پیش بینی تنش همرسی ترک در نمونه های شبه سنگی دارای درزه های ناممتد تحت بار برش مستقیم با استفاده از روش های یادگیری ماشین

شکستگی ها معمولا به شکل درزه ها و ریزترک ها در توده سنگ یافت می شوند و مکانیسم شکست آن ها به شدت به الگوی همرسی ترک بین ناپیوستگی های از قبل موجود بستگی دارد. تعیین رفتار شکست درزه های ناممتد یک مسئله مهندسی است که پارامترهای مختلفی ازجمله خصوصیات مکانیکی توده سنگ، تنش نرمال و نسبت سطح درزه به سطح برشی کل (ضریب درزه داری) را شامل می شود. در این مقاله، به منظور پیش بینی تنش همرسی ترک از دو روش یادگیری ماشین شامل الگوریتم بهینه ساز گرگ خاکستری (GWO) و برنامه ریزی بیان ژن (GEP) استفاده شده است. بدین منظور ۸ پارامتر ورودی موثر بر تنش همرسی ترک ازجمله ضریب درزه داری (JC)، تنش نرمال (σn)، مقاومت فشاری تک محوره (σc)، مقاومت کششی (σt)، نسبت پواسون (υ)، مدول الاستیسیته (E)، مقاومت چسبندگی (C) و زاویه اصطکاک داخلی (φ) بر اساس نتایج ۴۵۰ آزمایش برش مستقیم انجام شده بر روی نمونه های شامل ۲ دسته درزه ناممتد ساخته شده از ترکیب گچ، سیمان و آب انتخاب و سپس روش های GWO و GEP پیاده سازی گردیدند. به منظور ارزیابی کارایی مدل ها در پیش بینی تنش همرسی ترک در نمونه ها، از ۳ شاخص ضریب تعیین (R۲)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای داده های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش های GWO و GEP برای داده های آموزش به ترتیب ۹۶۲/۰ و ۹۳۸/۰ و برای داده های تست به ترتیب ۹۹۶/۰ و ۹۸۱/۰ به دست آمد که نشان دهنده کارایی بالاتر روش GWO در مقایسه با GEP است. به علاوه، نتایج نشان داد که مقادیر شاخص های RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم GWO کمتر از روش GEP می باشند که بیانگر خطای کمتر الگوریتم GWO و قابلیت اطمینان و دقت بالاتر آن نسبت به روش GEP است. بااین حال، می توان گفت که دو روش مورداستفاده دارای دقت بالایی بوده و بر اساس روش GEP رابطه ای جهت پیش بینی تنش همرسی ترک ارائه شد. همچنین، نتایج آنالیز اهمیت نشان می دهد که از بین پارامترهای ورودی، تنش نرمال (σn) و ضریب درزه داری (JC) به ترتیب بیشترین و کمترین تاثیر را بر تنش همرسی ترک دارند.

کلیدواژه ها:

درزه ناممتد ، پل سنگ ، تنش همرسی ترک ، الگوریتم بهینه ساز گرگ خاکستری ، برنامه ریزی بیان ژن