob Branch, M1 1 ...
  • نمایش کامل مراجع