جلد 19، شماره 2 - ( تابستان 1404 )
جلد 19 شماره 2 صفحات 327-290 |
برگشت به فهرست نسخه ها
Research code: 3/56943
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rahimi Shahid M, Lashkaripour G R, Hafezi Moghaddas N. Prediction of the Strength Characteristics of Limestones in the Sanandaj – Sirjan Zone Using Statistical Methods and Neural Network. Journal of Engineering Geology 2025; 19 (2) :290-327
URL: http://jeg.khu.ac.ir/article-1-3172-fa.html
URL: http://jeg.khu.ac.ir/article-1-3172-fa.html
رحیمی شهید مجتبی، لشکری پور غلامرضا، حافظی مقدس ناصر. پیش‌بینی خواص مقاومتی سنگ‌آهک‌های زون سنندج - سیرجان با استفاده از روش‌های آماری و شبکه عصبی. نشریه زمین شناسی مهندسی. 1404; 19 (2) :290-327
1- دانشگاه فردوسی مشهد
2- دانشگاه فردوسی مشهد ،Lashkaripour@um.ac.ir
2- دانشگاه فردوسی مشهد ،
چکیده: (587 مشاهده)
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 (UCSDry) و شاخص بار نقطه‌ای خشک (Is50-Dry)، 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 Levenberg-Marquardt 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. 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. نتایج نشان می‌دهد که پیش‌بینی UCSDry در حضور Is50-Dry در میان پارامترهای ورودی تأثیر بسزایی در بهبود دقت مدل‌ها دارد. به‌عنوان نمونه، مدل با ورودی‌های Is50-Dry ، SH ، γ Dry و n عملکرد بسیار خوبی از خود نشان دهد. برای پیش‌بینی Is50-Dry نیز، مدل‌هایی که شامل پارامترهای SDI1 و BIDry 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.
واژه‌های کلیدی: پرسپترون چند لایه، خواص زمین‌شناسی مهندسی، رگرسیون، شاخص بار نقطه‌ای، مقاومت فشاری تک‌محوری
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
زمین شناسی مهندسی
دریافت: 1404/4/15 | پذیرش: 1404/6/12 | انتشار: 1404/6/31
دریافت: 1404/4/15 | پذیرش: 1404/6/12 | انتشار: 1404/6/31
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
