fa پیش‌بینی خواص مقاومتی سنگ‌آهک‌های زون سنندج - سیرجان با استفاده از روش‌های آماری و شبکه عصبی زمین شناسی مهندسی Engineering Geology مقاله پژوهشی Original Research <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span dir="RTL" lang="FA">زون ساختاری - رسوبی سنندج - سیرجان یکی از مهم‌ترین مناطق زمین‌شناسی ایران است که سنگ‌آهک‌های موجود در آن نقش کلیدی در پروژه‌های عمرانی و معدنی ایفا می‌کنند. شناخت دقیق خواص مقاومتی این سنگ‌ها، به‌ویژه مقاومت فشاری تک‌محوری خشک&nbsp;(UCS_Dry)&nbsp;و شاخص بار نقطه‌ای خشک (Is_50-Dry)</span><span dir="RTL" lang="FA">، به‌منظور طراحی ایمن و اقتصادی سازه‌ها بسیار ضروری است. با توجه به هزینه و زمان‌بر بودن آزمایش‌های مستقیم، در این پژوهش از روش‌های غیرمستقیم مدل‌سازی شامل رگرسیون و شبکه عصبی برای پیش‌بینی این خواص استفاده شده است. ابتدا با گردآوری داده‌های فیزیکی، مکانیکی، دینامیکی و شیمیایی نمونه‌های سنگ‌آهک منطقه، بانک اطلاعات جامعی تهیه شد. سپس با استفاده از تحلیل رگرسیون تک متغیره، دومتغیره و چند ‌متغیره، روابط آماری بین متغیرها استخراج شد. در ادامه، مدل‌های شبکه عصبی پرسپترون چندلایه با ساختارهای مختلف و بر پایه الگوریتم یادگیری&nbsp; Levenberg-Marquardt&nbsp;</span><span dir="RTL">توسعه یافتند. نتایج حاصل از مقایسه عملکرد مدل‌ها نشان داد که شبکه‌ی عصبی به دلیل توانایی در شناسایی روابط پیچیده و غیرخطی بین پارامترها، در پیش‌بینی خواص مقاومتی سنگ‌آهک‌ها عملکرد دقیق‌تری نسبت به مدل‌های آماری ارائه می‌دهد.</span> <span dir="RTL" lang="FA">مقایسه‌ی ضریب هم‌بستگی معادله‌های رگرسیون چند متغیره و مدل‌های شبکه عصبی نشان می‌دهند که به‌طور کلی استفاده از مدل‌های شبکه عصبی پیش‌بینی مقاومت فشاری تک‌محوری خشک، 14.89 درصد و مدل‌های شبکه عصبی پیش‌بینی شاخص بار نقطه‌ای خشک، 4.70 درصد میزان دقت نتایج (ضریب هم‌بستگی) را افزایش می‌دهند.&nbsp;نتایج نشان می‌دهد که پیش‌بینی UCS_Dry</span>&nbsp;<span dir="RTL" lang="FA">در حضور Is_50-Dry</span>&nbsp;<span dir="RTL" lang="FA">در میان پارامترهای ورودی تأثیر بسزایی در بهبود دقت مدل‌ها دارد. به‌عنوان نمونه، مدل با ورودی‌های Is_50-Dry ، SH ،&nbsp;</span>&gamma; _Dry<span dir="RTL" lang="FA"> و&nbsp; n&nbsp; عملکرد بسیار خوبی از خود نشان دهد. برای پیش‌بینی Is_50-Dry نیز، مدل‌هایی که شامل پارامترهای SDI1</span>&nbsp; و BI_Dry&nbsp;&nbsp;<span dir="RTL" lang="FA">به‌عنوان ورودی بودند، عملکرد بسیار مطلوبی داشتند. استفاده از این مدل‌ها می‌تواند در کاهش هزینه‌ها، افزایش سرعت مطالعات مهندسی سنگ و بهبود ایمنی پروژه‌های عمرانی مؤثر باشد.</span></span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;">The Sanandaj&ndash;Sirjan Structural-Sedimentary Zone is one of the most important geological regions in Iran. The limestone formations in this area play a key role in civil engineering and mining projects. Knowing the precise mechanical properties of these rocks, especially the uniaxial compressive strength (UCS dry) and dry point load index (Is₅₀-dry), is essential for safely and economically designing structures. Because direct testing methods are costly and time-consuming, this study uses indirect modeling techniques, such as regression and neural networks, to predict these properties. First, a comprehensive database was compiled by collecting the physical, mechanical, dynamic, and chemical data of limestone samples from the region. Then, univariate, bivariate, and multivariate regression analyses were conducted to extract statistical relationships among the variables. Finally, multilayer perceptron neural network models with various architectures based on the Levenberg&ndash;Marquardt learning algorithm were developed. The comparison results of the model performance indicated that neural networks, due to their ability to identify complex and nonlinear relationships between parameters, provide more accurate predictions of the limestone mechanical properties compared to statistical models. A comparison of the correlation coefficients of multivariate regression equations and neural network models showed that, overall, using neural network models improves the accuracy of UCS Dry predictions by 14.89% and the Is ₅₀-Dry predictions by 4.70%. The results show that predicting UCS Dry in the presence of Is ₅₀-Dry among the input parameters has a significant impact on improving the accuracy of the models. For example, the model with the inputs Is ₅₀-Dry, SH, &gamma; Dry and n showed very good performance. For predicting Is ₅₀-Dry, the models that included the parameters SDI1 and BI Dry as inputs also performed very well. The application of these models can contribute to cost reduction, increased speed of rock engineering studies, and improved safety in civil projects.</span></span></span></span></div> پرسپترون چند لایه, خواص زمین‌شناسی مهندسی, رگرسیون, شاخص بار نقطه‌ای, مقاومت فشاری تک‌محوری Multi Layer Perceptron, Engineering Geological Characteristics, Regression, Point load index, Uniaxial compressive strength. 290 327 http://jeg.khu.ac.ir/browse.php?a_code=A-10-1806-2&slc_lang=fa&sid=1 Mojtaba Rahimi Shahid مجتبی رحیمی شهید mr619htt@gmail.com 10031947532846007111 10031947532846007111 No Ferdowsi University of Mashhad, Mashhad, Iran دانشگاه فردوسی مشهد Gholam Reza Lashkaripour غلامرضا لشکری پور Lashkaripour@um.ac.ir 10031947532846007112 10031947532846007112 Yes Ferdowsi University of Mashhad, Mashhad, Iran دانشگاه فردوسی مشهد Naser Hafezi Moghaddas ناصر حافظی مقدس nhafezii@um.ac.ir 10031947532846007113 10031947532846007113 No Ferdowsi University of Mashhad, Mashhad, Iran دانشگاه فردوسی مشهد