جلد 19، شماره 5 - ( ویژه مقالات انگلیسی 1404 )
جلد 19 شماره 5 صفحات 676-648 |
برگشت به فهرست نسخه ها
Research code: Article Code: A-10-2047-1
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fatemi Aghda S M, Hamidi A, Amiri F. Uncertainty quantification of ucs prediction in sedimentary rocks using petrographic features: a machine learning–monte carlo approach. Journal of Engineering Geology 2025; 19 (5) :648-676
URL: http://jeg.khu.ac.ir/article-1-3178-fa.html
URL: http://jeg.khu.ac.ir/article-1-3178-fa.html
فاطمی عقدا سید محمود، حمیدی آسیه، امیری فاطمه. کمیسازی عدمقطعیت پیشبینی UCS در سنگهای رسوبی با استفاده از ویژگیهای پتروگرافی: رویکرد یادگیری ماشین_شبیهسازی مونت کارلو. نشریه زمین شناسی مهندسی. 1404; 19 (5) :648-676
1- دانشگاه خوارزمی ، fatemi@Khu.ac.ir
2- دانشگاه تورنتو
3- دانشگاه خوارزمی
2- دانشگاه تورنتو
3- دانشگاه خوارزمی
چکیده: (1819 مشاهده)
ارزیابی مقاومت مکانیکی، بهویژه مقاومت فشاری تکمحوری (Uonixal Compersive Strength) سنگها، برای طراحی و پیشبینی عملکرد سازههای سطحی و زیرزمینی حیاتی است و تأثیر زیادی بر هزینهها و ایمنی پروژهها دارد. روشهای آزمایشگاهی سنتی برای ارزیابی UCS مخرب، زمانبر و پرهزینه هستند، در حالی که روشهای غیرمستقیم اغلب به دلیل ناهمگنی سنگها از دقت و قابلیت اطمینان کافی برخوردار نیستند. این مطالعه با توسعه چارچوبهای پیشرفته یادگیری ماشین که ویژگیهای پتروگرافی را با ویژگیهای سنتی سنگها ترکیب میکنند، این محدودیتها را برطرف کرده و به پیشبینی UCS و کمیسازی عدمقطعیتها پرداخته است. دادههای جامع از سنگهای رسوبی سواحل جنوبی ایران (خلیج فارس و دریای عمان) استفاده شده است که شامل ویژگیهای مکانیکی (UCS، مقاومت کششی برزیلی، شاخص بار نقطهای، تخلخل، سرعت پالس فراصوت)، شاخصهای دوام (سایش لس آنجلس، دوام ترکخوردگی، ارزش تأثیر مصالح) و ویژگیهای پتروگرافی استخراجشده از تحلیل مقاطع نازک میباشد. سه رویکرد مکمل بهکار گرفته شدهاند: (1) رگرسیون ترکیبی شبکه عصبی-افزایش گرادیان (ANN-GBR)، (2) جنگل تصادفی بهینهشده با AutoML، و (3) شبیهسازی مونت کارلو برای کمیسازی عدمقطعیت. . نتایج نشان داد که مدل جنگل تصادفی بهینهشده با AutoML عملکرد پیشبینی استثنائی با R² = 0.9884، RMSE = 0.5732 MPa و MAPE = 3.6% داشت که بهطور چشمگیری از روشهای تجربی سنتی بهتر عمل کرده است. رویکرد ترکیبی ANN-GBR موفق به کسب R² = 0.9412 و RMSE = 1.385 MPa شده است. شبیهسازیهای مونت کارلو ارزیابیهای احتمالاتی مقاوم با فواصل اطمینان 95% و شناسایی بایاس سیستماتیک را ارائه داده است. تحلیل اهمیت ویژگیها نشان داد که ویژگی های سلامت سدیم و ترکیب کانی شناسی مهمترین پیشبینیکنندهها هستند. چارچوب توسعه یافته مزایای عملی قابلتوجهی از جمله کاهش هزینههای آزمایشگاهی، پیشبینی سریعتر برای کنترل کیفیت و ارزیابی بهبود یافته ریسک از طریق کمیسازی عدمقطعیتها را فراهم میآورد و رویکردی مقاوم و مقرونبهصرفه برای ارزیابی مقاومت سنگها ارائه میدهد.
واژههای کلیدی: مقاومت فشاری تک محوری، ماشین لرنینگ، ویژگیهای پتروگرافی، کمی سازی عدم قطعیت، شبیه سازی مونت کارلو، مهندسی سنگ، سنگهای ساحلی ایران.
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
زمین شناسی مهندسی
دریافت: 1404/6/27 | پذیرش: 1404/8/26 | انتشار: 1405/10/10
دریافت: 1404/6/27 | پذیرش: 1404/8/26 | انتشار: 1405/10/10
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
