پیش بینی مقدار q با استفاده از رگرسیون چند متغیره

استفاده‌ی گسترده از فضاهای زیرزمینی به عنوان شاخصی برای توسعه یافتگی در کشورهای مختلف است. یکی از روشهایی که برای طبقه بندی توده سنگ استفاده می شود ، سیستم q است. سیستم q به پارامترهایی نظیر نشانه‌ی کیفی سنگ، دسته درزه، زبری درزه، دگرسانی درزه، آب زیرزمینی و ضریب کاهش تنش وابسته است که همواره در دسترس نیستند. گاهی مواقع دسترسی به کلیه پارامترهای سیستمq به دلیل زمان بر وهزینه بر بودن، امکان پذیر نیست. هدف از این مقاله به دست آوردن مقدار شاخص کیفیت سنگ در سیستم q با استفاده از مهمترین پارامترهای تاثیرگذار بر آن است. بدین جهت، با استفاده از روش تحلیل پیرسون و توسط نرم افزار spss ، موثرترین پارامترها در سیستم q شناسایی می شوند که در این راستا سه مدل برای تعیینq انتخاب شد. مدل های اول و دوم دارای سه پارامتر ورودی و یک پارامتر خروجی و مدل سوم دارای چهار پارامتر ورودی و یک پارامتر خروجی است. سپس با استفاده از رگرسیون چند متغیره، رابطه‌ای برای پیش بینی مقدار q با استفاده از موثرترین پارامترها پیشنهاد گردیده است. برای این منظور از 140 داده‌ی تجربی استفاده شده و صحت نتایج بدست آمده به وسیله 34 داده‌ی آزمون مورد بررسی قرار گرفته است. تعیین مقدار q با استفاده از سه و یا چهار پارامتر به جای شش پارامتر که ‌بیشترین تاثیرگذاری را دارند، نوآوری این مقاله است. q در محدوده‌ی 0.001 تا 25 ارزیابی شده است. مقایسه‌ی نتایج حاصل از رابطه‌ی پیشنهادی و مقادیر واقعی بدست آمده از اندازه گیری های صحرایی، نشان از تطابق خوب این نتایج با یکدیگر دارند. نتایج نشان می‌دهد که مدل دوم با ضریب همبستگی 0.81 برای داده های اولیه و 0.8 برای داده های آزمون و جذر میانگین مربعات خطای 2.68 برای داده‌های اولیه و 2.55 برای داده های آزمون بهترین عملکرد را دارد.

Prediction of rock mass quality index in the Qsystem by multivariate regression using the most influential parameters

The extensive use of underground spaces is an index of development in countries. Choosing the right supporting system to achieve a safe and stable space is an important issue in tunnel construction. One of the methods used to classify rock masses is the Qsystem. The Qsystem depends on rock quality designation, joint strength, joint roughness, joint alteration, groundwater, and stress reduction factor, which are not always available. Sometimes it is not possible to access all the parameters of the Qsystem due to time and cost. This paper aims to obtain the value of the rock quality index in the Q system using the most important parameters affecting it. Therefore, using the Pearson analysis method and SPSS software, the Qsystem’s most effective parameters are identified. In this regard, three models were selected to determine Q. The first and second models have three input parameters and one output parameter, and the third model has four input parameters and one output parameter. Using multivariate regression, a relationship to predict the Qvalue using the most effective parameters is proposed. For this purpose, 140 experimental data were used, and 34 test data checked the results’ accuracy. Determining the Qvalue using three or four parameters instead of the six most effective parameters is the novelty of this paper. Comparing the results of the proposed relationship and the actual values obtained from the field measurements show that these results are in good agreement with each other. The results show that the second model with a correlation coefficient of 0.81 for the initial data and 0.8 for the test data and the root mean square error of 2.68 for the initial data and 2.55 for the test data has the best performance.