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.
