عنوان	پیش‌بینی مقاومت و مود همرسی ترک نمونه‌های شبه سنگی دارای درزه‌های ناممتد تحت تراکم با استفاده از الگوریتم‌های یادگیری ماشین
نوع پژوهش	مقاله چاپ‌شده در مجلات علمی
کلیدواژه‌ها	مواد شبه‌سنگی، درزه ناممتد، مود همرسی ترک، جنگل تصادفی، ماشین بردار پشتیبان
چکیده	خصوصیات مقاومتی سنگ درزه‌دار و فرآیند همرسی ترک در آن، به طور قابل توجهی به خصوصیات مکانیکی آن و پیکربندی درزه‌‌های از پیش‌ موجود وابسته هستند. در این پژوهش، مدل‌های پیش‌بینی کننده‌ای مبتنی بر الگوریتم‌ جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و نیز ترکیب آن‌ها (RF-SVM) با بکارگیری تکنیک جستجوی شبکه‌ای همراه با فرآیند اعتبارسنجی متقاطع، به‌منظور پیش‌بینی مقاومت و مود همرسی ترک در نمونه‌های شبه‌سنگی دارای درزه ناممتد تحت آزمایش‌های تراکم یک‌محوره و دو‌محوره، توسعه داده شده‌اند. خصوصیات مقاومتی نمونه‌ها (σc، σt، υ، E، C و tanφ)، فشار محصورکننده (σn)، تعداد درزه‌ها (N)، زاویه قرارگیری درزه‌ها نسبت به راستای افق (β) و ضریب درزه‌داری (JC) به عنوان پارامترهای ورودی و مود همرسی ترک و مقاومت نمونه‌ها به عنوان پارامترهای خروجی در فرآیند مدل‌سازی در نظر گرفته شدند. همچنین، با استفاده از رگرسیون خطی چندگانه (MLR) رابطه‌ای به منظور پیش‌بینی مقاومت نمونه‌ها ارائه شد. عملکرد مدل MLR و مدل‌های بهینه RF، SVM و RF-SVM براساس شاخص‌های آماری R2، RMSE، MAE و صحت کلی (OA) ارزیابی شد. نتایج نشان داد که مدل‌های RF-SVM، RF و SVM به ترتیب عملکرد به مراتب بهتری نسبت به مدل MLR دارند و قادرند مقاومت و مود همرسی ترک در نمونه‌ها را با دقت بسیار بالایی پیش‌بینی نمایند. همچنین، تحلیل عدم قطعیت به‌منظور ارزیابی اعتمادپذیری مدل‌ها انجام شد. نتایج تحلیل عدم قطعیت با استفاده از شاخص عرض بازه اطمینان (WCB) در مراحل آموزش و تست نشان داد که مدل ترکیبی RF-SVM و مدل‌های RF و SVM به ترتیب دارای کمترین مقدار WCB و بالاترین قطعیت در پیش‌بینی مقاومت نمونه‌ها هستند. در نهایت، نتایج تحلیل حساسیت نشان داد که مهمترین پارامترهای تأثیرگذار بر مقاومت نمونه‌ها به ترتیب σn، JC، C، cσ هستند، در حالی که پارامتر σn و N بیشترین تأثیر را بر مود شکست نمونه‌ها دارند.
پژوهشگران	وهاب سرفرازی (Vahab Sarfarazi) (نفر اول)، فریبرز متین پور (نفر دوم)، شادمان محمدی بلبان آباد (نفر سوم)، محمد رضائی (نفر چهارم)