عملکرد مدل ANN به مجموعه داده های آموزشی بستگی دارد. در این مطالعه از یک شبکه پرسپترون چندلایه MLP استفاده شده که به صورت پیش‌خور عمل می‌کند (سه لایه). نرون‌های لایه پنهان از توابع تبدیل تانژانت سیگموئید و نرونهای لایه خروجی از توابع تبدیل خطی به منظور تابع فعالیت استفاده می‌کنند. بالغ بر ۶۱ آزمایش مختلف به طور تصادفی به سه مجموعه زیر تقسیم شدند: ۷۰% برای مجموعه آموزشی، ۱۵% برای مجموعه ارزیابی و ۱۵% برای مجموعه آزمایشی (جدول۴-۲). تقسیم شدن داده ها درون زیر مجموعه های آموزش، آزمایش و ارزیابی به منظور برآورد عملکرد NN برای پیش بینی داده های مشاهده نشده صورت گرفت که برای زیر مجموعه آموزش مورد استفاده قرار نگرفته بودند.

توزیع این داده ها در شکل (۴-۱) نشان داده شده است.
شکل(۴-۱) توزیع زیر مجموعه داده های (a) آموزشی، (b) ارزیابی و © آزمایشی.
چهل و یک دادهی آموزشی برای به روز رسانی وزن شبکه بین نرونها مورد استفاده قرار گرفت. و کمینه تابع خطا و بایاس تعیین شد. ده دادهی تجربی به عنوان مجموعه داده های اعتباری برای پیش بینی تعمیم شبکه و برای جلوگیری از پدیده بیش برازش استفاده شد. اگر شبکه بطور مناسبی آموزش داده شود، به شکل تابعی که متغیرهای ورودی را به متغیرهای خروجی مربوط میکند آموخته می شود و از آن میتوان برای یک پیش بینی که در آن خروجی شناخته شده نیست استفاده کرد که این، توانایی تعمیمدهی نامیده میشود (Mirzadeh and Najafizadeh, 2008).
در این مطالعه، ده دادهی تجربی به عنوان مجموعه داده های آزمایشی برای ارزیابی توانایی تعمیم شبکه آموزشی مورد استفاده قرار گرفت. توپولوژی شبکه نقش مهمی در نتایج پیش بینی شده دارد. تعداد نورونهای ورودی و خروجی (گره) با تعداد داده های ورودی و خروجی، به ترتیب (۴و۱در این مطالعه) برابر است. با این حال، تعدادی از نرونها در لایه پنهان با چند بار آموزش شبکه عصبی پیشرونده (FFNNs) از توپولوژیهای مختلف شناسایی شد و بر اساس به حداقل رساندن MSE یک مقدار بهینه انتخاب و توانایی تعمیم توپولوژی نیز بهبود یافت.
در این مطالعه توپولوژی بهینه مدل ANN ایجاد شده شامل چهار ورودی، یک لایه پنهان با ۷ نرون و یک لایه خروجی (۴:۷:۱) بود. شکل(۴-۲) توپولوژی بهینه از مدل ANN توسعه یافته را نشان میدهد.
شکل (۴-۲) ساختار ANN بهینه
مقایسه داده های تجربی و خروجی ANN نشان میدهد که ارتباط خوبی بین داده های تجربی و نتایج شبکه عصبی وجود دارد. در شرایط بهینه (pH=11، مقدار جاذب ۳۵/۰ گرم و زمان استخراج ۵ دقیقه و غلظت اسید شوینده ۱ مول بر لیتر) راندمان استخراج افزایش یافته است.
شکل (۴-۳) ارزیابی MSE در مرحله آموزش را با بهره گرفتن از الگوریتم لونبرگ مارکوارت (LM) نشان میدهد. فرایند آموزش در نظر گرفته شده بصورت رضایت بخش خاتمه یافت. این شکل به خوبی تناسب بین تمام داده های تجربی به کار رفته و نتایج پیش بینی شده توسط مدل ANN را نشان میدهد.
شکل (۴-۳) میانگین مربعات خطای آموزشی، ارزیابی و آزمایشی برای الگوریتم LM.
تجزیه و تحلیل رگرسیون بین خروجی ANN (داده های آمورشی، ارزیابی و آزمایشی ) و داده های تجربی انجام شد که در شکل ۴-۴ نشان داده شده است
شکل ۴-۸- همبستگی داده های واقعی و پیش بینی شده توسط ANN، a(داده های آموزشی)، b(ارزیابی)، c(آزمایشی) و d(همه داده های)
پارامتر همبستگی و رابطه رگرسیون بین نتایج شبکه ( آموزشی، ارزیابی و آزمایشی) و مقادیر واقعی استخراج نمایانگر عملکرد مطلوب شبکه می‌باشد. درصد استخراج پیش بینی شده و تجربی در شکل ۴-۴ آمده است. این مدل ANN نشان میدهد که پیش بینی دقیق و موثر از داده های تجربی با ضریب همبستگی برای داده های آموزشی، ارزیابی، آزمایشی و همه داده ها وجود دارد. مدل ANN به علت قابلیت استفاده هم زمان از چندین فاکتور، قادر میباشد تا پارامترهای خواسته شده را با دقت بالایی تخمین بزند، همچنین نیازمند فرمولهای پیچیده ریاضی نیست
۴-۴- آنالیز حساسیت
در این تحقیق، آنالیز حساسیت برای تعیین موثر بودن یک پارامتر با بهره گرفتن از مدل شبکه عصبی مصنوعی انجام شد. در آنالیز، ارزیابی عملکرد اثرات متقابل متغیرهای مختلف مورد مطالعه قرار گرفتند. بنابراین، عملکرد چهار گروه (یک، دو، سه و چهار) متغیر بوسیله ی مدل بهینه شبکه عصبی با بهره گرفتن از الگوریتم LM با ۷ نرون در لایه پنهان مورد بررسی قرار گرفت. گروهی از بردارهای ورودی به صورت زیر تعریف شدند: pH (P1) ، (P2) زمان استخراج، (P3) مقدار جاذب (ضایعات چای) و (P4) غلظت شوینده میباشد. نتایج به دست آمده در جدول (۴-۳) خلاصه شده است.
جدول (۴-۳) ارزیابی عملکرد اثرات متقابل متغیرهای ورودی برای الگوریتم LM با ۷ نرون در لایه پنهان برای آنالیزحساسیت