تخمين مدول تغييرشكل‌پذيري سنگ آهك آسماري با استفاده از سيستم عصبي - ژنتيك

Estimation of the deformation modulus of Asmari limestone in Zagros Mountains, Iran, using a neural network –genetic model

مدول تغيير شكل‌پذيري توده ­سنگ (Em) به عنوان مهم‌ترين خصوصيت براي طراحي پروژه­ هاي مهندسي سنگ مطرح است و بهترين نماينده براي رفتار مكانيكي پيش از شكست توده­ سنگ است. به دليل هزينه بالا و زمان­بر بودن و مشكلات اجرايي در انجام دقيق آزمايش­هاي برجا، روش­ هاي غيرمستقيم مانند روابط تجربي و شبكه­ هاي پس انتشار عصبي (BPN) جايگاه بهتري پيدا مي­كنند. از اين ميان BPN داراي كاربردي گسترده در تخمين خصوصيات توده سنگ از جمله Em است. محققين متعددي از روش سعي و خطا براي ايجاد يك BPN كارا بهره گرفته ­اند كه نياز به صرف زمان و مهارت كاربر دارد. اما در اين مطالعه، از الگوريتم ژنتيك براي بهينه كردن پارامتري مؤثر BPN به منظور تخمين Em در رشته كوه ­هاي زاگرس ايران استفاده شد. براي اين منظور، يك بانك اطلاعاتي از پروژه­ هاي مختلف رشته كوه ­هاي زاگرس جمع‌آوري و Em سنگ آهك آسماري تخمين زده و در نهايت نتايج به دست آمده از روش عصبي - ژنتيك با روش عصبي سعي و خطا مقايسه شد. كه براساس نتايج به دست آمده روش عصبي- ژنتيك داراي دقت و سرعت بالاتر در تخمين Em است.

The deformation modulus of rock mass (Em) is the most representative parameter of the pre-failure mechanical behavior of the rock material and of the rock mass .Due to the high cost and measurement difficulties of in situ tests, the predictive models using regression based statistical methods, back propagation neural networks (BPN) and fuzzy systems are recently employed for the indirect estimation of the modulus .Among these methods, the BPN has been reported to be very useful in modeling the rock material behavior, such as Em, by many researchers .Despite its extensive applications, design and structural optimization of BPN are still done via a time-consuming reiterative trial-and-error approach . However, in this research, the genetic algorithm (GA) is utilized to find the optimal parameters of BPN, such as the optimal number of neurons in hidden layer, learning rates and momentum coefficients of hidden and output layers of network. Then, the result is compared with that of trial-and-error procedure . For the purpose, a data base including118 data sets was employed from six dam sites locations in Zagros Mountains of Iran. According to the results, the GA -ANN model has higher accuracy than the trial-and-error model in the estimation of Em