پيش‌بيني تنش همرسي ترك در نمونه‌هاي شبه سنگي داراي درزه‌هاي ناممتد تحت بار برش مستقيم با استفاده از روش‌هاي يادگيري ماشين

شكستگي‌ها معمولاً به شكل درزه‌ها و ريزترك‌ها در توده سنگ‌ يافت مي‌شوند و مكانيسم شكست آن‌ها به‌شدت به الگوي همرسي ترك بين ناپيوستگي‌هاي از قبل موجود بستگي دارد. تعيين رفتار شكست درزه‌هاي ناممتد يك مسئله مهندسي است كه پارامترهاي مختلفي ازجمله خصوصيات مكانيكي توده سنگ، تنش نرمال و نسبت سطح درزه به سطح برشي كل (ضريب درزه‌داري) را شامل مي‌شود. در اين مقاله، به‌منظور پيش‌بيني تنش همرسي ترك از دو روش يادگيري ماشين شامل الگوريتم بهينه‌ساز گرگ خاكستري (GWO) و برنامه‌ريزي بيان ژن (GEP) استفاده شده است. بدين منظور 8 پارامتر ورودي مؤثر بر تنش همرسي ترك ازجمله ضريب درزه‌داري (JC)، تنش نرمال (σn)، مقاومت فشاري تك‌محوره (σc)، مقاومت كششي (σt)، نسبت پواسون (υ)، مدول الاستيسيته (E)، مقاومت چسبندگي (C) و زاويه اصطكاك داخلي (φ) بر اساس نتايج 450 آزمايش برش مستقيم انجام‌شده بر روي نمونه‌هاي شامل 2 دسته‌درزه ناممتد ساخته‌شده از تركيب گچ، سيمان و آب انتخاب و سپس روش‌هاي GWO و GEP پياده‌سازي گرديدند. به‌منظور ارزيابي كارايي مدل‌ها در پيش‌بيني تنش همرسي ترك‌ در نمونه‌ها، از 3 شاخص ضريب تعيين (R2)، جذر ميانگين مربعات خطا (RMSE) و ميانگين خطاي مطلق (MAE) براي داده‌هاي آموزش و تست استفاده شد. مقادير ضريب تعيين روش‌هاي GWO و GEP براي داده‌هاي آموزش به ترتيب 0.962 و 0.938 و براي داده‌هاي تست به ترتيب 0.996 و 0.981 به دست آمد كه نشان‌دهنده كارايي بالاتر روش GWO در مقايسه با GEP است. به‌علاوه، نتايج نشان داد كه مقادير شاخص‌هاي RMSE و MAE در هر دو مرحله آموزش و تست براي الگوريتم GWO كمتر از روش GEP مي‌باشند كه بيانگر خطاي كمتر الگوريتم GWO و قابليت اطمينان و دقت بالاتر آن نسبت به روش GEP است. بااين‌حال، مي‌توان گفت كه دو روش مورداستفاده داراي دقت بالايي بوده و بر اساس روش GEP رابطه‌اي جهت پيش‌بيني تنش همرسي ترك ارائه شد. همچنين، نتايج آناليز اهميت نشان مي‌دهد كه از بين پارامترهاي ورودي، تنش نرمال (σn) و ضريب درزه‌داري (JC) به ترتيب بيشترين و كمترين تأثير را بر تنش همرسي ترك دارند.