طبقه بندي آماري ضريب زبري درزه با روش بردار پشتيبان

Statistical Classification of Joint Roughness Coefficient by Support Vector Machine

زبري يكي از خصوصيات هندسي درزه‌ها است كه بيان آن از طريق روش‌هاي مختلف امكان پذير است. در اين مطالعه از 8 پارامتر مختلف براي تخمين ضريب زبري درزه (JRC) براي 112 پروفيل زبري مختلف استفاده شده است. با توجه به محدوده تغييرات نسبتا زياد اين پارامترها در يك كلاس زبري مشخص و هم‌پوشاني اين محدوده‌ها با كلاس هاي مجاور زبري، به منظور استفاده همزمان از دو پارامتر براي تخمين JRC ماتريس تأثير متقابل اين پارامترها بر مقدار JRC ايجاد شد. تفكيك پذيري كلاس‌هاي مختلف زبري در سناريو‌هاي مختلف با استفاده از ضريب همبستگي پيرسون و استفاده از قضاوت مهندسي مورد ارزيابي قرار گرفت. نتايج نشان مي‌دهد كه حالت‌هايي با ضريب همبستگي در حدود 0/8 براي كلاس‌بندي JRC مناسب هستند. به دليل وجود مرزهاي نسبتاً مشخص بين دو كلاس زبري متوالي نسبت به ساير حالت‌ها و داشتن مفهوم مهندسي مشخص از پارامترهاي انحراف معيار ارتفاع دندانه‌ها و انحراف معيار زاويه دندانه‌ها براي طبقه‌بندي JRC استفاده شد. اگرچه با استفاده از پارامترهاي دو بعدي گراسلي، Z2 و انحراف معيار اختلاف ارتفاع دندانه‌ها نيز مي‌توان براي طبقه‌بندي JRC استفاده كرد. با استفاده از روش ماشين بردار پشتيبان، مرز بين كلاس‌هاي مختلف زبري مشخص شد. نتايج طبقه‌بندي انجام‌شده با انجام 20 آزمايش برش مستقيم بر روي سطوح درزه طبيعي اعتبار سنجي شد. بيش از 70 درصد نتايج پيش‌بيني با نتايج آزمايشگاهي تطابق دارد و حدود 20 درصد نتايج مقدار پيش‌بيني‌شده با مقدار واقعي يك كلاس فاصله دارد. با اين ‌وجود تخمين زبري با استفاده از پروفيل‌ها دوبعدي همواره با محدوديت‌ روبرو است.

Roughness is one of the geometrical properties of rock joints that can be expressed through various methods. In this paper, eight different parameters were used to estimate the joint roughness coefficient (JRC) of 112 joint roughness profiles. The range of variation of these parameters in a given roughness class is relatively large. These roughness values overlap with their adjacent classes. In order to use two parameters simultaneously to estimate the JRC matrix, the interaction of these parameters on the JRC value were evaluated. The resolution of different roughness classes in different scenarios was evaluated using Pearson correlation coefficient and using engineering judgment. So in this paper, a new method based on the classification of joint roughness coefficient (JRC) by support vector machine (SVM) is purposed. So in this paper, a new method based on the classification of joint roughness coefficient (JRC) by support vector machine (SVM) is purposed. Different joint roughness parameters including Z2, RP, Grasselli2D, standard deviation of asperities height (SDH), standard deviation of profiles height variation (SDPHV), standard deviation of asperities angle (SDA), and geostatistical parameters including range (a), sill (C), CA and SRv were evaluated for 112 joint roughness profiles. Using these 8 parameters, an 8 by 8 interaction matrix was created which consequently resulted in 28 individual two-dimensional JRC classification scenarios. A graph with SDH and SDA was selected for the Statistical classification of JRC (SCJRC) because of the relatively obvious boundary between JRC classes and easy calculation. Finally, data classification was performed by SVM. The estimation of SCJRC was checked by 20 experimental direct shear test data. A good agreement is observed between SCJRC and experimental results. The results illustrate that SCJRC is an appropriate method for the estimation of JRC.