کاربرد مدلهای یادگیری ماشین برای پیشبینی چقرمگی شکست حالت I و حالت II در سنگ

در این کار، از مدلهای پیش بینی یادگیری ماشین به منظور ارزیابی تاثیر خواص کلان ماده سنگ (مقاومت فشاری تک محوری، مقاومت کششی و مدول الاستیسیته) بر ریز خواص چقرمگی شکست سنگ در حالت شکست کششی و برشی استفاده شده است. چهار نوع مختلف روش یادگیری ماشین، شامل رگرسیون خطی چند متغیره (MLR) رگرسیون غیر خطی چند متغیره (MNLR) روش مفصل مبنا (Copula) و روش رگرسیون بردار پشتیبان (SVR) مورد استفاده قرار گرفته است. چقرمگی شکست حالت I و حالت II) KIC و KIIC (به عنوان متغیر وابسته انتخاب می شود، در حالی که مقاومت کششی، مقاومت فشاری و مدول الاستیک به عنوان متغیرهای مستقل در نظر گرفته می شوند. داده ها از طریق مرور منابع جمع آوری شده است. نتایج به دست آمده نشان میدهد که مدل SVR مقادیر KIC و KIIC را به ترتیب با ضرایب تعیین 73/0و 77/0 پیش بینی میکند. مقادیر ضریب تعیین متناظر مدل MLR و مدل MNLR برای KIC و KIIC به ترتیب 63/0 ،72/0 و 62/0 ،75/0 است. مدل مفصل مبنا مقادیر ضریب تعیین را برای KIC ،52/0 و KIIC ،69/0 برآورد میکند. روش آزمون اعتبار متقابل چند لایه (KFCV) به منظور تعیین اعتبار روش ها و سنجش صحت نوع متغیرهای مستقل ورودی برای همه این مدلهای یادگیری ماشین انجام شد. این روش اعتبارسنجی نشان میدهد که رگرسیون بردار پشتیبان (SVR) بهترین مدل طراحی شده برای پیش بینی چقرمگی شکست حالت- I و حالت II است.