پیش‌بینی تنش همرسی ترک در نمونه‌های شبه سنگی دارای درزه‌های ناممتد تحت بار برش مستقیم با استفاده از روش‌های یادگیری ماشین

Abstract

شکستگی‌ها معمولاً به شکل درزه‌ها و ریزترک‌ها در توده سنگ‌ یافت می‌شوند و مکانیسم شکست آن‌ها به‌شدت به الگوی همرسی ترک بین ناپیوستگی‌های از قبل موجود بستگی دارد. تعیین رفتار شکست درزه‌های ناممتد یک مسئله مهندسی است که پارامترهای مختلفی ازجمله خصوصیات مکانیکی توده سنگ، تنش نرمال و نسبت سطح درزه به سطح برشی کل (ضریب درزه‌داری) را شامل می‌شود. در این مقاله، به‌منظور پیش‌بینی تنش همرسی ترک از دو روش یادگیری ماشین شامل الگوریتم بهینه‌ساز گرگ خاکستری (GWO) و برنامه‌ریزی بیان ژن (GEP) استفاده شده است. بدین منظور 8 پارامتر ورودی مؤثر بر تنش همرسی ترک ازجمله ضریب درزه‌داری (JC)، تنش نرمال (σn)، مقاومت فشاری تک‌محوره (σc)، مقاومت کششی (σt)، نسبت پواسون (υ)، مدول الاستیسیته (E)، مقاومت چسبندگی (C) و زاویه اصطکاک داخلی (φ) بر اساس نتایج 450 آزمایش برش مستقیم انجام‌شده بر روی نمونه‌های شامل 2 دسته‌درزه ناممتد ساخته‌شده از ترکیب گچ، سیمان و آب انتخاب و سپس روش‌های GWO و GEP پیاده‌سازی گردیدند. به‌منظور ارزیابی کارایی مدل‌ها در پیش‌بینی تنش همرسی ترک‌ در نمونه‌ها، از 3 شاخص ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای داده‌های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش‌های GWO و GEP برای داده‌های آموزش به ترتیب 962/0 و 938/0 و برای داده‌های تست به ترتیب 996/0 و 981/0 به دست آمد که نشان‌دهنده کارایی بالاتر روش GWO در مقایسه با GEP است. به‌علاوه، نتایج نشان داد که مقادیر شاخص‌های RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم GWO کمتر از روش GEP می‌باشند که بیانگر خطای کمتر الگوریتم GWO و قابلیت اطمینان و دقت بالاتر آن نسبت به روش GEP است. بااین‌حال، می‌توان گفت که دو روش مورداستفاده دارای دقت بالایی بوده و بر اساس روش GEP رابطه‌ای جهت پیش‌بینی تنش همرسی ترک ارائه شد. همچنین، نتایج آنالیز اهمیت نشان می‌دهد که از بین پارامترهای ورودی، تنش نرمال (σn) و ضریب درزه‌داری (JC) به ترتیب بیشترین و کمترین تأثیر را بر تنش همرسی ترک دارند.

Keywords

• درزه ناممتد
• پل سنگ
• تنش همرسی ترک
• الگوریتم بهینه‌ساز گرگ خاکستری
• برنامه‌ریزی بیان ژن