Application of Machine Learning Models for Predicting Rock Fracture Toughness Mode-I and Mode-II

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: English
View: 178

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JMAE-13-2_010

تاریخ نمایه سازی: 29 تیر 1401

Abstract:

In this work, the machine learning prediction models are used in order to evaluate the influence of rock macro-parameters (uniaxial compressive strength, tensile strength, and deformation modulus) on the rock fracture toughness related to the micro-parameters of rock. Four different types of machine learning methods, i.e. Multivariate Linear Regression (MLR), Multivariate Non-Linear Regression (MNLR), copula method, and Support Vector Regression (SVR) are used in this work. The fracture toughness of mode I and mode II (KIC and KIIC) is selected as the dependent variable, whereas the tensile strength, compressive strength, and elastic modulus are considered as the independent variables, respectively. The data is collected from the literature. The results obtained show that the SVR model predicts the values of KIC and KIIC with the determination coefficients (R۲) of ۰.۷۳ and ۰.۷۷. The corresponding determination coefficient values of the MLR model and the MNLR model for KI and KII are R۲ = ۰.۶۳, R۲ = ۰.۷۲, and R۲ = ۰.۶۲,۰.۷۵, respectively. The copula model predicts that the value of R۲ for KI is ۰.۵۲, and for KII R۲=۰.۶۹. K-fold cross-validation testing method performs for all these machine learning models. The cross-validation technique shows that SVR is the best-designed model for predicting the fracture toughness mode-I and mode-II.

Keywords:

Authors

E. Emami Meybodi

Department of Geology, Yazd University, Yazd, Iran.

Syed Kh. Hussain

Department of Geology, Yazd University, Yazd, Iran.

M. Fatehi Marji

Mining and Metallurgical engineering department of Yazd University, Yazd, Iran.

V. Rasouli

Department of Petroleum Engineering, University of North Dakota, North Dakota, USA.

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 :