ارزیابی پدیده ترکیدن خودبخودی سنگ در حفریات زیرزمینی عمیق با استفاده از روش های هوشمند در نرم افزار دادهکاوی WEKA

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 256

This Paper With 18 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_TUSE-9-4_005

تاریخ نمایه سازی: 12 مهر 1400

Abstract:

انفجار سنگ در حفریات زیرزمینی عمیق پدیده ای است که به صورت شکست ناگهانی سنگ و آزاد سازی انرژی کرنشی ذخیره شده در معادن زیرزمینی و تونل های سنگی، معمولا در نقاط پر تنش و با عمق زیاد نسبت به سطح زمین، مشاهده می شود. بر اثر این شکست انفجاری، سنگ به صورت قطعات کوچک و بزرگ به اطراف پرتاب شده و در اثر برخورد به انسان و یا تجهیزات باعث آسیب آن ها می شود. در تحقیق حاضر به بررسی پدیده ترکیدن خودبخودی سنگ با استفاده از روش های هوشمند و مقایسه ی نتایج آن ها با سه روش تجربی (معیار تنش مماسی، معیار تردی و شاخص انرژی الاستیک) پرداخته می شود. در این مقاله از روش های هوشمند ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایگی (KNN)، شبکه های بیزین (BNs)، شبکه عصبی مصنوعی (ANN) و مدل درختی CHAID در نرم افزار قدرتمند WEKA استفاده شده است. برای ارزیابی دقت مدلسازی از شاخص های مختلف آماری استفاده شد که نهایتا نتایج بدست آمده نشان از برتری روش های هوشمند نسبت به روش های تجربی دارد. در میان روش های هوشمند بکار گرفته شده، مدل ماشین بردار پشتیبان با دقت ۸/۸۰ درصد از توانایی بالایی در ارزیابی پدیده ترکیدن خودبخودی سنگ برخوردار است.

Authors

هادی فتاحی

دانشیار؛ دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک

فاطمه جیریایی

دانشجوی کارشناسی ارشد؛ دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک

محمد عشوری

دانشجوی کارشناسی؛ دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Adoko, A. C., Gokceoglu, C., Wu, L., & Zuo, Q. ...
  • Babanouri, N., & Fattahi, H. (۲۰۱۸). Constitutive modeling of rock ...
  • Cai, M. (۲۰۱۶). Prediction and prevention of rockburst in metal ...
  • da Gama, C. D., & Navarro Torres, V. D. (۲۰۰۲, ...
  • Dong, L.-j., Li, X.-b., & Kang, P. (۲۰۱۳). Prediction of ...
  • Fattahi, H. (۲۰۱۹). Tunnel boring machine penetration rate prediction based ...
  • Fattahi, H., & Babanouri, N. (۲۰۱۷). Applying optimized support vector ...
  • Fattahi, H., & Bazdar, H. (۲۰۱۷). Applying improved artificial neural ...
  • Fattahi, H., Gholami, A., Amiribakhtiar, M. S., & Moradi, S. ...
  • He, J., Dou, L., Gong, S., Li, J., & Ma, ...
  • Kidybiński, A. (۱۹۸۱). Bursting liability indices of coal. International Journal ...
  • Kwasniewski, M., Szutkowski, I., & Wang, J. (۱۹۹۴). Study of ...
  • Li, N., Feng, X., & Jimenez, R. (۲۰۱۷). Predicting rock ...
  • Li, X., Pan, F., Li, H., Zhao, M., Ding, L., ...
  • Manchao, H., Xuena, J., Peixoto, A., Sousa, L., Sousa, R. ...
  • McCourt, T. (۱۹۹۹). Conflicting communication interests in America: The case ...
  • Song, D., Wang, E., Liu, Z., Liu, X., & Shen, ...
  • Stacey, T., & Rojas, E. (۲۰۱۳). A potential method of ...
  • Wang, J.-A., & Park, H. (۲۰۰۱). Comprehensive prediction of rockburst ...
  • Zhou, J., Li, X., & Shi, X. (۲۰۱۲). Long-term prediction ...
  • Zhou, K.-p., Yun, L., Deng, H.-w., Li, J.-l., & Liu, ...
  • نمایش کامل مراجع