پيش بيني سرعت موج برشي در سنگ آهك با استفاده از روش هاي نوين هوشمند

Prediction of Shear Wave Velocity in Limestone by Using New Intelligent Methods

هدف از اين پژوهش، توسعه مدلي هوشمند، براي تخمين سرعت موج برشي در سنگ آهك است. سرعت موج برشي، از مهم‌ترين پارامترهاي ديناميكي سنگ است. با توجه به پيچيدگي ساختار سنگ، تعيين مستقيم اين پارامتر مستلزم زمان، هزينه و دقت است. از طرفي براي تعيين غيرمستقيم آن، روابط دقيقي در دسترس نيست و بيش‌تر روابط، تجربي هستند. در اين تحقيق سعي مي‌شود با استفاده از مجموعه داده‌هاي چندين سد‌ در ايران، به‏كمك روش اَنفيس (سيستم استنتاج عصبي-فازي تطبيقي) و جِپ (GEP) مدل و رابطه اي براي پيش بيني سرعت موج برشي در سنگ آهك تهيه شود. در مجموع، از 170 دسته داده براي مدل سازي استفاده شد. 136 دسته داده براي ساخت مدل هوشمند و 34 داده ديگر براي ارزيابي عمل‌كرد آن به‌كار گرفته شد. پارامترهايي مانند سرعت موج فشاري، چگالي و تخلخل به عنوان پارامترهاي ورودي در نظر گرفته شدند. در پيش بيني هاي صورت‏گرفته به‌اين منظور، ميزان 2R و RMSE براي مدل اَنفيس به-ترتيب 958/0 و 620/113 است. اين مقادير براي رابطه جِپ 928/0 و 006/110 است. با توجه به‌دقت اين نتايج، مي‏توان آن ها را براي پيش بيني سرعت موج برشي در مقاصد آينده پيشنهاد كرد.

The present study aims to employ intelligent methods to predict shear wave velocity (Vs) in limestone. Shear wave velocity is one of the most important rock dynamic parameters. Direct determination of this parameter takes time, cost and requires accuracy as well. On the other hand, there is no precise equation for indirect determination. This research attempts to provide some simulations to predict Vs using the information obtained several dams located in Iran, using different approaches, including adaptive neuro-fuzzy inference system (ANFIS) and gene expression programming (GEP). 136 datasets were utilized for modeling and 34 datasets were used for evaluating its performance. Parameters such as Compressional wave velocity (Vp), density (?) and porosity (n) were considered as input parameters. The values of R2 and RMSE were 0.958 and 113.620 for ANFIS, where they were 0.928 and 110.006 for GEP respectively. With respect to the accuracy of the intelligent methods, they can be recommended for future studies.