انجمن زمین شناسی مهندسی ایران زمین شناسی مهندسی ایران 2228-5245 17 3 2024 11 21 Application of intelligent and statistical methods in estimating the uniaxial compressive strength of sandstones کاربرد روش‌های هوشمند و آماری در تخمین مقاومت فشاری تک محوری ماسه سنگ‌ها 55 88 214161 FA امین ایرجی دانشکده فنی و مهندسی، دانشگاه صنعتی ارومیه، ارومیه، ایران امیر ازادمهر استادیار، گروه مهندسی معدن، دانشگاه صنعتی بیرجند، بیرجند، ایران مسعود دانش استادیار، دنشکده فنی و مهندسی، دانشگاه صنعتی ارومیه، ارومیه، ایران محسن صفاریان استادیار، گروه مهندسی صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران Journal Article 2024 08 31 Direct measurement of uniaxial compressive strength (UCS) is time-consuming, expensive, and difficult despite high accuracy. This research aims to indirectly determine the uniaxial compressive strength by statistical and intelligent methods. For this purpose, physical properties, point load index, compressional wave velocity, Schmidt hardness, and uniaxial compressive strength of sandstone samples from Siah Bisheh dam site and Damavand city were measured. Then the performance of different models to estimate UCS based on compressional wave velocity, Schmidt hardness, point load index, and density using multivariate linear regression, random forest algorithm (RFA), K-nearest neighbor (KNN), artificial neural network (ANN) and the adaptive neural fuzzy inference system (ANFIS) were investigated. The results showed that the point load index has the greatest effect on compressive strength among the influencing factors. The results of UCS estimation using intelligent methods showed that RFA provides more accurate results than other investigated methods. The results of this method showed that the value of the model performance index, error (RMSE), and coefficient of determination (R2) are 1.96, 0.02, and 0.99, respectively. The percentage difference between the measured UCS and the predicted average is equal to -0.18%, which shows that the average of the four methods used shows less than one percent difference from the measured average value, and indicates a very high efficiency of these methods for estimating UCS. The results of the Kruskal-Wallis test showed that there is no significant difference between the measured and predicted UCS values. اندازه گیری مستقیم مقاومت فشاری تک محوره (UCS) با وجود دقت بالا، زمان بر، پر هزینه و دشوار است. هدف از تحقیق حاضر، تعیین غیرمستقیم مقاومت فشاری تک محوره به روش‌های آماری و هوشمند می‌باشد. بدین منظور ابتدا خصوصیات فیزیکی، شاخص بار نقطه‌ای، سرعت موج تراکمی و سختی اشمیت و مقاومت فشاری تک محوره نمونه‌های ماسه سنگ ساختگاه سد سیاه بیشه و نمونه‌های ماسه سنگ حاصل از شهر دماوند اندازه گیری شد. سپس عملکرد مدل‌های مختلف جهت تخمین UCS بر اساس سرعت موج تراکمی، سختی چکش اشمیت، شاخص بار نقطه‌ای و دانسیته با استفاده از رگرسیون خطی چند متغیره، الگوریتم جنگل تصادفی (RFA)، Kنزدیک‌ترین همسایه (KNN)، شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی عصبی تطبیقی (ANFIS) بررسی شد. نتایج نشان داد که از میان عوامل موتاثیر گذار، شاخص بار نقطه‌ای بیشترین تاثیر را بر مقاومت فشاری دارد. نتایج تخمین UCS به روش‌های هوشمند نشان داد که RFA نتایج دقیقتری نسبت به سایر روش‌های بررسی شده ارائه می‌کند. نتایج این روش نشان داد که مقدار شاخص عملکرد مدل، خطا (RMSE) و ضریب تعیین (R2) به ترتیب 1.96، 0.02 و 0.99 می‌باشند. درصد اختلاف UCS اندازه گیری شده با میانگین پیش‌بینی شده برابر با 0.18- درصد می‌باشد که نشان می‌دهد میانگین چهار روش مورد استفاده کمتر از یک درصد اختلاف را با مقدار متوسط اندازه گیری شده نشان می‌دهد و نشانگر کارایی بسیار بالای این روش‌ها در تخمین UCS می‌باشد. نتایج آزمون کروسکال-والیس نشان داد که تفاوت معنی داری بین مقادیر UCS اندازه گیری شده و پیش بینی شده وجود ندارد. https://www.jiraeg.ir/article_214161_f81caed6e7fbe5f533d5ef6228d43fc6.pdf