زمین شناسی مهندسی، جلد ۱۱، شماره ۳، صفحات ۱-۲
عنوان فارسی
چکیده فارسی مقاله ترکیب شبکه عصبی تطبیقی مبتنی بر سیستم استنتاج فازی (ANFIS) و خوشه بندی کاهشی (SC) برای ارزیابی مدول تغییرشکل پذیری توده سنگ (Em) و مقاومت فشاری توده سنگ (UCSm) با در نظر گرفتن عمق اندازه گیری ها استفاده شده است. برای این منظور، 125 داده متشکل از 9 متغیر مقاومت فشاری توده سنگ (UCSm)، مدول تغییرشکل پذیری توده سنگ (Em)، عمق اندازه گیری، فاصله داری درزه، تداوم درزه، بازشدگی درزه، مقاومت فشاری سنگ بکر (UCSi)، شاخص ژئومکانیکی (RMR) و مدول الاستیک (Ei) جهت یادگیری مدل ANFIS مبتنی بر خوشه بندی کاهشی (ANFISBSC) استفاده شده است. سپس در مرحله دوم، مدل آموزش یافته ANFISBSC در مجموعه داده های 40 گانه آزمایش شده است. بنابراین، با در نظر گرفتن تأثیر پیچیدگی مدل در صحت ارزیابی، توده سنگ توسط مدل های 2 تا 6 متغیره شبیه سازی شده است. نتایج شبیه سازی مدل های چندمتغیره توده سنگ برای ارزیابی مقاومت فشاری توده سنگ (UCSm) و مدول تغییرشکل پذیری توده سنگ (Em) نشان داده است که با پیچیده شدن مدل ANFISBSC از 2 متغیره به 6 متغیره، صحت روش افزایش می بابد. مطابق نتایج به دست آمده، مدل سه متغیره شبیه سازی به روش ANFISBSC اگرچه روند کلی تخمین مقاومت فشاری توده سنگ (UCSm) و مدول تغییرشکل پذیری توده سنگ (Em) را به دست می دهد ولی همراه با 20 -30 درصد خطا می باشد؛ در حالی که در مدل 6 متغیره، مدول تغییر شکل پذیری توده سنگ (Em) و مقاومت فشاری توده سنگ (UCSm) به صورت موفقیت آمیزی با خطای کمتر از 3 درصد تخمین زده می شود. همچنین، شیب خط نمودار داده های اندازه گیری و داده های تخمین زده شده در مدل 6 متغیره به 1 نزدیک می شود و در مدل 3 متغیره، شیب این خط، 94/0 می باشد. بنابراین نتیجه گیری می شود که مدل 6 متغیره شبیه سازی شده توسط ANFISBSC پیش بینی قابل قبولی از مدول تغییرشکل پذیری توده سنگ (Em) و مقاومت فشاری توده سنگ (UCSm) را به دست می دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Multivariate Estimation of Rock Mass Characteristics Respect to Depth Using ANFIS Based Subtractive Clustering- Khorramabad - Polezal Freeway Tunnels
چکیده انگلیسی مقاله Combination of Adoptive Network based Fuzzy Inference System (ANFIS) and subtractive clustering (SC) has been used for estimation of deformation modulus (Em) and rock mass strength (UCSm) considering depth of measurement. To do this, learning of the ANFIS based subtractive clustering (ANFISBSC) was performed firstly on 125 measurements of 9 variables such as rock mass strength (UCSm), deformation modulus (Em), depth, spacing, persistence, aperture, intact rock strength (UCSi), geomechanical rating (RMR) and elastic modulus (Ei). Then, at second phase, testing the trained ANFISBSC structure has been perfomed on 40 data measurements. Therefore, predictive rock mass models have been developed for 2-6 variables where model complexity influences the estimation accuracy. Results of multivariate simulation of rock mass for estimating UCSm and Em have shown that accuracy of the ANFISBSC method increases coincident with development of model from 2 variables to 6 variables. According to the results, 3-variable model of ANFISBSC method has general estimation of both UCSm and Em corresponding with 20% to 30% error while the results of multivariate analysis are successfully improved by 6 – variable model with error of less than 3%. Also, dip of the fitted line on data point of measured and estimated UCSm and Em for 6–variable model approaches about 1 respect to 0.94 for 3 – variable model. Therefore, it can be concluded that 6 – variable model of ANFISBSC gives reasonable prediction of UCSm and Em.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سیدحامد موسوی | seyed hamed moosavi
engineer
ناظر شرکت مهندسین مشاور در پروژه

نشانی اینترنتی http://jeg.khu.ac.ir/browse.php?a_code=A-10-866-1&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده ژئوتکنیک (مکانیک خاک و سنگ)
نوع مقاله منتشر شده مقاله استخراج شده از پایان نامه
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات