جستجو در مقالات منتشر شده


2 نتیجه برای عدم قطعیت
عدم قطعیت در سرعت موج برشی مبنی بر آزمایش نفوذ استاندارد به‌کمک مدل بهینه توان‌مند
حسین ملاعباسی، فرزین کلانتری،
جلد 6، شماره 2 - ( 11-1391 )
چکیده
سرعت موج برشی از مهم‌ترین پایۀ خصوصیات مهندسی خاک در ارتباط با مدول‌های برشی خاک است. در بسیاری از حالت‌ها تعیین سرعت موج برشی به‌وسیلۀ آزمایش‌های صحرایی ترجیح داده می‌شود که می‌توان آزمایش نفوذ استاندارد را مثال زد. عدم قطعیت در اندازه‌گیری و تخمین پارامترهای مؤثر همواره به‌عنوان یک مسئله مطرح است و روش‌های آماری گوناگونی برای در نظرگرفتن این عدم قطعیت ارائه شده است. در این مقاله یک روش نوین با تکیه بر بهینه‌سازی توان‌مند برای در نظر گرفتن اثر عدم قطعیت ارائه شده است. برای دست‌یابی به اهدف این روش یک مجموعه داده که مشتمل بر 326 داده منطقه آداپازاری ترکیه را از منابع معتبر گردآوری گردید. تکنیک استفاده شده در این تحقیق بر اساس مدل توان‌مند کم‌ترین مربعات خطا که یک مسئلۀ از نوع مخروطی درجه دوم است به‌کمک روش نقطه درونی حل می‌شود، است. با توجه به نرم فروبنیوس داده‌ها معیارعدم قطعیت معرفی گردیده و برای ضرایب ثابت روابط ارزیابی شد. در انتها نتایج مدل‌های جدید با روابط آماری متداول مقایسه شد و مزایا و امکانات مدل پیشنهادی برجسته گردید.
کمی‌سازی عدم‌قطعیت پیش‌بینی UCS در سنگ‌های رسوبی با استفاده از ویژگی‌های پتروگرافی: رویکرد یادگیری ماشین_شبیه‌سازی مونت کارلو
پروفسور سید محمود فاطمی عقدا، دکتر آسیه حمیدی، مهندس فاطمه امیری،
جلد 19، شماره 5 - ( 10-1404 )
چکیده
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.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به نشریه زمین شناسی مهندسی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Engineering Geology

Designed & Developed by : Yektaweb