تحلیل عددی رفتار GCLهای ژئوپلیمری در پوشش مدفنهای پرتوزا تحت رویکرد یادگیری ماشین

مدیریت ایمن پسماندهای پرتوزا به عنوان یکی از چالشهای کلیدی مهندسی ژئوتکنیک و محیط زیست، نیازمند توسعه مصالح پیشرفته مانند پوشش های رسی ژئوپلیمری (GCLها) در سامانه های پوششی مدفن هاست. این پژوهش با هدف تحلیل رفتار مکانیکی هیدرولیکی-شیمیایی جفت شده (THMC) جی سی ال های ژئوپلیمری تحت تاثیر تابش رادیواکتیو و دوره های زمانی طولانی مدت رویکردی ترکیبی از مدل سازی عددی مبتنی بر روش اجزای محدود در نرم افزار PLAXIS ۲D و الگوریتم یادگیری ماشین Random Forest را به کار گرفته است. مدل دو بعدی با ابعاد ۱۰۰×۲۰ متر، مش بندی مثلثی ۱۵ گره ای و تحلیل جفت شده جریان-تغییر شکل چهار سناریو اصلی سطوح تابش کم، زیاد و دوره های ۱۰ و ۲ ساله را شبیه سازی کرد و داده های خروجی شامل نشست، فشار منفذی و نفوذپذیری را استخراج نمود. الگوریتم Random Forest بر اساس این داده ها آموزش دیده و با RMSE پایین ۰/۰۱۸-۰/۰۲۲ متر برای نشست الگوهای غیر خطی را پیش بینی کرد؛ نتایج نشان داد افزایش تابش نشست را تا ۴۵-۷۵٪ و فشار منفذی را تا ۴۴۲۵ افزایش می دهد در حالی که نفوذپذیری تا ۳۰-۴۰٪ کاهش می یابد که پایداری شیمیایی ژئوپلیمرها را تایید می کند. تحلیل اهمیت ویژگی ها نقش غالب مدول الاستیسیته (۰/۵۲ در نشست) و تابش (۰/۵۰ در نفوذپذیری) را برجسته ساخت. این رویکرد دقت پیش بینی را ۳۰٪ افزایش داده، زمان محاسباتی را ۵۰٪ کاهش می دهد و پایه ای برای بهینه سازی طراحی پوشش ها و کاهش ریسک های محیطی فراهم می آورد که می تواند به تدوین استانداردهای IAEA کمک کند.

کلیدواژه ها:

GCL ، ژئوپلیمری ، مدفن پرتوزا ، تحلیل عددی ، یادگیری ماشین ، پسماند هسته ای