صفاریان, محسن, ایرجی, امین, آزادمهر, امیر. (1402). تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی، رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چند لایه. پژوهش های زبان شناسی تطبیقی, 17(34), 204-222. doi: 10.22084/nfag.2023.26691.1527
محسن صفاریان; امین ایرجی; امیر آزادمهر. "تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی، رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چند لایه". پژوهش های زبان شناسی تطبیقی, 17, 34, 1402, 204-222. doi: 10.22084/nfag.2023.26691.1527
صفاریان, محسن, ایرجی, امین, آزادمهر, امیر. (1402). 'تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی، رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چند لایه', پژوهش های زبان شناسی تطبیقی, 17(34), pp. 204-222. doi: 10.22084/nfag.2023.26691.1527
صفاریان, محسن, ایرجی, امین, آزادمهر, امیر. تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی، رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چند لایه. پژوهش های زبان شناسی تطبیقی, 1402; 17(34): 204-222. doi: 10.22084/nfag.2023.26691.1527

تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی، رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چند لایه

یافته‌های نوین زمین‌شناسی کاربردی
دوره 17، شماره 34، دی 1402، صفحه 204-222    اصل مقاله (1.29 M)
شناسه دیجیتال (DOI): 10.22084/nfag.2023.26691.1527
نویسندگان
محسن صفاریان1؛ امین ایرجی2؛ امیر آزادمهر* 3
1استادیار گروه مهندسی صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران
2استادیار دانشکده فنی و مهندسی، دانشگاه صنعتی ارومیه، ارومیه، ایران
3استادیار گروه مهندسی معدن، دانشگاه صنعتی بیرجند، بیرجند، ایران
چکیده
تخمین سرعت امواج برای طراحی سازه­های ژئوتکنیکی و مدل­سازی حفاری­های عمیق اهمیت زیادی دارد. هدف از این مطالعه تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی با استفاده از تابع کرنل نمایی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره می­باشد. به منظور انجام این مطالعه، 14 بلوک سنگی از شمال غرب شهر دماوند تهیه و بعد از انتقال به آزمایشگاه از آن­ها مغزه­گیری شد. جهت توسعه یک مدل پیش­بینی کننده، آزمایش­های شاخص بار نقطه­ای، سرعت موج تراکمی، تخلخل و دانسیته بر روی 61 نمونه مغزه سنگی انجام شد. شاخص بار نقطه­ای، سرعت موج تراکمی، تخلخل و چگالی به عنوان پارامترهای ورودی مدل­ها به منظور پیش­بینی سرعت موج برشی استفاده شدند. نتایج مطالعات سنگ­شناسی نشان داد که ماسه­سنگ­های مورد مطالعه، فلدسپاتیک لیتارنایت و ‌‌لیت‌آرنایت می­باشند. نتایج نشان داد که نسبت سرعت موج تراکمی به سرعت موج برشی بطور متوسط برابر با 70/1 می­باشد. نتایج شبکه عصبی مصنوعی پرسپترون چند لایه نشان داد که بیش­ترین دقت مدل­ها با استفاده از قانون آموزش لونبرگ مارکوارت حاصل شده است. دقیق­ترین مدل­ها با استفاده از این الگوریتم برای تخمین سرعت موج برشی در نورون شماره 2 (نورون بهینه) حاصل شد. روش رگرسیون فرایند گاوسی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره سرعت موج برشی را به ترتیب با ضرایب همبستگی 97/0، 96/0 و 95/0 پیش بینی نمودند. روش رگرسیون فرایند گاوسی عملکرد بهتری در پیش­بینی سرعت موج برشی نسبت به سایر روش­ها نشان داد.
کلیدواژه‌ها
خصوصیات فیزیکی و مکانیکی؛ ماسه سنگ؛ رگرسیون فرایند گاوسی؛ شبکه عصبی مصنوعی پرسپترون چندلایه؛ رگرسیون خطی چندمتغیره
مراجع
آمار
تعداد مشاهده مقاله: 722
تعداد دریافت فایل اصل مقاله: 469
دانشگاه بوعلی سینا
اخبار و اعلانات
آمار
تعداد نشریات22
تعداد شماره‌ها548
تعداد مقالات5,691
تعداد مشاهده مقاله11,250,211
تعداد دریافت فایل اصل مقاله7,552,313