پیش‌بینی مقاومت سایشی سنگ‌های ساختمانی با استفاده از مدل‌های رگرسیونی و الگوریتم جنگل تصادفی

این مطالعه با هدف پیش‌بینی شاخص باهمه (bav)، به عنوان معیاری از مقاومت سایشی سنگ‌های ساختمانی، با استفاده از مدل‌های رگرسیونی و الگوریتم‌های یادگیری ماشین انجام شده است. برای این منظور، 160 مجموعه داده شامل پارامترهای فیزیکی سنگ‌ها از جمله درصد تخلخل (n)، جذب آب (wa) و سختی شور (shv) جمع‌آوری و تحلیل شدند. نتایج نشان داد که هر سه پارامتر تاثیر قابل توجهی بر مقاومت سایشی دارند، به‌ طوری ‌که با افزایش تخلخل و جذب آب، مقاومت سایشی کاهش و با افزایش سختی شور، مقاومت سایشی افزایش می‌یابد. مدل‌های رگرسیونی چندمتغیره و الگوریتم جنگل تصادفی با دقت بالایی مقدار bav را پیش‌بینی کردند، به ‌ویژه مدل جنگل تصادفی که توانست با شاخص‌های عملکردی بالاتر، از جمله ضریب تعیین r2 (0.821)، خطای ریشه میانگین مربعات نرمال ‌شدهnrmse (0.114) ، واریانس خطاvaf (0.821) و میانگین قدر مطلق خطا mae (4.576) دقت بهتری ارایه دهد. این مدل‌ها نه تنها نیاز به آزمایش‌های فیزیکی پرهزینه و زمان‌بر را کاهش می‌دهند، بلکه به مهندسان کمک می‌کنند تا در انتخاب مصالح ساختمانی مناسب برای شرایط پرتردد و محیط‌های سخت، تصمیم‌گیری بهتری داشته باشند.

predicting the abrasive resistance of building stones using regression models and random forest algorithm

this study aims to predict the böhme abrasion value (bav) as a measure of the abrasive resistance of building stones using regression models and machine learning algorithms. a total of 160 datasets، including physical and mechanical parameters of stones such as porosity (n)، water absorption (wa)، and shore hardness value (shv)، were collected and analyzed. the results indicated that all three parameters significantly impact abrasive resistance: increased porosity and water absorption lead to lower abrasive resistance، while higher schmidt hardness results in greater abrasive resistance. multivariate regression models and the random forest algorithm were used to predict bav with high accuracy، particularly the random forest model، which achieved superior performance with higher precision indicators، including a normalized root mean square error (nrmse) of 0.110 and a variance account for (vaf) of 0.839. these models not only reduce the need for costly and time-consuming physical tests but also support designers and engineers in making more informed decisions when selecting suitable building materials for high-traffic and harsh environmental conditions