توصيفگر ها :
شاتكريت , مقاومت فشاري , شبكه عصبي , رگرسيون , آناليزحساسيت , يادگيري ماشين , داده كاوي
چكيده فارسي :
صنعت معدن، بهعنوان يكي از اركان كليدي در توسعه اقتصادي و تأمين مواد اوليه، نيازمند فناوريها و روشهاي نوين براي افزايش بهرهوري و ايمني است. شاتكريت بهعنوان يكي از مهمترين تكنيكهاي پشتيباني تونل در پروژههاي زيرزميني، به دليل ويژگيهايي همچون مقاومت بالا، اجراي سريع و قابليت استفاده در شرايط سخت، جايگاه ويژهاي در پروژههاي معدني يافته است. مقاومت فشاري شاتكريت، بهعنوان يكي از ويژگيهاي مكانيكي كليدي، نقشي اساسي در پايداري و ايمني سازههاي زيرزميني دارد. با اين حال، روشهاي سنتي تعيين مقاومت فشاري، بهدليل پيچيدگي، هزينهبر بودن و وابستگي به آزمايشهاي زمانبر، همواره با چالشهايي همراه بوده است.
در اين پژوهش، با استفاده از الگوريتمهاي پيشرفته يادگيري ماشين نظير جنگل تصادفي (RF)، تقويت گراديان شديد) (XGBoost، رگرسيون بردار پشتيبان (SVR)، شبكه پرسپترون چندلايه (MLP)، LightGBM و درخت تصميم M5P، پيشبيني مقاومت فشاري شاتكريت مورد بررسي قرار گرفت. دادههاي مورد استفاده شامل نتايج آزمايشهاي آزمايشگاهي و اطلاعات جمعآوريشده از منابع علمي معتبر است. دادههاي مورد استفاده شامل 147 نمونه با 12 ويژگي ورودي از منابع معتبر و آزمايشهاي تجربي مرتبط با شاتكريت ميباشد. ارزيابي عملكرد مدلها با دو روش تقسيمبندي داده شامل اعتبارسنجي متقاطع 10تايي و تقسيمبندي به نسبت 70-30 به ترتيب براي آموزش و آزمايش و با معيارهاي آماري شامل R²، MAE،MSE و RMSE انجام شد.
نتايج نشان داد كه مدل شبكه عصبي چندلايه در روش تقسيمبندي به روش اعتبارسنجي متقاطع 10تايي، بهترين عملكرد را با ضريب تعيين (R²) برابر با 88/0 و خطاي كمتر نسبت به ساير مدلها ارائه داد. اين تحقيق نشان ميدهد كه استفاده از مدلهاي يادگيري ماشين ميتواند به پيشبيني سريع و دقيق مقاومت فشاري شاتكريت كمك كند. نتايج اين پژوهش ميتواند در بهينهسازي طراحي تركيبات شاتكريت و ارتقاي ايمني و كارايي پروژههاي معدني و عمراني مورد استفاده قرار گيرد.
چكيده انگليسي :
The mining industry, as a fundamental pillar of economic development and raw material supply, requires advanced technologies and innovative methods to enhance productivity and safety. Shotcrete, as one of the most critical tunnel support techniques in underground projects, has gained a significant position in mining projects due to its high strength, rapid application, and adaptability to challenging conditions. The compressive strength of shotcrete, as a key mechanical property, plays a crucial role in ensuring the stability and safety of underground structures. However, traditional methods for determining compressive strength are often complex, costly, and dependent on time-consuming experimental tests, posing significant challenges.
In this study, advanced machine learning algorithms, including Random Forest (RF), Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), Multilayer Perceptron (MLP), LightGBM, and the M5P decision tree, were employed to predict the compressive strength of shotcrete. The dataset comprised laboratory test results and information gathered from credible scientific sources, consisting of 147 samples with 12 input features obtained from reliable references and experimental studies related to shotcrete. The performance of the models was evaluated using two data partitioning methods: 10-fold cross-validation and a 70-30 split for training and testing. Statistical metrics, including the coefficient of determination (R²), mean absolute error (MAE), mean squared error (MSE), and root mean squared error (RMSE), were used for assessment.
The results indicated that the multilayer perceptron (MLP) model exhibited the best performance under the 10-fold cross-validation scheme, achieving an R² value of 0/88 and lower error rates compared to other models. This research demonstrates that machine learning models can facilitate the rapid and accurate prediction of shotcrete compressive strength. The findings of this study can contribute to optimizing shotcrete mix designs and enhancing the safety and efficiency of mining and civil engineering projects.
