Evaluating the cutting rate (CR) of stones is important in the cost estimation and the planning of the stone processing plants. This research used regression models to estimate the stones’ CR based on their physico-mechanical characteristics. Stone processing factories in Mahallat City (Markazi province, Iran) were visited, and the CR of diamond circular saws was recorded on six different travertine stones. Next, the stone block samples were collected from the quarries for laboratory tests. Stones’ porosity (n), uniaxial compressive strength (UCS), and Schmidt hammer hardness (SH) were determined in the laboratory as their physico-mechanical characteristics. Correlation relationships of CR with physico-mechanical characteristics were evaluated using simple and multiple regression analyses, and estimator models were developed. Results showed that multiple regression models are more reliable than simple regression for estimating the stones’ CR. The validity of the developed multiple regression models was verified with the published data of one researcher. The findings indicated that these models are accurate enough for estimating the CR of stones. Consequently, the multiple regression models provide practical advantages for estimating the CR and save time and cost during the planning and design of the stone processing factories.

This study aimed to estimate the genetic parameters of body weight traits in Markhoz goats, using B-spline random regression models. The data used in this study included 19549 records collected during 29 years (1992-2021) in Markhoz goat Breeding Research Station, located in Sanandaj, Iran. The model used to analyze data included fixed effects (year of birth, sex, type of birth and age of dam) and random effects including direct additive genetic, maternal additive genetic, permanent environmental and maternal permanent environmental assuming homogeneous and heterogeneous residual variance during the time. Akaike (BIC) and Bayesian (BIC) information criteria were used to compare the models and bspq.4.4.4.4 was selected as the best model. The direct heritability values for birth, 3-month, 6-month, 9-month and 12-month weights were estimated to be 0.14, 0.16, 0.08, 0.28 and 0.26, respectively. Genetic correlation between body weights at birth and 3-month, birth and 6-month, birth and 9-month, birth and 12-month, 3-month and 6-month, 3-month and 9-month, 3-month and 12-month, 6-months and 9-month and 9-month and 12-month were 0.22, 0.38, 0.21, 0.56, -0.26, 0.30, 0.62, 0.86 and 0.77, respectively. The highest phenotypic correlation was between the weight of 9-month and 12-month (0.82) and the lowest correlation was between birth weight and 3-month and 6-month (0.12). The results showed that the 9-month weight is a good criterion for selection in Markhoz goats.

پیش بینی سود از دیرباز موردتوجه پژوهشگران بوده است. علاوه بر این یکی از مهم ترین معیارهای تصمیم گیری برای سرمایه گذاران و اعتباردهندگان پیش بینی سیاست تقسیم سود شرکت ها است. در این راستا، در پژوهش حاضر با آگاهی از موفقیت نسبی مدل های خطی و رگرسیونی در رضایت پژوهشگران در پیش بینی برخی مسائل مالی نظیر سیاست تقسیم سود و با استفاده از مدل های تک متغیره و چند متغیره شبکه عصبی، به پیش بینی سیاست تقسیم سود در 183 شرکت پذیرفته شده بورس اوراق بهادار تهران طی سال های 1390 تا 1394 شامل 915 سال-شرکت پرداخته ایم. متغیرهای مورداستفاده در این پژوهش بر اساس الگوی پژوهش مارش و مرتون (1987) انتخاب شده است. نتایج نشان می دهد استفاده از شبکه های عصبی چندمتغیره نسبت به مدل شبکه عصبی تک متغیره، در پیش بینی سیاست تقسیم سود، قدرت پیش بینی را افزایش می دهد، بنابراین بر اساس نتایج پژوهش پیشنهاد می شود سهامداران، سرمایه گذاران برای پیش بینی سیاست تقسیم سود شرکت های پذیرفته شده در بورس اوراق بهادار تهران از شبکه های عصبی مصنوعی چندمتغیری استفاده کنند.

سابقه و هدف: از جمله عوامل حایز اهمیت در مدیریت و برنامه ریزی منابع آب پیش بینی مقدار رواناب می باشد. با افزایش دقت در پیش بینی رواناب رودخانه مدیریت و برنامه ریزی کارآمدتری صورت می گیرد بنابراین بهبود مدلسازی پیش بینی رواناب امری ضروری است. اولین هدف از این مطالعه ارزیابی کارایی مدلهای رگرسیون چندمتغیره خطی، درخت تصمیم M5 و سری زمانی در پیشبینی رواناب رودخانه است. هدف دوم بررسی مقیاس زمانی مدلسازی (ماهانه و فصلی) و نیز تاثیر ورودی های مدل (یک متغیر با گام های تاخیر و چند متغیر با گامهای تاخیر) بر دقت مدلهای مورد مطالعه است. مواد و روش ها: در این پژوهش حوضه آبریز ناورود واقع در غرب استان گیلان جهت منطقه مطالعاتی انتخاب گردیده است. داده های مورد نیاز دو ایستگاه خرجگیل در سال های 1398-1368 و خلیان در سال های 1397-1375 شامل دبی، بارش و دما در مقیاس زمانی ماهانه از آب منطقه ای استان گیلان جمع آوری شده است. مقدار رواناب توسط داده های دریافت شده در بازه زمانی ماهانه و فصلی با استفاده سه مدل رگرسیون چند متغیره خطی، سری زمانی و درخت تصمیم M5 در دو رویکرد متفاوت پیش بینی شده است. رویکرد اول متغیرهای ورودی به مدل شامل دبی، بارش و دما با 3 گام تاخیر زمانی و در رویکرد دوم تنها متغیر دبی با 3 گام تاخیر زمانی بوده است. شاخص های ارزیابی در این پژوهش شامل میانگین انحراف خطا (MBE)، ضریب کارایی نش (NSE) و ضریب تعیین (R^2) می باشد. یافته ها یافته ها: در رویکرد اول و در پنجره زمانی ماهانه مدل درخت تصمیم M5 با شاخص MBE، NSE 04/0-، 80/0 (آموزش) و 01/0، 72/0 (آزمون) در ایستگاه خرجگیل و 01/0-، 79/0 (آموزش) و 00/0، 82/0 (آزمون) در ایستگاه خلیان بعنوان مدل منتخب انتخاب می گردد. در گام زمانی فصلی نیز مقادیر شاخص ها برای مدل درخت تصمیم M5 در ایستگاه خرجگیل برابر. برابر 02/0، 78/0 (آموزش) 02/0-، 86/0 (آزمون) و در ایستگاه خلیان نیز 01/0-، 79/0 (آموزش) و 00/0، 86/0 (آزمون) می باشد و این مدل در گام زمانی فصلی در رویکرد اول نیز بهترین مدل مورد مطالعه بوده است. رویکرد دوم در هر دو گام زمانی ماهانه و فصلی منجر به یافته های متفاوتی شده است. در رویکرد دوم در گام زمانی ماهانه مقادیر شاخصها برای مدل سری زمانی در دو مرحله آموزش و آزمون در ایستگاه خرجگیل بهترتیب برابر 05/0-، 47/0 و 10/0، 52/0 و در ایستگاه خلیان برابر با 02/0-، 63/0 و 02/0، 49/0 بوده است. در گام زمانی فصلی نیز مقادیر شاخص های مدل منتخب در دو مرحله آموزش و آزمون در ایستگاه خرجگیل 42/0-، 58/0 و 06/0، 83/0 و خلیان 09/0، 40/0 و 10/0-، 62/0 می باشد. در گام زمانی فصلی نیز مدل سری زمانی مدل منتخب در رویکرد دوم می باشد نتیجه گیری: نتایج حاصل از این پژوهش حاکی از آن است که در رویکرد اول در هر دو ایستگاه و در هر دو گام زمانی مدل درخت تصمیم M5 دقت بالاتری در پیش بینی نسبت به دو مدل دیگر از خود نشان داده است در حالیکه در رویکرد دوم مدل درخت تصمیم نتایج با دقت بالا از خود نشان نمی دهد و در مقابل مدل سری زمانی دقت بالاتری نسبت به دو مدل دیگر در هر دو ایستگاه و هر دو گام زمانی داشته است. یافته های این مطالعه بر این موضوع تاکید دارد که رویکرد مورد استفاده در انتخاب ورودی های مدل می تواند به شکل کامل موثری دقت مدلسازی و مدل منتخب را تحت تاثیر قرار دهد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.