تخمين سيستم طبقه بندي ژئومكانيكي توده سنگ (RMRb) بر مبناي امتياز بندي پيوسته با استفاده از مدل ANFIS-FCM

Prediction of geomechanics Rock Mass Rating (RMRb) System based on Continuous Rating through ANFIS-FCM Model

جهت بررسي و پردازش خصوصيات توده سنگ و خاك از سيستم هاي طبقه بندي استفاده مي كنند ، از جملهه مهمترين اين سيستم ها، سيستم طبقه بندي امتياز توده سنگ (RMRb) است . در اين سيستم طبقه بندي به دليل عدم قطعيتهاي موجود در پارامتر هاي ورودي، تعيين مرز قطعي بين طبقات و نسبت دادن يك مقدار مشخص به يك طبقه خاص مشكل است بنابراين وقتي مقدار پارامترهاي ورودي نزديك مرز بين طبقات قرارگيرند تصميم گيري در مورد امتياز آن با قطعيت صورت نمي گيرد. به كمك مدلسازي ANFIS-FCM مي توان عدم قطعيت ها را در سيستم طبقه بندي RMRb بر مبناي امتياز بندي پيوسته لحاظ نمود. همچنين اين مدل سازي به اثبات نظريه بنياويسكي در مورد غيرخطي بودن اين سيستم با استفاده از سري زماني و روابط رياضي مي پردازد. از جمله مهمترين مزيت مدل ارائه شده در مورد داده هاي برداشت شده از آنومالي B معادن سنگ آهن سنگان ، تخمين خروجي سيستم طبقه بندي RMRb مستقيم و بدون در نظر گرفتا پارامترهاي ورودي است كه نسبت به ساير مدل ها داراي نتايج مناسب تر و از درجه اطمينان بالاتري برخوردار است.

Rating systems are used to investigate and process the properties of rock mass and soil, the most important of which is rock mass rating (RMRb) system. Due to available uncertainties in input parameters, it was difficult to determine a certain limit between ratings and attribution of a specific value to a certain rating in such rating system. Therefore, when the value of input parameters close to the limit was placed between ratings, decisions on its rating could not be certainly made. Uncertainties could be included in the rock mass rating (RMRb) system on the basis of continuous rating using ANFIS-FCM model. Moreover, this modeling intended to prove Bieniawski theory of nonlinearity of this system using time series and mathematical relations. Direct estimation of rating system of RMRb irrespective of input parameters was regarded as the most important advantage of the model presented in data obtained from anomaly B in Sangan ironstone resources, which had more acceptable results and greater level of confidence than other models.