پیش‌بینی مقاومت و مود همرسی ترک نمونه‌های شبه سنگی دارای درزه‌های ناممتد تحت تراکم با استفاده از الگوریتم‌های یادگیری ماشین

سرفرازی, وهاب; متین پور, فریبرز; محمدی بلبان‌آباد, شادمان; رضائی, محمد

پیش‌بینی مقاومت و مود همرسی ترک نمونه‌های شبه سنگی دارای درزه‌های ناممتد تحت تراکم با استفاده از الگوریتم‌های یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

وهاب سرفرازی ¹

فریبرز متین پور ²

شادمان محمدی بلبان‌آباد ³

محمد رضائی ⁴

¹ هیات علمی

² دانشگاه تهران

³ گروه معدن، دانشکده مهندسی، دانشگاه تربیت مدس

⁴ گروه مهندسی معدن، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

چکیده

در این پژوهش، مدل‌ پیش‌بینی مبتنی بر الگوریتم‌ جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و ترکیب آن‌ها (RF-SVM) با بکارگیری تکنیک جستجوی شبکه‌ای همراه با فرآیند اعتبارسنجی متقاطع، برای پیش‌بینی مقاومت و مود همرسی ترک در نمونه‌های شبه‌سنگی دارای درزه ناممتد تحت آزمایش‌های تراکم یک‌محوره و دو‌محوره، ارایه می شود. خصوصیات مقاومتی نمونه‌ (σc، σt، υ، E، C و tanφ)، فشار محصورکننده (σn)، تعداد درزه‌ها (N)، زاویه قرارگیری درزه‌ها نسبت به راستای افق (β) و ضریب درزه‌داری (JC) به عنوان پارامترهای ورودی و مود همرسی ترک و مقاومت نمونه‌ها به عنوان پارامترهای خروجی در نظر گرفته شدند. همچنین، با استفاده از رگرسیون خطی چندگانه (MLR) رابطه‌ای به منظور پیش‌بینی مقاومت نمونه‌ها ارائه شد. عملکرد مدل MLR و مدل‌های بهینه RF، SVM و RF-SVM براساس شاخص‌های آماری R2، RMSE، MAE و صحت کلی (OA) ارزیابی شد. مدل‌های RF-SVM، RF و SVM به ترتیب عملکرد به مراتب بهتری نسبت به مدل MLR دارند و قادرند مقاومت و مود همرسی ترک در نمونه‌ها را با دقت بسیار بالایی پیش‌بینی نمایند. همچنین، تحلیل عدم قطعیت به‌منظور ارزیابی اعتمادپذیری مدل‌ها انجام شد. نتایج تحلیل عدم قطعیت با استفاده از شاخص عرض بازه اطمینان (WCB) در مراحل آموزش و تست نشان داد که مدل ترکیبی RF-SVM و مدل‌های RF و SVM به ترتیب دارای کمترین مقدار WCB و بالاترین قطعیت در پیش‌بینی مقاومت نمونه‌ها هستند. نتایج نشان داد که مهمترین پارامترهای تأثیرگذار بر مقاومت نمونه‌ها به ترتیب σn، JC، C، cσ هستند، ولی پارامتر σn و N بیشترین تأثیر را بر مود شکست نمونه‌ها دارند.

کلیدواژه‌ها

درزه ناممتد

مود همرسی ترک

جنگل تصادفی

ماشین بردار پشتیبان

موضوعات

مکانیک سنگ

عنوان مقاله English

Prediction of strength and crack coalescence mode of rock-like specimens with non-persistent joints under compression using machine learning algorithms

نویسندگان English

vahab sarfarazi ¹

fariborz matinpoor ²

Shadman Mohammadi Bolbanabad ³

Mohammad Rezaei ⁴

¹ mining engineering department

² tehran university

³ Department of Mining Engineering, Faculty of Engineering, Tarbiat Modares University, Tehran

⁴ Department of mining engineering, Faculty of engineering, University of Kurdistan, Sanandaj, Iran

چکیده English

Jointed rock's strength characteristics and crack coalescence mode are considerably affected by its mechanical properties and pre-existing joint arrangement. In this paper, predictive models based on random forest (RF) and support vector machin (SVM) algorithms have been developed to predict strength (S) and crack coalesence mode (CCM) of jointed rock-like samples with non-persistent joints under uniaxial and biaxial compression tests. Mechanical properties of specimens (σc, σt, υ, E, C and tanφ), confining pressure (σn), number of joints (N), joint angle with respect to the horizon (β) and jointing coefficient (JC) were used as input parameters, while, S and CCM were assigned as output parameters. The performance of optimal RF and SVM models was evaluated based on the statistical criteria of coefficient of detemination (R2), root mean square error (RMSE), mean absolute error (MAE) and overall accuracy (OA). Also, multiple linear regression (MLR) model was used to predict S, as well as to evaluate and compare with optimal RF and SVM models. According to obtained results, it was concluded that both algorithms have superior efficiency and outperform the MLR model. Results of sensitivity analysis reveled that parameters C, σc, E and σt have the greatest effect on the strength of the samples, respectively, where JC parameter has the least effect on the strength of the specimens.

کلیدواژه‌ها English

non-persistent joint

Crack coalescence mode

SVM