مجتبی حیدری - گروه زمین شناسی، دانشکده علوم پایه، دانشگاه بوعلی سینا، همدان، ایران
بهروز رفیعی - گروه زمین شناسی، دانشکده علوم پایه، دانشگاه بوعلی سینا، همدان، ایران
مهران نوری - گروه زمین شناسی، دانشکده علوم پایه، دانشگاه بوعلی سینا، همدان، ایران
غلامرضا خانلری - گروه زمین شناسی، دانشکده علوم پایه، دانشگاه بوعلی سینا، همدان، ایران

تعیین دقیق برخی از خواص مکانیکی سنگ ها، مانند مقاومت فشاری تک محوری (Uniaxial Compressive Strength , UCS ) و مدول الاستیسیته (E)، به زمان و هزینه قابل توجهی برای جمع آوری و آماده سازی نمونه های مناسب و آزمون های آزمایشگاهی نیاز دارد. UCS و E از جمله مهمترین خواص سنگ ها می باشند که تعیین آنها برای مطالعات مهندسی سنگ در بسیاری از پروژه های معدنی و مهندسی عمران ضروری می باشد. بنابراین برای به حداقل رساندن زمان و هزینه می توان از روابط تجربی که به طور گسترده ای برای برآورد خواص پیچیده سنگ ها از داده های حاصل از روش های آسان بهره می گیرد، استفاده نمود. هدف از این مطالعه، بررسی روش های شبکه عصبی مصنوعی (Artificial Neural Network , ANN ) و رگرسیون چند متغیره خطی (Multiple linear regression , MLR ) به منظور برآورد UCS و E می باشد. در این پژوهش متغیرهای مستقل شاخص مقاومت بار نقطه ای ((50) Point Load Strength Index , Is )، سرعت موج (Pressure wave velocity , Vp )، تخلخل (1) ، چگالی و درصد رطوبت (water content , Wn ) به عنوان پارامترهای ورودی به منظور پیش بینی متغیرهای وابسته (UCS و E) در هر دو روش استفاده شدند. روش UCS ، MLR و E را به ترتیب با ضرایب تعیین 0 / 85= R2 و 0 / 73= R2 پیش بینی نموده است. استفاده از شبکه عصبی پرسپترون چند لایه (Multilayer Perceptron , MLP )، ضرایب تعیین را تا سطح قابل قبولی (0 / 98= R2 برای UCS و 0 / 92= R2 برای E) بهبود بخشید. در این مطالعه، علاوه بر ضریب تعیین (R2)، شاخص های ریشه میانگین مربعات خطا (Root Mean Square Error , RMSE ) و میانگین قدر مطلق خطا (Mean Absolute Error , MAE )، برای ارزیابی قابلیت پیش بینی، مدل های ANN و MLR پیشنهادی نیز محاسبه شدند. نتایج این مطالعه نشان داد که روش ANN، عملکرد بهتری در پیش بینی UCS و E نسبت به روش MLR دارد.

مقاومت فشاری تک محوری، مدول الاستیسیته، کنگلومرا، رگرسیون چند متغیره خطی، شبکه عصبی