|
|
تخمین خصوصیات مکانیکی به روش آنالیز آماری، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان (مطالعه موردی: نمونه های مرتبط به ساختگاه سد مخزنی گدار- خوش)
|
|
|
|
|
نویسنده
|
آزادمهر امیر ,مطهری محمد رضا ,غروی هورمان ,صفاریان محسن
|
منبع
|
مهندسي عمران و محيط زيست - 1401 - دوره : 52 - شماره : 4 - صفحه:173 -190
|
چکیده
|
با توجه به مشکلات اجرای آزمایشها بخصوص در سنگهای ضعیف و هزینه بر بودن این آزمایشها، میتوان با بررسی روابط بین ویژگیهای مکانیکی و فیزیکی، هزینه آزمایشات تعیین خصوصیات مکانیکی را کاهش داد. در این پژوهش آزمایشهای پتروگرافی، فیزیکی و مکانیکی بر روی 62 مغزه از سنگهای شیل و مارن در ساختگاه سد گدار-خوش انجام شد. در نهایت عملکرد روشهای شبکه عصبی مصنوعی (ann) artificial neural network رگرسیون چند متغیره (mvra) multivariate regression analysis و رگرسیون بردار پشتیبان (svr) support vector regression با تابع کرنل پایه شعاعی (rbf) radial basis function جهت تخمین ucs،elastic modulus es uniaxial compressive strength بر اساس سرعت موج تراکمی و خصوصیات فیزیکی مقایسه شد. نتایج پتروگرافی نشان داد که کانی ایلیت، فراوانترین نوع کانی رسی می باشد. نسبت مدول الاستیسیته دینامیکی به استاتیکی نمونه ها برابر با 8.51 میباشد. همچنین نسبت پواسون دینامیکی به استاتیکی برابر با 1.41 میباشد. نتایج آنالیز آماری نشان داد که مدول الاستیسیته استاتیکی همبستگی بالایی با مدول الاستیسیته دینامیکی (r=0.91, rmse=0.22, mape=0.14) و سرعت موج برشی همبستگی بالایی با سرعت موج تراکمی (r=0.98, rmse=0.08, mape=0.03) دارند. نتایج رگرسیون چند متغیره نشان داد که هر دو پارامتر ucs و es دارای همبستگی معنی داری با پارامترهای فیزیکی و سرعت موج تراکمی دارند. بطوریکه ارتباط ucs با این پارامترها بیشتر از ارتباط es با این پارامتر ها میباشد. مقایسه عملکرد روشها در تخمین خصوصیات استاتیک نشان داد که svr دارای دقت بالاتری نسبت به رگرسیون چند متغیره و ann میباشد.
|
کلیدواژه
|
خصوصیات استاتیکی و دینامیکی، سنگهای رسی، رگرسیون بردار پشتیبان، شبکه عصبی مصنوعی، آنالیز آماری
|
آدرس
|
دانشگاه صنعتی بیرجند, دانشکده مهندسی معدن, گروه مهندسی معدن, ایران, دانشگاه اراک, دانشکده فنی و مهندسی, گروه مهندسی عمران, ایران, دانشگاه علم و صنعت ایران واحد فنی و مهندسی, گروه مهندسی عمران, ایران, دانشگاه صنعتی بیرجند, دانشکده مهندسی کامپیوتر و صنایع, گروه مهندسی صنایع, ایران
|
پست الکترونیکی
|
saffariab@birjandut.ac.ir
|
|
|
|
|
|
|
|
|
estimation of mechanical properties by statistical analysis, artificial neural network and support vector regression case study: samples related to godar-khosh reservoir dam site
|
|
|
Authors
|
azadmehr amir ,motahari mohammad reza ,gharavi horman ,saffarian mohsen
|
Abstract
|
due to the difficulties of conducting tests, especially in weak rocks and the cost of these experiments, by examining the relationships between their mechanical and physical properties can be provided and reduce the cost of tests to identify mechanical properties (minaeian and ahangari, 2013; azadan and ahangari, 2014) in this study, petrographic, physical and mechanical experiments on 62 cores of shale and marl of gurpi formation were conducted in godar-khosh dam site, west of iran. non-destructive tests were performed on cores according to the isrm standard. physical properties such as water absorption, density and porosity of the samples were determined according to the isrm standard. also, uniaxial compressive strength (ucs) test according to the astm standard d2938 (astm, 1986) was performed. for each sample, the modulus of dynamic elasticity (ed) and the dynamic poisson ratio were calculated (goodman, 1989). using statistical analysis, artificial neural network (ann( and support vector regression (svr) with radial base kernel function, several relationships for estimating ucs, es and shear wave velocity were presented. the root mean square error (rmse), the mean absolute percentage error (mape) and the variance account for (vaf) were also used to evaluate the results.
|
Keywords
|
static and dynamic properties ,clay rocks ,support vector regression ,artificial neural network ,statistical analysis
|
|
|
|
|
|
|
|
|
|
|