دمج طرق العناصر المنتهية وطرق التعلم الآلي للتنبؤ بمعلمات قوة القص للصخور

الملخص: طريقة المحاولة والخطأ لمعايرة معلمات ميكانيكا الصخور لها عيوب تتمثل في التعقيد وكونها تستغرق وقتًا طويلاً وصعوبة في ضمان الدقة. من خلال الاستفادة من القابلية للتكرار والتوسع الداخلية لعمليات المحاكاة العددية ودمجها مع السمات المستندة إلى البيانات لطرق التعلم الآلي، تستخدم هذه الدراسة برنامج تحليل العناصر المنتهية RS2 لإنشاء 252 مجموعة من بيانات عينة الصخور الرملية. يتم استخدام طريقة الاستبعاد التكراري للسمات والتقاطع لإجراء اختيار السمات. يتم توقع معلمات قوة القص للصخور الرملية باستخدام نماذج التعلم الآلي المثلى بواسطة خوارزمية تحسين السرب الجزيئي (PSO) ، بما في ذلك شبكة الأعصاب ذات الانتشار العكسي، والانحدار البايزي، والانحدار باستخدام ناقل الدعم (SVR)، وآلة تعزيز التدرج الخفيف. يُقترح أن تكون القيمة المتوقعة للتماسك هي ميزة الإدخال لتوقع زاوية الاحتكاك. تشير النتائج إلى أن الخصائص المدخلة المثلى لتوقع التماسك هي معامل المرونة، ونسبة بواسون، والإجهاد الأقصى، والانفعال الأقصى، بينما الخصائص المدخلة المثلى لتوقع زاوية الاحتكاك هي الإجهاد الأقصى والتماسك. يظهر نموذج PSO-SVR أفضل أداء. أكبر خطأ بين القيم المتوقعة للتماسك وزاوية الاحتكاك والنتائج المحسوبة من برنامج RSData هو 3.5% و4.31% على التوالي. يتفق حساب العناصر المنتهية بشكل جيد مع منحنى الإجهاد والانفعال الذي تم الحصول عليه في المختبر. تشير تحليل الحساسية إلى أن أداء التنبؤ باستخدام SVR للتماسك وزاوية الاحتكاك يميل إلى الاستقرار عندما تكون حجم العينة 25. تقدم هذه النتائج مرجعًا قيمًا لتوقع معلمات ميكانيكا الصخور بدقة.