پيش بيني مقدار Q با استفاده از رگرسيون چند متغيره

Prediction of rock mass quality index in the Q-system by multivariate regression using the most influential parameters

استفاده‌ي گسترده از فضاهاي زيرزميني به عنوان شاخصي براي توسعه يافتگي در كشورهاي مختلف است. يكي از روشهايي كه براي طبقه بندي توده سنگ استفاده مي شود ، سيستم Q است. سيستم Q به پارامترهايي نظير نشانه‌ي كيفي سنگ، دسته درزه، زبري درزه، دگرساني درزه، آب زيرزميني و ضريب كاهش تنش وابسته است كه همواره در دسترس نيستند. گاهي مواقع دسترسي به كليه پارامترهاي سيستمQ به دليل زمان بر وهزينه بر بودن، امكان پذير نيست. هدف از اين مقاله به دست آوردن مقدار شاخص كيفيت سنگ در سيستم Q با استفاده از مهمترين پارامترهاي تأثيرگذار بر آن است. بدين جهت، با استفاده از روش تحليل پيرسون و توسط نرم افزار SPSS ، موثرترين پارامترها در سيستم Q شناسايي مي شوند كه در اين راستا سه مدل براي تعيينQ انتخاب شد. مدل هاي اول و دوم داراي سه پارامتر ورودي و يك پارامتر خروجي و مدل سوم داراي چهار پارامتر ورودي و يك پارامتر خروجي است. سپس با استفاده از رگرسيون چند متغيره، رابطه‌اي براي پيش بيني مقدار Q با استفاده از موثرترين پارامترها پيشنهاد گرديده است. براي اين منظور از 140 داده‌ي تجربي استفاده شده و صحت نتايج بدست آمده به وسيله 34 داده‌ي آزمون مورد بررسي قرار گرفته است. تعيين مقدار Q با استفاده از سه و يا چهار پارامتر به جاي شش پارامتر كه ‌بيشترين تاثيرگذاري را دارند، نوآوري اين مقاله است. Q در محدوده‌ي 0/001 تا 25 ارزيابي شده است. مقايسه‌ي نتايج حاصل از رابطه‌ي پيشنهادي و مقادير واقعي بدست آمده از اندازه گيري هاي صحرايي، نشان از تطابق خوب اين نتايج با يكديگر دارند. نتايج نشان مي‌دهد كه مدل دوم با ضريب همبستگي 0.81 براي داده هاي اوليه و 0/8 براي داده هاي آزمون و جذر ميانگين مربعات خطاي 2/68 براي داده‌هاي اوليه و 2/55 براي داده هاي آزمون بهترين عملكرد را دارد.

The extensive use of underground spaces is an index of development in countries. Choosing the right supporting system to achieve a safe and stable space is an important issue in tunnel construction. One of the methods used to classify rock masses is the Q-system. The Q-system depends on rock quality designation, joint strength, joint roughness, joint alteration, groundwater, and stress reduction factor, which are not always available. Sometimes it is not possible to access all the parameters of the Q-system due to time and cost. This paper aims to obtain the value of the rock quality index in the Q system using the most important parameters affecting it. Therefore, using the Pearson analysis method and SPSS software, the Q-system's most effective parameters are identified. In this regard, three models were selected to determine Q. The first and second models have three input parameters and one output parameter, and the third model has four input parameters and one output parameter. Using multivariate regression, a relationship to predict the Q-value using the most effective parameters is proposed. For this purpose, 140 experimental data were used, and 34 test data checked the results' accuracy. Determining the Q-value using three or four parameters instead of the six most effective parameters is the novelty of this paper. Comparing the results of the proposed relationship and the actual values obtained from the field measurements show that these results are in good agreement with each other. The results show that the second model with a correlation coefficient of 0.81 for the initial data and 0.8 for the test data and the root mean square error of 2.68 for the initial data and 2.55 for the test data has the best performance.