بررسي تأثير پارامترهاي شاخص بر خواص استاتيك سنگ آهك در شرايط خشك و اشباع با استفاده از شبكه عصبي مصنوعي

The effect of index parameters on the static properties of limestone in dry and saturated conditions using artificial neural network

مطالعات قبلي نشان داده است كه رطوبت تاثير ويژه اي بر خصوصيات استاتيك سنگ (مقاومت فشاري تك محوري و مدول الاستيسيته) دارد. در اين مقاله، مقاطع نازك و XRD، مقاومت تراكم تك محوري و مدول الاستيسيته، شاخص بار نقطه اي، مقاومت كششي برزيلي و تخلخل نمونه هاي سنگ آهك در شرايط خشك و اشباع در ساختگاه سد خرسان دو در جنوب غربي ايران بررسي شده است. سپس، با استفاده از شبكه عصبي مصنوعي و رگرسيون ساده، اثر شاخص بار نقطه اي در شرايط خشك، مقاومت كششي در شرايط خشك و اشباع و تخلخل بر مقاومت تراكم تك محوري و مدول الاستيسيته در شرايط خشك و اشباع بررسي شد. بررسي XRD و مقاطع نازك نمونه ها نشان مي دهد كه كلسيت كاني اصلي است و طبقه بندي نمونه ها از مادستون تا گرينستون متغيير است. نتايج شبكه عصبي و رگرسيون ساده نشان داد كه اثر متغيرهاي مستقل بر مقاومت تراكم تك محوري و مدول الاستيسيته در شرايط خشك داراي دقت بالاتري نسبت به شرايط اشباع مي باشند. واسنجي روابط ارايه شده محققين قبلي بر اساس نتايج آزمايشگاهي اين تحقيق و با استفاده از معيارهاي ضريب تعيين و خطاي جذر ميانگين مربعات نشان داد كه اكثر روابط مي توانند جهت تخمين خصوصيات سنگ آهك آسماري مورد استفاده قرار گيرند. بررسي نمودارهاي همگني واريانس باقي مانده ها در سطوح مقادير پيش بيني شده، ضريب تعيين و خطاي روش ها نشان داد كه شبكه عصبي از دقت بالاتري نسبت به رگرسيون ساده جهت تخمين خصوصيات استاتيك سنگ آهك برخوردار است و روش شبكه عصبي در تخمين خصوصيات مقاومت تراكم تك محوري و مدول الاستيسيته محافظه كارانه عمل مي كند.

Previous studies have shown that moisture has a special effect on the static properties (uniaxial compressive strength (UCS) and elastic modulus (Es) of the rock. In this study, thin section, X-ray diffraction (XRD), porosity, UCS and Es, point load index, and Brazilian tensile strength of the limestone specimens were determined in Khersan 2 dam site, in south west of Iran. Then, using artificial neural network and simple regression, the effect of dry point load index, dry and saturated tensile strength, and porosity on UCS, Es were assessed. Microscopic studies of the samples showed that calcite is the main mineral and samples classified from the Mudstone to the Grainstone. The effect of water on the static properties showed that prediction models in dry conditions are more accurate. Calibration of the relationships presented by previous researchers based on the experimental results of this study and using the criteria of coefficient of determination and root mean square error (RMSE) showed that most of the relationships can be used to estimate the properties of Asmari limestone. Also, investigation of heteroscedasticity graphs of residual variance at predicted levels, determination coefficient and RMSE of the methods showed that the neural network has higher accuracy than simple regression. As compared to the regression method, the neural network is conservative in estimating these properties.