فرآورده‌های نفتی عاملی موثر در رشد و توسعه‌ی اقتصادی تلقی می‌شود و در عملکرد بخش‌های مختلف اقتصادی نقش چشم‌گیری ایفا می‌کند. از این‌رو مسئولان کشور باید تلاش کنند تا با پیش‌بینی هر چه دقیق‌تر مصرف فرآورده‌های نفتی و برنامه‌ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای فرآورده‌های نفتی را به نحو مطلوب کنترل کنند. پیش‌بینی تقاضای انرژی و فرآورده‌های نفتی با استفاده از شبکه‌های عصبی مصنوعی، موضوع مطالعات بسیاری می‌باشد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می‌شود تا دقت و عملکرد شبکه‌های عصبی مصنوعی افزایش یابد. در اکثر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه‌های عصبی مصنوعی استفاده می‌شود. روش سعی و خطا برای رسیدن به مناسب‌ترین ساختار شبکه‌های عصبی مصنوعی راه حل مطمئنی نمی‌باشد. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب‌ترین ساختار شبکه‌های عصبی مصنوعی به منظور پیش‌بینی تقاضای فرآورده‌های نفتی در استان هرمزگان مشخص می‌شود. ورودی‌های شبکه‌عصبی مصنوعی عبارتند از جمعیت، تولید ناخالص داخلی، صادرات، واردات و تعداد خودروهای بنزین‌سوز. تجزیه و تحلیل واریانس پارامترهای شبکه‌های عصبی مصنوعی نشان می‌دهد که تعداد نرون در لایه پنهان اول بیشترین سهم مشارکت را در تغییر میانگین مربع خطای شبکه دارد و سهم مشارکت آن حدود 40% می‌باشد. سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. نتایج حاصل از تحقیق حاضر نشان می‌دهد که شبکه‌های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده‌اند، عملکرد بهتری نسبت به شبکه‌هایی که به صورت سعی و خطا طراحی شده‌اند، دارند.
کد نوشتار : 329959