تخمين سرعت موج برشي به روش رگرسيون فرايند گاوسي، رگرسيون چندمتغيره و شبكه عصبي مصنوعي پرسپترون چند لايه

تخمين سرعت امواج براي طراحي سازه هاي ژئوتكنيكي و مدل سازي حفاري هاي عميق اهميت زيادي دارد. هدف از اين مطالعه تخمين سرعت موج برشي به روش رگرسيون فرايند گاوسي با استفاده از تابع كرنل نمايي، شبكه عصبي مصنوعي و رگرسيون چندمتغيره مي باشد. به منظور انجام اين مطالعه، 14 بلوك سنگي از شمال غرب شهر دماوند تهيه و بعد از انتقال به آزمايشگاه از آن ها مغزه گيري شد. جهت توسعه يك مدل پيش بيني كننده، آزمايش هاي شاخص بار نقطه اي، سرعت موج تراكمي، تخلخل و دانسيته بر روي 61 نمونه مغزه سنگي انجام شد. شاخص بار نقطه اي، سرعت موج تراكمي، تخلخل و چگالي به عنوان پارامترهاي ورودي مدل ها به منظور پيش بيني سرعت موج برشي استفاده شدند. نتايج مطالعات سنگ شناسي نشان داد كه ماسه سنگ هاي مورد مطالعه، فلدسپاتيك ليتارنايت و ‌‌ليت‌آرنايت مي باشند. نتايج نشان داد كه نسبت سرعت موج تراكمي به سرعت موج برشي بطور متوسط برابر با 1.70 مي باشد. نتايج شبكه عصبي مصنوعي پرسپترون چند لايه نشان داد كه بيش ترين دقت مدل ها با استفاده از قانون آموزش لونبرگ ماركوارت حاصل شده است. دقيق ترين مدل ها با استفاده از اين الگوريتم براي تخمين سرعت موج برشي در نورون شماره 2 (نورون بهينه) حاصل شد. روش رگرسيون فرايند گاوسي، شبكه عصبي مصنوعي و رگرسيون چندمتغيره سرعت موج برشي را به ترتيب با ضرايب همبستگي 0.97، 0.96 و 0.95 پيش بيني نمودند. روش رگرسيون فرايند گاوسي عملكرد بهتري در پيش بيني سرعت موج برشي نسبت به ساير روش ها نشان داد.