ارائه مدلي بهينه براي پيش بيني مقاومت فشاري شاتكريت با استفاده از روشهاي يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

كارشناسي ارشد

صنعت معدن، به‌عنوان يكي از اركان كليدي در توسعه اقتصادي و تأمين مواد اوليه، نيازمند فناوري‌ها و روش‌هاي نوين براي افزايش بهره‌وري و ايمني است. شاتكريت به‌عنوان يكي از مهم‌ترين تكنيك‌هاي پشتيباني تونل در پروژه‌هاي زيرزميني، به دليل ويژگي‌هايي همچون مقاومت بالا، اجراي سريع و قابليت استفاده در شرايط سخت، جايگاه ويژه‌اي در پروژه‌هاي معدني يافته است. مقاومت فشاري شاتكريت، به‌عنوان يكي از ويژگي‌هاي مكانيكي كليدي، نقشي اساسي در پايداري و ايمني سازه‌هاي زيرزميني دارد. با اين حال، روش‌هاي سنتي تعيين مقاومت فشاري، به‌دليل پيچيدگي، هزينه‌بر بودن و وابستگي به آزمايش‌هاي زمان‌بر، همواره با چالش‌هايي همراه بوده است. در اين پژوهش، با استفاده از الگوريتم‌هاي پيشرفته يادگيري ماشين نظير جنگل تصادفي (RF)، تقويت گراديان شديد) (XGBoost، رگرسيون بردار پشتيبان (SVR)، شبكه پرسپترون چندلايه (MLP)، LightGBM و درخت تصميم M5P، پيش‌بيني مقاومت فشاري شاتكريت مورد بررسي قرار گرفت. داده‌هاي مورد استفاده شامل نتايج آزمايش‌هاي آزمايشگاهي و اطلاعات جمع‌آوري‌شده از منابع علمي معتبر است. داده‌هاي مورد استفاده شامل 147 نمونه با 12 ويژگي ورودي از منابع معتبر و آزمايش‌هاي تجربي مرتبط با شاتكريت مي‌باشد. ارزيابي عملكرد مدل‌ها با دو روش تقسيم‌بندي داده شامل اعتبارسنجي متقاطع 10تايي و تقسيم‌بندي به نسبت 70-30 به ترتيب براي آموزش و آزمايش و با معيارهاي آماري شامل R²، MAE،MSE و RMSE انجام شد. نتايج نشان داد كه مدل شبكه عصبي چندلايه در روش تقسيم‌بندي به روش اعتبارسنجي متقاطع 10تايي، بهترين عملكرد را با ضريب تعيين (R²) برابر با 88/0 و خطاي كمتر نسبت به ساير مدل‌ها ارائه داد. اين تحقيق نشان مي‌دهد كه استفاده از مدل‌هاي يادگيري ماشين مي‌تواند به پيش‌بيني سريع و دقيق مقاومت فشاري شاتكريت كمك كند. نتايج اين پژوهش مي‌تواند در بهينه‌سازي طراحي تركيبات شاتكريت و ارتقاي ايمني و كارايي پروژه‌هاي معدني و عمراني مورد استفاده قرار گيرد.

233295

استخراج

مهندسي معدن

دانشگاه صنعتي اصفهان