مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,681
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

485
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تخمین مقاومت فشاری تک محوری و مدول الاستیسیته نمونه های کنگلومرا با استفاده از رگرسیون و شبکه عصبی مصنوعی

صفحات

 صفحه شروع 35 | صفحه پایان 46

چکیده

 تعیین دقیق برخی از خواص مکانیکی سنگ ها, مانند مقاومت فشاری تک محوری (Uniaxial Compressive Strength, UCS) , و مدول الاستیسیته (E), به زمان و هزینه قابل توجهی برای جمع آوری و آماده سازی نمونه های مناسب و آزمون های آزمایشگاهی نیاز دارد. UCS و E از جمله مهمترین خواص سنگ ها می باشند که تعیین آنها برای مطالعات مهندسی سنگ در بسیاری از پروژه های معدنی و مهندسی عمران ضروری می باشد. بنابراین برای به حداقل رساندن زمان و هزینه می توان از روابط تجربی که به طور گسترده ای برای برآورد خواص پیچیده سنگ ها از داده های حاصل از روش های آسان بهره می گیرد, استفاده نمود. هدف از این مطالعه, بررسی روش های شبکه عصبی مصنوعی (Artificial Neural Network, ANN) ,و رگرسیون چند متغیره خطی (Multiple linear regression, MLR) به منظور برآورد UCS و E می باشد. در این پژوهش متغیرهای مستقل شاخص مقاومت بار نقطه ای (Point Load Strength Index, Is (50)) , سرعت موج (Pressure wave velocity, Vp) تخلخل (n), چگالی (gd) و درصد رطوبت (water content, Wn) به عنوان پارامترهای ورودی به منظور پیش بینی متغیرهای وابسته (UCS, E) در هر دو روش استفاده شدند. روش MLR,UCS و E را به ترتیب با ضرایب تعیین R2 =0.85 و R2=0.72 پیش بینی نموده است. استفاده از شبکه عصبی پرسپترون چندلایه(Multilayer Perceptron, MLP) , ضرایب تعیین را تا سطح قابل قبولی (R2=0.98 برای UCS وR2=0.92 برای (E بهبود بخشید. در این مطالعه, علاوه بر ضریب تعیین (R2), شاخص های ریشه میانگین مربعات خطا (Root Mean Square Error, MAE) و میانگین قدر مطلق خطا (Mean Absolute, MAE) , برای ارزیابی قابلیت پیش بینی, مدل های ANN و MLR پیشنهادی نیز محاسبه شدند. نتایج این مطالعه نشان داد که روشANN , عملکرد بهتری در پیش بینی UCS و E نسبت به روش MLR دارد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    حیدری، مجتبی، رفیعی، بهروز، نوری، مهران، خانلری، غلامرضا، و مومنی، علی اکبر. (1393). تخمین مقاومت فشاری تک محوری و مدول الاستیسیته نمونه های کنگلومرا با استفاده از رگرسیون و شبکه عصبی مصنوعی. زمین شناسی ژئوتکنیک (زمین شناسی کاربردی-Journal of Geotechnical Geology)، 10(1)، 35-46. SID. https://sid.ir/paper/494897/fa

    Vancouver: کپی

    حیدری مجتبی، رفیعی بهروز، نوری مهران، خانلری غلامرضا، مومنی علی اکبر. تخمین مقاومت فشاری تک محوری و مدول الاستیسیته نمونه های کنگلومرا با استفاده از رگرسیون و شبکه عصبی مصنوعی. زمین شناسی ژئوتکنیک (زمین شناسی کاربردی-Journal of Geotechnical Geology)[Internet]. 1393؛10(1):35-46. Available from: https://sid.ir/paper/494897/fa

    IEEE: کپی

    مجتبی حیدری، بهروز رفیعی، مهران نوری، غلامرضا خانلری، و علی اکبر مومنی، “تخمین مقاومت فشاری تک محوری و مدول الاستیسیته نمونه های کنگلومرا با استفاده از رگرسیون و شبکه عصبی مصنوعی،” زمین شناسی ژئوتکنیک (زمین شناسی کاربردی-Journal of Geotechnical Geology)، vol. 10، no. 1، pp. 35–46، 1393، [Online]. Available: https://sid.ir/paper/494897/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button