محمد رضائی

اندازه‌گیری مستقیم مدول تغییرشکل‌پذیری توده‌سنگ با استفاده از آزمایش‌های برجا و آزمایشگاهی فرآیندی هزینه‌بر و زمان‌بر است. بنابراین، استفاده از روش‌های غیرمستقیم مانند الگوریتم‌های هوش مصنوعی برای تخمین این پارامتر می‌تواند جایگزینی مفید، سریع و مقرون به‌صرفه باشد. در این تحقیق، مدل‌سازی مدول تغییرشکل‌پذیری توده‌سنگ با استفاده از مدل‌های برنامه‌ریزی بیان ژن (GEP)، سیستم استنتاج فازی (FIS) و رگرسیون خطی چند متغیره (MLR) انجام گرفته است. داده‌های ورودی جهت تخمین مدول تغییرشکل‌پذیری شامل ارتفاع روباره، شاخص کیفیت توده‌سنگ، هوازدگی، مقاومت فشاری تک محوری، زاویه تمایل لایه‌بندی، ضریب سختی درزه و میزان پرشدگی درزه می‌باشد که در ساختگاه سد بختیاری جمع‌آوری گردیده است. پس از انجام مدل‌سازی، نتایج حاصل از سه مدل GEP، FIS و MLR با همدیگر، با داده‌های واقعی و با مدل‌های مشابه قبلی مقایسه شده است. مقدار شاخص‌های ارزیابی عملکرد ریشه میانگین مربعات خطا، میانگین خطای مطلق، واریانس حساب شده، ضریب بازدهی و ضریب تعیین به‌ترتیب برابر با ۲۷/۱، ۸۵/۱، ۹۹۱۲/۰، ۹۸۸۹/۰ و ۹۸۶۹/۰ برای مدل برنامه‌ریزی بیان ژن، ۵۱/۱، ۰۵/۲، ۹۸۷۶/۰، ۹۸۲۳/۰ و ۹۷۷۸/۰ برای مدل فازی و ۴۵/۴، ۹۷/۴، ۷۶۴۱/۰، ۷۵۶۹/۰ و ۷۴۴۴/۰ برای مدل آماری به‌دست آمد. نتایج فوق شان می‌دهد که دقت مدل‌های GEP و FIS بالاتر و خطای آنها کمتر از مدل MLR است. بر اساس ارزیابی نتایج مدل‌ها و مقایسه آنها با مقادیر واقعی و نتایج مدل‌های مشابه قبلی، قابلیت بالای دو مدل GEP و FIS در پیش‌بینی مدول تغییرشکل‌پذیری و برتری نسبی آنها نسبت به مطالعات قبلی اثبات گردید. با این حال، دقت GEP تا حدودی بالاتر از FIS بوده و نتایج آن تطابق نسبتاً بهتری با مقادیر واقعی دارد. در نهایت، نتایج تحلیل اهمیت متغیر نشان داد که پارامترهای هوازدگی و ارتفاع روباره به‌ترتیب بیش‌ترین و کم‌ترین تأثیر را بر مدول تغییرشکل‌پذیری توده‌سنگ در این تحقیق دارند.