پیش بینی مقاومت فشاری تک محوری و مدول الاستیک ماسه سنگ ها با استفاده از شبکه عصبی مصنوعی و آنالیز رگرسیون چند متغیره

تعیین دقیق ویژگی های ژئومکانیکی سنگ ها از جمله مقاومت فشاری تک محوری و مدول الاستیک با استفاده از روش های مرسوم آزمایشگاهی، بسیار مشکل و نیازمند صرف زمان و هزینه زیادی می باشد. این موضوع به خصوص در مورد سنگ های ناهمسانگرد، با سطوح لایه بندی، متخلخل و ضعیف مطرح می باشد. به منظور غلبه بر این مشکلات، توسعه روابط و مدل های پیش بینی کننده برای تخمین این پارامترها در مهندسی سنگ ضروری به نظر می رسد. هدف از این مطالعه، پیش بینی مقاومت فشاری تک محوری و مدول الاستیک ماسه سنگ ها با استفاده از شبکه عصبی مصنوعی و آنالیز رگرسیون چند متغیره می باشد. به همین منظور، تعداد 130 نمونه مغزه سنگی تهیه شده و آزمایش های جامعی بر روی آن ها انجام شده است. برای توسعه مدل شبکه عصبی پیش بینی کننده، ویژگی های فیزیکی سنگ های مورد مطالعه شامل سرعت موج، تخلخل، دانسیته خشک، شاخص دوام و درصد جذب آب به عنوان داده های ورودی در نظر گرفته شده اند، در حالی که مقاومت فشاری تک محوری و مدول الاستیک پارامترهای خروجی می باشند. عملکرد پیش بینی مدل شبکه عصبی پیشنهاد شده و آنالیز رگرسیون چند متغیره با استفاده از شاخص های آماری از قبیل r، rmse و vaf ارزیابی شده است. مقایسه نتایج نشان می دهد که عملکرد شبکه عصبی مصنوعی پیشنهاد شده در پیش بینی مقاومت فشاری تک محوری و مدول الاستیک به مراتب بهتر از آنالیز رگرسیون می باشد.

Prediction of uniaxial compressive strength and modulus of elasticity of sandstones using artificial neural network and multiple regression analysis

Determining UCS and E using standard laboratory tests is a difficult, expensive and time consuming task. This is particularly true for thinly bedded, highly fractured, foliated, highly porous and weak rocks. Consequently, prediction models become an attractive alternative for engineering geologists. The main purpose of this study is to develop an artificial neural network (ANN) and multiple regression analysis (MLR) models in order to predict UCS and E of sandstones. For this, a database of laboratory tests (including 130 sandstone samples) was prepared, which includes porosity, Pwave velocity, dry density, slake durability index, and water absorption as input parameters and UCS and E as output parameter. The performance of the MLR and ANN models are evaluated by comparing statistic parameters, including correlation coefficient (r), root mean square error (RMSE), and variance account for (VAF). Comparison of the multiple linear regressions and ANNs results indicated that respective ANN models were more acceptable for predicting UCS and E than the other.