■ تعیین پارامترهای مکانیکی سنگ کنگلومرا

■ عنوان مقاله: بررسی روش‌های رگرسیون چندمتغیره‌ی خطی و شبکه‌ی عصبی مصنوعی جهت تعیین مقاومت فشاری تک‌محوری و مدول الاستیسیته‌ی سنگ کنگلومرا
■ نویسندگان: مجتبی حیدری، مهران نوری، غلامرضا خانلری، علی‌اکبر مومنی
■ ارائه‌شده در: دومین کنفرانس ملی مهندسی ژئوتکنیک ایران (مهر ۱۳۹۳، کرمانشاه).

■ 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. 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 E ,UCS می باشد. متغیرهای مستقل شاخص مقاومت بار نقطه ای (point load Strength Index ,Is(۵۰))، سرعت موج(Pressure wave velocity، Vp) ، تخلخل(n)، چگالی (γa)و درصد رطوبت (water content، Wn) به عنوان پارامترهای ورودی به منظور پیش بینی متغیرهای وابسته UCS) و (E در هر دو روش استفاده شده اند. روش E و UCS ،MLR را به ترتیب با ضرایب تعیین R۲=۰.۷۳ و R۲=۰.۸۵ پیش بینی نموده است. استفاده از شبکه عصبی پرسپترون چندلایه(Multilayer Perceptron، MLP) ، ضرایب تعیین را تا سطح قابل قبولیR۲=۰.۹۸)برایUCS و R۲=۰.۹۲ برای(E بهبود بخشید. نتایج این مطالعه نشان می دهد که روشANN ، عملکرد بهتری در پیش بینی E و UCS نسبت به روش MLR دارد.

■ کلیدواژه‌ها :
مقاومت فشاری تک‌محوری، مدول الاستیسیته، کنگلومرا، رگرسیون چندمتغیره‌ی خطی، شبکه‌ی عصبی.