चट्टान की नाजुकता और गतिशील गुणों की भविष्यवाणी प्रभावशाली कृत्रिम बुद्धिमत्ता दृष्टिकोणों का उपयोग करके

यह शोध चूना पत्थर के नमूनों की नाजुकता सूचकांक (BI) और इंजीनियरिंग गुणों को निर्धारित करने का लक्ष्य रखता है। इसके अतिरिक्त, यह अध्ययन नाजुकता सूचकांक (BI) औरshear wave velocity (Vs) की भविष्यवाणी के लिए विकसित मॉडलों पर नमी के प्रभाव का मूल्यांकन करता है, जो बिंदु भार सूचकांक (Is50), सूखी और संतृप्त तन्य ताकत (Ts-d और Ts-s), और छिद्रता के आधार पर है। गॉसियन प्रक्रिया प्रतिगमन (GPR), मल्टीलेयर फीड-फॉरवर्ड न्यूरल नेटवर्क (MFFNN), और मल्टीपल लीनियर प्रतिगमन (MLR) पूर्वानुमानित मॉडल का उपयोग किया गया था। चूना पत्थर के नमूनों की सूक्ष्मदर्शी परीक्षा ने दिखाया कि कैल्साइट प्रमुख खनिज है। यह देखा गया कि उच्च कैल्साइट सामग्री वाले नमूने अधिक नाजुकता और ताकत के गुण प्रदर्शित करते हैं जबकि इनकी छिद्रता कम होती है। MLR विश्लेषण से प्राप्त परिणामों ने दर्शाया कि नाजुकता सूचकांक (BI) और विशेष स्थल के तहत सूखी और संतृप्त shear wave velocities (Vs-d और Vs-s) की भविष्यवाणी सटीकता से करना संभव है। विकसित मॉडलों पर नमी के प्रभाव ने दिखाया कि सूखी स्थितियों में Vs की भविष्यवाणी (Vs-d) संतृप्त स्थितियों (Vs-s) की तुलना में कम सटीक थी। इसके विपरीत, सूखी स्थितियों में BI का अनुमान लगाने के लिए विकसित संबंधों की सटीकता अधिक थी। MLR का उपयोग करते हुए सभी मॉडल धारणाओं का विश्लेषण इंगित करता है कि मॉडल को विश्वसनीय रूप से उपयोग किया जा सकता है। हालाँकि, MFFNN और GPR विधियाँ इन गुणों का अनुमान लगाने में अधिक सतर्क पाई गईं। इसके अलावा, इस अध्ययन ने Vs और BI की भविष्यवाणी के लिए सबसे अच्छे मैटल फ़ंक्शन और प्रशिक्षण एल्गोरिदम की पहचान की। मूल्यांकन मीट्रिक, जैसे कि R2 और RMSE ने दिखाया कि GPR ने MFFNN और MLR की तुलना में उच्च सटीकता प्रदर्शित की।