عنوان

تعیین مدول الاستیسیته سنگ بکر با استفاده از مدل های هوشمند

Number

۲۲۰ط

.Language of Text, Soundtrack etc

فارسی

Title Proper

تعیین مدول الاستیسیته سنگ بکر با استفاده از مدل های هوشمند

General Material Designation

[طرح‌های تحقیقاتی و پروژه‌ها]

First Statement of Responsibility

/ محمد رضائی

Place of Publication, Distribution, etc.

سنندج

Name of Publisher, Distributor, etc.

: دانشگاه کردستان، دانشکده مهندسی

Date of Publication, Distribution, etc.

، ۱۳۹۶

Specific Material Designation and Extent of Item

خ، ۶۵ص

Other Physical Details

: مصور، جدول

Text of Note

چکیده فارسی - عربی

Text of Note

کتابنامه: ص. ۶۰-۶۴

Text of Note

عناوين دستاوردهاي حاصل از نتايج و اجراي طرح:1- Rezaei M. (2017). Feasibility of novel techniques to predict the elastic modulus of rocks based on the laboratory data. International Journal of Geotechnical Engineering, (Status: Published).2- Rezaei M. (2017). Indirect measurement of the elastic modulus of intact rocks using soft computing and statistical methods. Measurement, (Status: Under Review).

0

Text of Note

مدول الاستیسیته سنگ بکر (E) نقش مهمی در طراحی اولیه و نهایی اکثر پروژه¬های مهندسی معدن، عمران و زمین شناسی مهندسی بازی می¬کند. این پارامتر عموماً به صورت مستقیم در آزمایشگاه اندازه گیری می¬شود. با وجود دقت بالا، این روش نیازمند دستگاه¬های آزمایش پیچیده، نمونه¬های با کیفیت بالا و دارای ابعاد دقیق می¬باشد که در نهایت باعث زمان¬بر و پر هزینه بودن آن شده است. به عنوان جایگزینی برای روش مستقیم، اخیراً از روش¬های غیر مستقیم برای تعیین مدول الاستیسیته سنگ استفاده می¬شود. در این راستا، از سه روش هوشمند شبکه عصبی پس انتشار خطا، شبکه عصبی تابع شعاعی پایه و سیستم فازی ممدانی به همراه روش آماری رگرسیون خطی چند متغیره برای تعیین مدول الاستیسیته سنگ بکر در این تحقیق استفاده شده است. بدین منظور، از داده¬های اندازه گیری شده بر روی نمونه¬های برداشتی از ساختگاه سد آزاد مریوان و سد بختیاری برای طراحی و اعتبارسنجی مدل¬های پیشنهادی بهره گرفته شده است. برای تعیین مدول الاستیسیته، 8 متغیر تأثیر گذار شامل عمق مغزه گیری، چگالی خشک، تخلخل، شاخص دوام، مقاومت فشاری تک محوری، ضریب پواسون، سرعت موج¬ P و سرعت موج S در سنگ به عنوان پارامترهای ورودی در نظر گرفته شده است. مقایسه عملکرد مدل¬های پیشنهادی با استفاده از شاخص¬های آماری ارزیابی عملکرد شامل ضریب تصمیم گیری، ضریب بازدهی، واریانس حساب شده، میانگین مربعات خطا و میانگین خطای مطلق انجام شده است. نتایج این ارزیابی نشان داد که عملکرد مدل فازی ممدانی تا حدودی از مدل شبکه تابع شعاعی پایه بهتر و عملکرد آن هم نسبتاً بهتر از شبکه پس انتشار خطا است و عملکرد هر سه مدل فوق بسیار بالاتر از روش آماری رگرسیون خطی چند متغیره می¬باشد. در نهایت، آنالیز حساسیت مدل¬های پیشنهادی نشان داد که تمام پارامترهای ورودی دارای تأثیر مهمی بر خروجی هستند. با این حال، در مدل فازی ممدانی سرعت موج P و تخلخل، در شبکه عصبی تابع شعاعی پایه مقاومت فشاری تک محوری و تخلخل و در شبکه عصبی پس انتشار خطا سرعت موج P و عمق مغزه گیری به ترتیب دارای بیشترین و کمترین تأثیر بر مدول الاستیسیته می¬باشند.

Text of Note

Elastic modulus of intact rocks (E) plays an important role in the initial and final designing of the majority of mining and civil engineering and engineering geology related projects. In general, this parameter is directly measured in laboratory. Despite the high accuracy, complicated test tools and core specimens with high quality and appropriate dimension are needed in this method. These cause that it would be a costly and time-consuming method in practice. As an alternative to the direct method, indirect methods have been recently utilized in order to determine the elastic modulus of intact rocks (E). In this research, three intelligent techniques including Mamamdani fuzzy inference system (MFIS), back-propagation neural network (BPNN) and radial basis function neural network (RBFNN) as well as multiple linear regression (MLR) were used for estimation of E. For this purpose, measured data from the Azad and Bakhtiary dam sites in Iran are considered for models construction and validation. For elastic modulus determination, eight effective variables including depth of coring, dry density, porosity, durability index, unconfined compressive strength, Poisson ratio, primary (compressional) and secondary (shear) wave velocities are considered as the models input parameters. Comparing the developed models performance is performed by using the evaluation performance statistical indices including determination coefficient, coefficient of efficiency, variance account for, root mean aquare error and mean absolute error. These evaluation results showed that the MFIS model is slightly accurate than the RBFNN model and it also somewhat presice compared to the BPNN model. However, all of these three model are considerably accurarate the the MLR model. Finally, sensitivity analysis showed that primary (compressional) wave velocity and porosity in the MFIS model, unconfined compressive strength and porosity in the RBFNN model and primary (compressional) wave velocity and depth of coring in the BPNN model are the most and least effective variables on the intact rock elastic modulus, respectively.

fa

ba

Parallel Title

:Determination of the elastic modulus of intact rock using intelligent models

Subject Term

Intact rock elastic modulus

Subject Term

Mamdani fuzzy inference system

Subject Term

Back-propagation neural network

Subject Term

Radial basis function neural network

Subject Term

Multiple linear regression

Entry Element

رض‍ائ‍ی‌

Part of Name Other than Entry Element

، م‍ح‍م‍د

Relator Code

پديدآور

Entry Element

دانشگاه کردستان

Subdivision

. دانشکده مهندسی

Country

ایران

Agency

کتابخانه مرکزی دانشگاه کردستان

Date of Transaction

20171213

Call Number

EG۲۲۲ ۱۳۹۶ کتابخانه مرکزی

p

XF

272498

1

a

Y