تخمين خصوصيات مكانيكي به روش آناليز آماري، شبكه عصبي مصنوعي و رگرسيون بردار پشتيبان (مطالعه موردي: نمونه هاي مرتبط به ساختگاه سد مخزني گدار- خوش)

با توجه به مشكلات اجراي آزمايش‌ها بخصوص در سنگ‌هاي ضعيف و هزينه بر بودن اين آزمايش‌ها، مي‌توان با بررسي روابط بين ويژگي‌هاي مكانيكي و فيزيكي، هزينه آزمايشات تعيين خصوصيات مكانيكي را كاهش داد. در اين پژوهش آزمايش‌هاي پتروگرافي، فيزيكي و مكانيكي بر روي 62 مغزه از سنگ‌هاي شيل و مارن در ساختگاه سد گدار-خوش انجام شد. در نهايت عملكرد روش‌هاي شبكه عصبي مصنوعي (ANN) Artificial Neural Network رگرسيون چند متغيره (MVRA) Multivariate Regression Analysis و رگرسيون بردار پشتيبان (SVR) Support Vector Regression با تابع كرنل پايه شعاعي (RBF) Radial Basis Function جهت تخمين UCS،Elastic modulus Es Uniaxial Compressive Strength بر اساس سرعت موج تراكمي و خصوصيات فيزيكي مقايسه شد. نتايج پتروگرافي نشان داد كه كاني ايليت، فراوانترين نوع كاني رسي مي باشد. نسبت مدول الاستيسيته ديناميكي به استاتيكي نمونه ها برابر با 8.51 مي‌باشد. همچنين نسبت پواسون ديناميكي به استاتيكي برابر با 1.41 مي‌باشد. نتايج آناليز آماري نشان داد كه مدول الاستيسيته استاتيكي همبستگي بالايي با مدول الاستيسيته ديناميكي (R=0.91, RMSE=0.22, MAPE=0.14) و سرعت موج برشي همبستگي بالايي با سرعت موج تراكمي (R=0.98, RMSE=0.08, MAPE=0.03) دارند. نتايج رگرسيون چند متغيره نشان داد كه هر دو پارامتر UCS و Es داراي همبستگي معني داري با پارامترهاي فيزيكي و سرعت موج تراكمي دارند. بطوريكه ارتباط UCS با اين پارامترها بيشتر از ارتباط Es با اين پارامتر ها مي‌باشد. مقايسه عملكرد روش‌ها در تخمين خصوصيات استاتيك نشان داد كه SVR داراي دقت بالاتري نسبت به رگرسيون چند متغيره و ANN مي‌باشد.