طبقه بندی آماری ضریب زبری درزه با روش بردار پشتیبان

زبری یکی از خصوصیات هندسی درزه‌ها است که بیان آن از طریق روش‌های مختلف امکان پذیر است. در این مطالعه از 8 پارامتر مختلف برای تخمین ضریب زبری درزه (jrc) برای 112 پروفیل زبری مختلف استفاده شده است. با توجه به محدوده تغییرات نسبتا زیاد این پارامترها در یک کلاس زبری مشخص و هم‌پوشانی این محدوده‌ها با کلاس های مجاور زبری، به منظور استفاده همزمان از دو پارامتر برای تخمین jrc ماتریس تاثیر متقابل این پارامترها بر مقدار jrc ایجاد شد. تفکیک پذیری کلاس‌های مختلف زبری در سناریو‌های مختلف با استفاده از ضریب همبستگی پیرسون و استفاده از قضاوت مهندسی مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که حالت‌هایی با ضریب همبستگی در حدود 0/8 برای کلاس‌بندی jrc مناسب هستند. به دلیل وجود مرزهای نسبتاً مشخص بین دو کلاس زبری متوالی نسبت به سایر حالت‌ها و داشتن مفهوم مهندسی مشخص از پارامترهای انحراف معیار ارتفاع دندانه‌ها و انحراف معیار زاویه دندانه‌ها برای طبقه‌بندی jrc استفاده شد. اگرچه با استفاده از پارامترهای دو بعدی گراسلی، z2 و انحراف معیار اختلاف ارتفاع دندانه‌ها نیز می‌توان برای طبقه‌بندی jrc استفاده کرد. با استفاده از روش ماشین بردار پشتیبان، مرز بین کلاس‌های مختلف زبری مشخص شد. نتایج طبقه‌بندی انجام‌شده با انجام 20 آزمایش برش مستقیم بر روی سطوح درزه طبیعی اعتبار سنجی شد. بیش از 70 درصد نتایج پیش‌بینی با نتایج آزمایشگاهی تطابق دارد و حدود 20 درصد نتایج مقدار پیش‌بینی‌شده با مقدار واقعی یک کلاس فاصله دارد. با این ‌وجود تخمین زبری با استفاده از پروفیل‌ها دوبعدی همواره با محدودیت‌ روبرو است.

Statistical Classification of Joint Roughness Coefficient by Support Vector Machine

Roughness is one of the geometrical properties of rock joints that can be expressed through various methods. In this paper, eight different parameters were used to estimate the joint roughness coefficient (JRC) of 112 joint roughness profiles. The range of variation of these parameters in a given roughness class is relatively large. These roughness values overlap with their adjacent classes. In order to use two parameters simultaneously to estimate the JRC matrix, the interaction of these parameters on the JRC value were evaluated. The resolution of different roughness classes in different scenarios was evaluated using Pearson correlation coefficient and using engineering judgment. So in this paper, a new method based on the classification of joint roughness coefficient (JRC) by support vector machine (SVM) is purposed. So in this paper, a new method based on the classification of joint roughness coefficient (JRC) by support vector machine (SVM) is purposed. Different joint roughness parameters including Z2, RP, Grasselli2D, standard deviation of asperities height (SDH), standard deviation of profiles height variation (SDPHV), standard deviation of asperities angle (SDA), and geostatistical parameters including range (a), sill (C), CA and SRv were evaluated for 112 joint roughness profiles. Using these 8 parameters, an 8 by 8 interaction matrix was created which consequently resulted in 28 individual twodimensional JRC classification scenarios. A graph with SDH and SDA was selected for the Statistical classification of JRC (SCJRC) because of the relatively obvious boundary between JRC classes and easy calculation. Finally, data classification was performed by SVM. The estimation of SCJRC was checked by 20 experimental direct shear test data. A good agreement is observed between SCJRC and experimental results. The results illustrate that SCJRC is an appropriate method for the estimation of JRC.