میلاد شایان منش - دانشجوی کارشناسی ارشد مهندسی نفت، دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات ، تهران، ا یران
بهنام میرشکاری - استاد گروه مهندسی نفت، دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلام ی، واحد علوم و تحقیقات، تهران، ایران

تنش برشی مربوط به جابجایی لایه های زمین یکی از دغدغه های اصلی در طراحی مهندسی سازههای ژئوتکنیکی است که می تواند منجر به تغییر شکل یا تخریب کلی سازههای ساخت بشر شود (به عنوانمثال، چاه نفت و گاز حفرشده در قلب زمین ). بنابراین ، ارزیابی این گونه رویدادها و شناسایی مکانیسم ها به سمت توسعه توانایی های مهندسی برای مقابله با آنها ضروری است . پارامترهای رفتاری وابسته به برش سنگ (تنش ، مدول و مقاومت ) معمولا با تست های آزمایشگاهی اندازهگیری می شوند که اغلب گران، زمانبر و مخرب هستند و همچنین در تهیه نمونه های مغزه باکیفیت خوب از سنگ های شکل پذیر، شکسته و شکننده با محدودیت هایی مواجه هستند. این تحقیق تلاش می کند تا یک روش اندازهگیری غیرمستقیم و دقیق را با استفاده از هوش مصنوعی ارائه کند که توسط آزمایش های آزمایشی هسته مکانیکی کالیبره شده است . یک الگوریتم بهینه سازی الگوریتم رقابتی امپریالیستی (ICA) برای بهینه سازی ساختارهای شبکه عصبی مصنوعی طبقه بندی شده شبکه عصبی مصنوعی با وزن فاصله -Kنزدیک ترین همسایه (DWKNN) با دقت بالاتر استفادهشده است . بر این اساس، یک مدل یکپارچه برای پیش بینی مدول برشی (Gs) با استفاده از ICA-DWKNN با تنظیم مجموعه دادههای یکپارچه چهار پارامتر مستقل برگرفته از بررسی چاهنگاری به عنوان ورودی توسعه داده شد. پارامترهای مدول مربوط به نتایج مدل ژئومکانیک کالیبره شده توسط آزمایش های مکانیک سنگ آزمایشگاهی به عنوان خروجی هدف مدل مشخص گردید. مدل پیشنهادی قادر به پیش بینی پارامترهای هدف با دقت بسیار بالا و ضریب تعیین (R۲) بیش از ۹۶.۰ بوده است . عملکرد نشان داده شده در مدل پیش بینی الگوریتم ترکیبی نشان می دهد که مدل پیشنهادی ICA-DWKNN برای پیش بینی پارامترهای مدول برشی دقت بالایی دارد..

سازند نمک ، مدول برشی ، فروپاشی پوشش ، هوش مصنوعی ، ژئوتکنیک ، DWKNN، ICA