Update app.py

app.py

@@ -1,250 +1,249 @@
-import gradio as gr
-import pandas as pd
-import main as backend
-import os
-
-def process_data(project_years, base_capacity, inflation, tax, depr_years,
-                 tech_data_df, strategy_data_df, product_prices_df,
-                 opt_space_df, run_button_click):
-    
-    if not run_button_click:
-        return None, None, None, "لطفاً برای شروع تحلیل، دکمه 'اجرا' را فشار دهید."
-
-    backend.PROJECT_YEARS = int(project_years)
-    backend.BASE_CAPACITY_KTA = int(base_capacity)
-    backend.INFLATION_RATE = float(inflation)
-    backend.TAX_RATE = float(tax)
-    backend.DEPRECIATION_YEARS = int(depr_years)
-
-    tech_data_df.rename(columns={
-        'CAPEX (M$)': 'capex_base_M',
-        'OPEX (cents/kg)': 'opex_base_cents_kg'
-    }, inplace=True)
-    
-    backend.TECHNOLOGY_DATA = tech_data_df.set_index('Technology').to_dict('index')
-    
-    strategy_dict = {}
-    for index, row in strategy_data_df.iterrows():
-        strategy_dict[row['Strategy']] = {
-            'sourcing_cost_per_ton_pvc': row['Sourcing Cost per Ton PVC'],
-            'byproducts': {
-                'caustic_soda_ton': row['Byproduct Caustic Soda (ton)'],
-                'surplus_edc_ton': row['Byproduct Surplus EDC (ton)']
-            }
-        }
-    backend.STRATEGY_DATA = strategy_dict
-
-    backend.PRODUCT_PRICES_USD_PER_TON = product_prices_df.set_index('Product')['Price (USD/ton)'].to_dict()
-
-    opt_space = {}
-    for _, row in opt_space_df.iterrows():
-        param = row['Parameter']
-        value_type = row['Type']
-        values = str(row['Values']).split(',')
-        if value_type == 'range':
-            opt_space[param] = (float(values[0]), float(values[1]))
-        elif value_type == 'list':
-            opt_space[param] = [v.strip() for v in values]
-        elif value_type == 'boolean':
-             opt_space[param] = [v.strip().lower() in ('true', '1', 't') for v in values]
-    backend.OPTIMIZATION_SPACE = opt_space
-
-    try:
-        for f in ["results.csv", "kpi_dashboard.png", "sensitivity_analysis_tornado.png"]:
-            if os.path.exists(f):
-                os.remove(f)
-
-        x_data, y_data = backend.build_ml_dataset()
-        trained_models = backend.train_and_evaluate_models(x_data, y_data)
-        optimization_results = backend.run_all_optimizations(trained_models)
-        df_results = pd.DataFrame(optimization_results).sort_values(by="irr", ascending=False).reset_index(drop=True)
-        
-        backend.display_and_save_results(df_results)
-        backend.create_kpi_comparison_dashboard(df_results)
-        
-        if not df_results.empty:
-            best_scenario = df_results.iloc[0]
-            backend.run_sensitivity_analysis(best_scenario['Params'], best_scenario['irr'])
-            
-        results_df = pd.read_csv("results.csv") if os.path.exists("results.csv") else pd.DataFrame()
-        kpi_dashboard_img = "kpi_dashboard.png" if os.path.exists("kpi_dashboard.png") else None
-        sensitivity_tornado_img = "sensitivity_analysis_tornado.png" if os.path.exists("sensitivity_analysis_tornado.png") else None
-        
-        return results_df, kpi_dashboard_img, sensitivity_tornado_img, "✅ تحلیل با موفقیت انجام شد!"
-    
-    except Exception as e:
-        import traceback
-        print(traceback.format_exc())
-        return None, None, None, f"❌ خطا در اجرای تحلیل: {str(e)}"
-    
-def load_from_excel(file):
-    try:
-        xls = pd.ExcelFile(file.name)
-
-        assumptions = pd.read_excel(xls, 'Global_Assumptions').set_index('Parameter')['Value']
-        tech_data = pd.read_excel(xls, 'Technology_Data')
-        strategy_data = pd.read_excel(xls, 'Sourcing_Strategy')
-        prices = pd.read_excel(xls, 'Product_Prices')
-        opt_space = pd.read_excel(xls, 'Optimization_Space')
-
-        return (assumptions['PROJECT_YEARS'], assumptions['BASE_CAPACITY_KTA'], 
-                assumptions['INFLATION_RATE'], assumptions['TAX_RATE'], 
-                assumptions['DEPRECIATION_YEARS'], tech_data, strategy_data, 
-                prices, opt_space, "فایل با موفقیت بارگذاری شد.")
-    except Exception as e:
-        return 0, 0, 0, 0, 0, pd.DataFrame(), pd.DataFrame(), pd.DataFrame(), pd.DataFrame(), f"خطا در بارگذاری فایل: {e}"
-
-
-css = """
-body { font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; }
-.gradio-container { max-width: 1280px !important; margin: auto !important; }
-.gr-button { background-color: #0056b3; color: white; border-radius: 8px; font-weight: bold; }
-.gr-button:hover { background-color: #004494; }
-footer { display: none !important; }
-"""
-
-def create_template_excel():
-    template_path = "data_template.xlsx"
-    if not os.path.exists(template_path):
-        with pd.ExcelWriter(template_path, engine='openpyxl') as writer:
-
-            pd.DataFrame([
-                {'Parameter': 'PROJECT_YEARS', 'Value': 15},
-                {'Parameter': 'BASE_CAPACITY_KTA', 'Value': 300},
-                {'Parameter': 'INFLATION_RATE', 'Value': 0.015},
-                {'Parameter': 'TAX_RATE', 'Value': 0.10},
-                {'Parameter': 'DEPRECIATION_YEARS', 'Value': 15}
-            ]).to_excel(writer, sheet_name='Global_Assumptions', index=False)
-            
-            pd.DataFrame(backend.TECHNOLOGY_DATA).T.reset_index().rename(columns={'index':'Technology', 'capex_base_M':'CAPEX (M$)', 'opex_base_cents_kg':'OPEX (cents/kg)'}).to_excel(writer, sheet_name='Technology_Data', index=False)
-            
-            pd.DataFrame({
-                'Strategy': ['Integrated_Production', 'Purchase_VCM'],
-                'Sourcing Cost per Ton PVC': [450.0, 650.0],
-                'Byproduct Caustic Soda (ton)': [1.1, 0],
-                'Byproduct Surplus EDC (ton)': [0.523, 0]
-            }).to_excel(writer, sheet_name='Sourcing_Strategy', index=False)
-            
-            pd.DataFrame(list(backend.PRODUCT_PRICES_USD_PER_TON.items()), columns=['Product', 'Price (USD/ton)']).to_excel(writer, sheet_name='Product_Prices', index=False)
-
-            pd.DataFrame([
-                {'Parameter': 'capacity_kta', 'Type': 'range', 'Values': '500,600'},
-                {'Parameter': 'technology', 'Type': 'list', 'Values': 'Engro_Pakistan,Shin_Etsu_2004'},
-                {'Parameter': 'sourcing_strategy', 'Type': 'list', 'Values': 'Integrated_Production'},
-                {'Parameter': 'export_market_mix', 'Type': 'range', 'Values': '0.6,0.8'},
-                {'Parameter': 'sell_byproducts', 'Type': 'boolean', 'Values': 'True'}
-            ]).to_excel(writer, sheet_name='Optimization_Space', index=False)
-    return template_path
-
-template_file_path = create_template_excel()
-
-
-with gr.Blocks(theme=gr.themes.Soft(), css=css, title="داشبورد بهینه‌سازی پروژه") as demo:
-    
-    with gr.Row(elem_id="header"):
-        logo_path = "logo.png"
-        if os.path.exists(logo_path):
-            gr.Image(logo_path, width=150, show_label=False, show_download_button=False, container=False)
-        else:
-            gr.Markdown("**(محل قرارگیری لوگو)**")
-
-        gr.Markdown("# داشبورد تحلیل و بهینه‌سازی پروژه مالی", elem_id="app-title")
-
-    gr.Markdown("---")
-    
-    with gr.Row():
-        with gr.Column(scale=1):
-            gr.Markdown("## ۱. ورودی‌ها و تنظیمات مدل")
-            
-            with gr.Accordion("بارگذاری داده‌ها از فایل", open=False):
-                gr.Markdown("می‌توانید تمام پارامترها را با آپلود یک فایل اکسل (`.xlsx`) بارگذاری کنید. لطفاً از فرمت فایل نمونه استفاده کنید.")
-                upload_button = gr.UploadButton("آپلود فایل اکسل", file_types=[".xlsx"], file_count="single")
-                gr.File(value=template_file_path, label="دانلود فایل نمونه (Template)")
-                upload_status = gr.Textbox(label="وضعیت بارگذاری", interactive=False)
-
-            with gr.Tabs() as tabs:
-                with gr.TabItem("الف) مفروضات اصلی پروژه", id=0):
-                    project_years = gr.Slider(5, 30, value=backend.PROJECT_YEARS, step=1, label="سال‌های پروژه (Project Years)")
-                    base_capacity = gr.Number(value=backend.BASE_CAPACITY_KTA, label="ظرفیت پایه (KTA)")
-                    inflation_rate = gr.Slider(0, 0.1, value=backend.INFLATION_RATE, label="نرخ تورم سالانه (Inflation Rate)")
-                    tax_rate = gr.Slider(0, 0.5, value=backend.TAX_RATE, label="نرخ مالیات (Tax Rate)")
-                    depreciation_years = gr.Slider(5, 20, value=backend.DEPRECIATION_YEARS, step=1, label="سال‌های استهلاک (Depreciation Years)")
-
-                with gr.TabItem("ب) داده‌های تکنولوژی", id=1):
-                    tech_df = gr.DataFrame(
-                        value=pd.DataFrame(backend.TECHNOLOGY_DATA).T.reset_index().rename(columns={'index':'Technology', 'capex_base_M':'CAPEX (M$)', 'opex_base_cents_kg':'OPEX (cents/kg)'}),
-                        headers=['Technology', 'CAPEX (M$)', 'OPEX (cents/kg)'],
-                        label="داده‌های تکنولوژی‌های مختلف",
-                        row_count=(5, 'dynamic'),
-                        col_count=(3, 'fixed'),
-                        interactive=True
-                    )
-
-                with gr.TabItem("ج) استراتژی تأمین و محصولات جانبی", id=2):
-                    strategy_df = gr.DataFrame(
-                        value=pd.DataFrame({
-                            'Strategy': ['Integrated_Production', 'Purchase_VCM'],
-                            'Sourcing Cost per Ton PVC': [450.0, 650.0],
-                            'Byproduct Caustic Soda (ton)': [1.1, 0],
-                            'Byproduct Surplus EDC (ton)': [0.523, 0]
-                        }),
-                        label="داده‌های استراتژی تأمین مواد اولیه",
-                        interactive=True
-                    )
-
-                with gr.TabItem("د) قیمت محصولات", id=3):
-                    prices_df = gr.DataFrame(
-                        value=pd.DataFrame(list(backend.PRODUCT_PRICES_USD_PER_TON.items()), columns=['Product', 'Price (USD/ton)']),
-                        label="قیمت فروش محصولات (دلار بر تن)",
-                        interactive=True
-                    )
-                
-                with gr.TabItem("ه) فضای بهینه‌سازی", id=4):
-                    opt_space_df = gr.DataFrame(
-                        value=pd.DataFrame([
-                            {'Parameter': 'capacity_kta', 'Type': 'range', 'Values': '500,600'},
-                            {'Parameter': 'technology', 'Type': 'list', 'Values': 'Engro_Pakistan,Shin_Etsu_2004'},
-                            {'Parameter': 'sourcing_strategy', 'Type': 'list', 'Values': 'Integrated_Production'},
-                            {'Parameter': 'export_market_mix', 'Type': 'range', 'Values': '0.6,0.8'},
-                            {'Parameter': 'sell_byproducts', 'Type': 'boolean', 'Values': 'True'}
-                        ]),
-                        headers=['Parameter', 'Type', 'Values'],
-                        label="پارامترهای مورد استفاده در الگوریتم بهینه‌سازی",
-                        interactive=True
-                    )
-            
-            gr.Markdown("---")
-            run_button = gr.Button("🚀 اجرا و بهینه‌سازی", variant="primary")
-            run_status = gr.Textbox(label="وضعیت فرآیند", interactive=False)
-
-        with gr.Column(scale=2):
-            gr.Markdown("## ۲. نتایج تحلیل و نمودارها")
-            with gr.Tabs():
-                with gr.TabItem("خلاصه نتایج بهینه‌سازی"):
-                    results_table = gr.DataFrame(label="جدول مقایسه سناریوهای بهینه", wrap=True)
-                
-                with gr.TabItem("داشبورد شاخص‌های کلیدی (KPI)"):
-                    kpi_dashboard = gr.Image(label="نمودار مقایسه KPI ها", show_label=True, type="filepath")
-                    
-                with gr.TabItem("تحلیل حساسیت (Tornado Chart)"):
-                    sensitivity_chart = gr.Image(label="نمودار تحلیل حساسیت IRR", show_label=True, type="filepath")
-
-    run_click_trigger = gr.Checkbox(value=False, visible=False)
-    run_button.click(lambda: True, outputs=run_click_trigger)
-
-
-    upload_button.upload(
-        load_from_excel,
-        inputs=[upload_button],
-        outputs=[project_years, base_capacity, inflation_rate, tax_rate, depreciation_years,
-                 tech_df, strategy_df, prices_df, opt_space_df, upload_status]
-    )
-
-    run_button.click(
-        process_data,
-        inputs=[project_years, base_capacity, inflation_rate, tax_rate, depreciation_years,
-                tech_df, strategy_df, prices_df, opt_space_df, run_click_trigger],
-        outputs=[results_table, kpi_dashboard, sensitivity_chart, run_status]
-    )
-
+import gradio as gr
+import pandas as pd
+import main as backend
+import os
+
+
+def process_data(project_years, base_capacity, inflation, tax, depr_years,
+                 tech_data_df, strategy_data_df, product_prices_df,
+                 opt_space_df, run_button_click):
+ 
+    if not run_button_click:
+        return None, None, None, "لطفاً برای شروع تحلیل، دکمه 'اجرا' را فشار دهید."
+
+    backend.PROJECT_YEARS = int(project_years)
+    backend.BASE_CAPACITY_KTA = int(base_capacity)
+    backend.INFLATION_RATE = float(inflation)
+    backend.TAX_RATE = float(tax)
+    backend.DEPRECIATION_YEARS = int(depr_years)
+
+    tech_data_df.rename(columns={
+        'CAPEX (M$)': 'capex_base_M',
+        'OPEX (cents/kg)': 'opex_base_cents_kg'
+    }, inplace=True)
+    
+    backend.TECHNOLOGY_DATA = tech_data_df.set_index('Technology').to_dict('index')
+    
+    strategy_dict = {}
+    for index, row in strategy_data_df.iterrows():
+        strategy_dict[row['Strategy']] = {
+            'sourcing_cost_per_ton_pvc': row['Sourcing Cost per Ton PVC'],
+            'byproducts': {
+                'caustic_soda_ton': row['Byproduct Caustic Soda (ton)'],
+                'surplus_edc_ton': row['Byproduct Surplus EDC (ton)']
+            }
+        }
+    backend.STRATEGY_DATA = strategy_dict
+
+    backend.PRODUCT_PRICES_USD_PER_TON = product_prices_df.set_index('Product')['Price (USD/ton)'].to_dict()
+    
+    opt_space = {}
+    for _, row in opt_space_df.iterrows():
+        param = row['Parameter']
+        value_type = row['Type']
+        values = str(row['Values']).split(',')
+        if value_type == 'range':
+            opt_space[param] = (float(values[0]), float(values[1]))
+        elif value_type == 'list':
+            opt_space[param] = [v.strip() for v in values]
+        elif value_type == 'boolean':
+             opt_space[param] = [v.strip().lower() in ('true', '1', 't') for v in values]
+    backend.OPTIMIZATION_SPACE = opt_space
+
+    try:
+        for f in ["results.csv", "kpi_dashboard.png", "sensitivity_analysis_tornado.png"]:
+            if os.path.exists(f):
+                os.remove(f)
+
+        optimization_results_list = backend.run_optimizations_without_ml()
+        
+        df_results = pd.DataFrame(optimization_results_list).sort_values(by="irr", ascending=False).reset_index(drop=True)
+        
+        backend.display_and_save_results(df_results)
+        backend.create_kpi_comparison_dashboard(df_results)
+        
+        if not df_results.empty:
+            best_scenario = df_results.iloc[0]
+            backend.run_sensitivity_analysis(best_scenario['Params'], best_scenario['irr'])
+            
+        results_df = pd.read_csv("results.csv") if os.path.exists("results.csv") else pd.DataFrame()
+        kpi_dashboard_img = "kpi_dashboard.png" if os.path.exists("kpi_dashboard.png") else None
+        sensitivity_tornado_img = "sensitivity_analysis_tornado.png" if os.path.exists("sensitivity_analysis_tornado.png") else None
+        
+        return results_df, kpi_dashboard_img, sensitivity_tornado_img, "✅ تحلیل بهینه‌سازی با موفقیت انجام شد!"
+    except Exception as e:
+        import traceback
+        print(traceback.format_exc())
+        return None, None, None, f"❌ خطا در اجرای تحلیل: {str(e)}"
+    
+def load_from_excel(file):
+    try:
+        xls = pd.ExcelFile(file.name)
+
+        assumptions = pd.read_excel(xls, 'Global_Assumptions').set_index('Parameter')['Value']
+        tech_data = pd.read_excel(xls, 'Technology_Data')
+        strategy_data = pd.read_excel(xls, 'Sourcing_Strategy')
+        prices = pd.read_excel(xls, 'Product_Prices')
+        opt_space = pd.read_excel(xls, 'Optimization_Space')
+
+        return (assumptions['PROJECT_YEARS'], assumptions['BASE_CAPACITY_KTA'], 
+                assumptions['INFLATION_RATE'], assumptions['TAX_RATE'], 
+                assumptions['DEPRECIATION_YEARS'], tech_data, strategy_data, 
+                prices, opt_space, "فایل با موفقیت بارگذاری شد.")
+    except Exception as e:
+        return 0, 0, 0, 0, 0, pd.DataFrame(), pd.DataFrame(), pd.DataFrame(), pd.DataFrame(), f"خطا در بارگذاری فایل: {e}"
+
+
+css = """
+body { font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; }
+.gradio-container { max-width: 1280px !important; margin: auto !important; }
+.gr-button { background-color: #0056b3; color: white; border-radius: 8px; font-weight: bold; }
+.gr-button:hover { background-color: #004494; }
+footer { display: none !important; }
+"""
+
+def create_template_excel():
+    template_path = "data_template.xlsx"
+    if not os.path.exists(template_path):
+        with pd.ExcelWriter(template_path, engine='openpyxl') as writer:
+
+            pd.DataFrame([
+                {'Parameter': 'PROJECT_YEARS', 'Value': 15},
+                {'Parameter': 'BASE_CAPACITY_KTA', 'Value': 300},
+                {'Parameter': 'INFLATION_RATE', 'Value': 0.015},
+                {'Parameter': 'TAX_RATE', 'Value': 0.10},
+                {'Parameter': 'DEPRECIATION_YEARS', 'Value': 15}
+            ]).to_excel(writer, sheet_name='Global_Assumptions', index=False)
+            
+            pd.DataFrame(backend.TECHNOLOGY_DATA).T.reset_index().rename(columns={'index':'Technology', 'capex_base_M':'CAPEX (M$)', 'opex_base_cents_kg':'OPEX (cents/kg)'}).to_excel(writer, sheet_name='Technology_Data', index=False)
+            
+            pd.DataFrame({
+                'Strategy': ['Integrated_Production', 'Purchase_VCM'],
+                'Sourcing Cost per Ton PVC': [450.0, 650.0],
+                'Byproduct Caustic Soda (ton)': [1.1, 0],
+                'Byproduct Surplus EDC (ton)': [0.523, 0]
+            }).to_excel(writer, sheet_name='Sourcing_Strategy', index=False)
+            
+            pd.DataFrame(list(backend.PRODUCT_PRICES_USD_PER_TON.items()), columns=['Product', 'Price (USD/ton)']).to_excel(writer, sheet_name='Product_Prices', index=False)
+
+            pd.DataFrame([
+                {'Parameter': 'capacity_kta', 'Type': 'range', 'Values': '500,600'},
+                {'Parameter': 'technology', 'Type': 'list', 'Values': 'Engro_Pakistan,Shin_Etsu_2004'},
+                {'Parameter': 'sourcing_strategy', 'Type': 'list', 'Values': 'Integrated_Production'},
+                {'Parameter': 'export_market_mix', 'Type': 'range', 'Values': '0.6,0.8'},
+                {'Parameter': 'sell_byproducts', 'Type': 'boolean', 'Values': 'True'}
+            ]).to_excel(writer, sheet_name='Optimization_Space', index=False)
+    return template_path
+
+template_file_path = create_template_excel()
+
+
+with gr.Blocks(theme=gr.themes.Soft(), css=css, title="داشبورد بهینه‌سازی پروژه") as demo:
+    
+    with gr.Row(elem_id="header"):
+        logo_path = "logo.png"
+        if os.path.exists(logo_path):
+            gr.Image(logo_path, width=150, show_label=False, show_download_button=False, container=False)
+        else:
+            gr.Markdown("**(محل قرارگیری لوگو)**")
+
+        gr.Markdown("# داشبورد تحلیل و بهینه‌سازی پروژه مالی", elem_id="app-title")
+
+    gr.Markdown("---")
+    
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("## ۱. ورودی‌ها و تنظیمات مدل")
+            
+            with gr.Accordion("بارگذاری داده‌ها از فایل", open=False):
+                gr.Markdown("می‌توانید تمام پارامترها را با آپلود یک فایل اکسل (`.xlsx`) بارگذاری کنید. لطفاً از فرمت فایل نمونه استفاده کنید.")
+                upload_button = gr.UploadButton("آپلود فایل اکسل", file_types=[".xlsx"], file_count="single")
+                gr.File(value=template_file_path, label="دانلود فایل نمونه (Template)")
+                upload_status = gr.Textbox(label="وضعیت بارگذاری", interactive=False)
+
+            with gr.Tabs() as tabs:
+                with gr.TabItem("الف) مفروضات اصلی پروژه", id=0):
+                    project_years = gr.Slider(5, 30, value=backend.PROJECT_YEARS, step=1, label="سال‌های پروژه (Project Years)")
+                    base_capacity = gr.Number(value=backend.BASE_CAPACITY_KTA, label="ظرفیت پایه (KTA)")
+                    inflation_rate = gr.Slider(0, 0.1, value=backend.INFLATION_RATE, label="نرخ تورم سالانه (Inflation Rate)")
+                    tax_rate = gr.Slider(0, 0.5, value=backend.TAX_RATE, label="نرخ مالیات (Tax Rate)")
+                    depreciation_years = gr.Slider(5, 20, value=backend.DEPRECIATION_YEARS, step=1, label="سال‌های استهلاک (Depreciation Years)")
+
+                with gr.TabItem("ب) داده‌های تکنولوژی", id=1):
+                    tech_df = gr.DataFrame(
+                        value=pd.DataFrame(backend.TECHNOLOGY_DATA).T.reset_index().rename(columns={'index':'Technology', 'capex_base_M':'CAPEX (M$)', 'opex_base_cents_kg':'OPEX (cents/kg)'}),
+                        headers=['Technology', 'CAPEX (M$)', 'OPEX (cents/kg)'],
+                        label="داده‌های تکنولوژی‌های مختلف",
+                        row_count=(5, 'dynamic'),
+                        col_count=(3, 'fixed'),
+                        interactive=True
+                    )
+
+                with gr.TabItem("ج) استراتژی تأمین و محصولات جانبی", id=2):
+                    strategy_df = gr.DataFrame(
+                        value=pd.DataFrame({
+                            'Strategy': ['Integrated_Production', 'Purchase_VCM'],
+                            'Sourcing Cost per Ton PVC': [450.0, 650.0],
+                            'Byproduct Caustic Soda (ton)': [1.1, 0],
+                            'Byproduct Surplus EDC (ton)': [0.523, 0]
+                        }),
+                        label="داده‌های استراتژی تأمین مواد اولیه",
+                        interactive=True
+                    )
+
+                with gr.TabItem("د) قیمت محصولات", id=3):
+                    prices_df = gr.DataFrame(
+                        value=pd.DataFrame(list(backend.PRODUCT_PRICES_USD_PER_TON.items()), columns=['Product', 'Price (USD/ton)']),
+                        label="قیمت فروش محصولات (دلار بر تن)",
+                        interactive=True
+                    )
+                
+                with gr.TabItem("ه) فضای بهینه‌سازی", id=4):
+                    opt_space_df = gr.DataFrame(
+                        value=pd.DataFrame([
+                            {'Parameter': 'capacity_kta', 'Type': 'range', 'Values': '500,600'},
+                            {'Parameter': 'technology', 'Type': 'list', 'Values': 'Engro_Pakistan,Shin_Etsu_2004'},
+                            {'Parameter': 'sourcing_strategy', 'Type': 'list', 'Values': 'Integrated_Production'},
+                            {'Parameter': 'export_market_mix', 'Type': 'range', 'Values': '0.6,0.8'},
+                            {'Parameter': 'sell_byproducts', 'Type': 'boolean', 'Values': 'True'}
+                        ]),
+                        headers=['Parameter', 'Type', 'Values'],
+                        label="پارامترهای مورد استفاده در الگوریتم بهینه‌سازی",
+                        interactive=True
+                    )
+            
+            gr.Markdown("---")
+            run_button = gr.Button("🚀 اجرا و بهینه‌سازی", variant="primary")
+            run_status = gr.Textbox(label="وضعیت فرآیند", interactive=False)
+
+        with gr.Column(scale=2):
+            gr.Markdown("## ۲. نتایج تحلیل و نمودارها")
+            with gr.Tabs():
+                with gr.TabItem("خلاصه نتایج بهینه‌سازی"):
+                    results_table = gr.DataFrame(label="جدول مقایسه سناریوهای بهینه", wrap=True)
+                
+                with gr.TabItem("داشبورد شاخص‌های کلیدی (KPI)"):
+                    kpi_dashboard = gr.Image(label="نمودار مقایسه KPI ها", show_label=True, type="filepath")
+                    
+                with gr.TabItem("تحلیل حساسیت (Tornado Chart)"):
+                    sensitivity_chart = gr.Image(label="نمودار تحلیل حساسیت IRR", show_label=True, type="filepath")
+
+    run_click_trigger = gr.Checkbox(value=False, visible=False)
+    run_button.click(lambda: True, outputs=run_click_trigger)
+
+
+    upload_button.upload(
+        load_from_excel,
+        inputs=[upload_button],
+        outputs=[project_years, base_capacity, inflation_rate, tax_rate, depreciation_years,
+                 tech_df, strategy_df, prices_df, opt_space_df, upload_status]
+    )
+
+    run_button.click(
+        process_data,
+        inputs=[project_years, base_capacity, inflation_rate, tax_rate, depreciation_years,
+                tech_df, strategy_df, prices_df, opt_space_df, run_click_trigger],
+        outputs=[results_table, kpi_dashboard, sensitivity_chart, run_status]
+    )
+
 demo.launch(share=True)