en کمی‌سازی عدم‌قطعیت پیش‌بینی UCS در سنگ‌های رسوبی با استفاده از ویژگی‌های پتروگرافی: رویکرد یادگیری ماشین_شبیه‌سازی مونت کارلو 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 style="line-height:2;">ارزیابی مقاومت مکانیکی، به‌ویژه مقاومت فشاری تک‌محوری (Uonixal Compersive &nbsp;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 R&sup2; = 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 R&sup2; = 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.</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;"><span new="" roman="" times="">The evaluation of mechanical strength, particularly the uniaxial compressive strength (UCS) of rocks, plays a critical role in the design and performance prediction of surface and underground structures, significantly impacting project costs and safety in engineering applications. Traditional laboratory testing methods for UCS assessment are destructive, time-consuming, and expensive, while indirect methods often lack reliability due to rock heterogeneity. This study addresses these limitations by developing advanced machine learning frameworks that integrate petrographic features with conventional rock properties to predict UCS and quantify associated uncertainties. The research utilized a comprehensive dataset from sedimentary rocks collected along Iran's southern coastlines (Persian Gulf and Gulf of Oman), encompassing mechanical properties (UCS, Brazilian tensile strength, point load index, porosity, ultrasonic pulse velocity), durability indices (Los Angeles abrasion, slake durability, aggregate impact value), and detailed petrographic characteristics derived from thin-section analysis. Three complementary approaches were implemented: (1) hybrid Neural Network-Gradient Boosting regression (ANN-GBR), (2) AutoML-optimized Random Forest, and (3) Monte Carlo simulation-based uncertainty quantification. Key petrographic features including immature and mature clastic textures, the mineral composition (quartz, chert) were used as input parameters alongside alongside  laboratory testing to improve the prediction of UCS.The influence of these petrographic features on the rock’s microstructure and microcrack propagation contributes to reducing model uncertainty and enhances the reliability of predictions in complex and heterogeneous rock conditions. The AutoML-optimized Random Forest model demonstrated exceptional predictive performance with R² = 0.9884, RMSE = 0.5732 MPa, and MAPE = 3.6%, significantly outperforming traditional empirical methods. The ANN-GBR hybrid approach achieved R² = 0.9412 with RMSE = 1.385 MPa, while Monte Carlo simulations provided robust probabilistic assessments through 95% confidence intervals and systematic bias identification. Feature importance analysis revealed that soundness parameters and mineralogical composition are the most influentialpredictors, emphasizing the critical role of micro-scale petrographic properties in determining macroscopic mechanical  behavior.  </span><br>  </span></span></span></span></div> مقاومت فشاری تک محوری, ماشین لرنینگ, ویژگی‌های پتروگرافی, کمی سازی عدم قطعیت, شبیه سازی مونت کارلو, مهندسی سنگ, سنگ‌های ساحلی ایران. Uniaxial compressive strength, Machine learning, Petrographic features, Uncertainty quantification, Monte Carlo simulation, Rock engineering, Iranian coastal rocks. 648 676 http://jeg.khu.ac.ir/browse.php?a_code=A-10-2047-1&slc_lang=en&sid=1 Seyyed Mahmoud Fatemi Aghda سید محمود فاطمی عقدا fatemi@Khu.ac.ir 10031947532846007376 10031947532846007376 Yes Kharazmi University دانشگاه خوارزمی Asieh Hamidi آسیه حمیدی asieh.hamidi@utoronto.ca 10031947532846007377 10031947532846007377 No University of Toronto دانشگاه تورنتو Fatemeh Amiri فاطمه امیری fatemeh.amiri@Khu.ac.ir 10031947532846007378 10031947532846007378 No Kharazmi University دانشگاه خوارزمی