ارزیابی پدیده ترکیدن خودبخودی سنگ در حفریات زیرزمینی عمیق با استفاده از روش‌های هوشمند در نرم‌افزار دادهکاوی WEKA

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار؛ دانشکده‌ مهندسی علوم زمین، دانشگاه صنعتی اراک

2 دانشجوی کارشناسی ارشد؛ دانشکده‌ مهندسی علوم زمین، دانشگاه صنعتی اراک

3 دانشجوی کارشناسی؛ دانشکده‌ مهندسی علوم زمین، دانشگاه صنعتی اراک

چکیده

انفجار سنگ در حفریات زیرزمینی عمیق پدیده‌ای است که به صورت شکست ناگهانی سنگ و آزاد سازی انرژی کرنشی ذخیره شده در معادن زیرزمینی و تونل‌های سنگی، معمولاً در نقاط پر تنش و با عمق زیاد نسبت به سطح زمین، مشاهده می‌شود. بر اثر این شکست انفجاری، سنگ به صورت قطعات کوچک و بزرگ به اطراف پرتاب شده و در اثر برخورد به انسان و یا تجهیزات باعث آسیب آن‌ها می‌شود. در تحقیق حاضر به بررسی پدیده ترکیدن خودبخودی سنگ با استفاده از روش‌های هوشمند و مقایسه‌ی نتایج آن‌ها با سه روش تجربی (معیار تنش مماسی، معیار تردی و شاخص انرژی الاستیک) پرداخته می‌شود. در این مقاله از روش‌های هوشمند ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایگی (KNN)، شبکه‌های بیزین (BNs)، شبکه عصبی مصنوعی (ANN) و مدل درختی CHAID در نرم‌افزار قدرتمند WEKA استفاده شده است. برای ارزیابی دقت مدلسازی از شاخص‌های مختلف آماری استفاده شد که نهایتاً نتایج بدست آمده نشان از برتری روش‌های هوشمند نسبت به روش‌های تجربی دارد. در میان روش‌های هوشمند بکار گرفته شده، مدل ماشین بردار پشتیبان با دقت ۸/۸۰ درصد از توانایی بالایی در ارزیابی پدیده ترکیدن خودبخودی سنگ برخوردار است.

کلیدواژه‌ها


Adoko, A. C., Gokceoglu, C., Wu, L., & Zuo, Q. J. (2013). Knowledge-based and data-driven fuzzy modeling for rockburst prediction. International Journal of Rock Mechanics and Mining Sciences, 61, 86-95.
Babanouri, N., & Fattahi, H. (2018). Constitutive modeling of rock fractures by improved support vector regression. Environmental Earth Sciences, 77(6), 243.
Cai, M. (2016). Prediction and prevention of rockburst in metal mines–A case study of Sanshandao gold mine. Journal of Rock Mechanics and Geotechnical Engineering, 8(2), 204-211.
da Gama, C. D., & Navarro Torres, V. D. (2002, November 2002). Prediction of EDZ (excavation damaged zone) from explosive detonation in underground openings ISRM International Symposium-EUROCK 2002, Funchal.
Dong, L.-j., Li, X.-b., & Kang, P. (2013). Prediction of rockburst classification using Random Forest. Transactions of Nonferrous Metals Society of China, 23(2), 472-477.
Fattahi, H. (2019). Tunnel boring machine penetration rate prediction based on relevance vector regression. International Journal of Optimization in Civil Engineering, 9(2), 343-353.
Fattahi, H., & Babanouri, N. (2017). Applying optimized support vector regression models for prediction of tunnel boring machine performance. Geotechnical and Geological Engineering, 35(5), 2205-2217.
Fattahi, H., & Bazdar, H. (2017). Applying improved artificial neural network models to evaluate drilling rate index. Tunnelling and Underground Space Technology, 70, 114-124.
Fattahi, H., Gholami, A., Amiribakhtiar, M. S., & Moradi, S. (2014). Estimation of asphaltene precipitation from titration data: a hybrid support vector regression with harmony search. Neural Computing and Applications, 26, 789–798.
He, J., Dou, L., Gong, S., Li, J., & Ma, Z. (2017). Rock burst assessment and prediction by dynamic and static stress analysis based on micro-seismic monitoring. International Journal of Rock Mechanics and Mining Sciences, 100(93), 46-53.
Kidybiński, A. (1981). Bursting liability indices of coal. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, 18(4), 295-304.
Kwasniewski, M., Szutkowski, I., & Wang, J. (1994). Study of ability of coal from seam 510 for storing elastic energy in the aspect of assessment of hazard in Porabka-Klimontow Colliery. Sci. Rept. Silesian Technical University.
Li, N., Feng, X., & Jimenez, R. (2017). Predicting rock burst hazard with incomplete data using Bayesian networks. Tunnelling and Underground Space Technology, 61, 61-70.
Li, X., Pan, F., Li, H., Zhao, M., Ding, L., & Zhang, W. (2016). Prediction of rock-burst-threatened areas in an island coal face and its prevention: a case study. International Journal of Mining Science and Technology, 26(6), 1125-1133.
Manchao, H., Xuena, J., Peixoto, A., Sousa, L., Sousa, R. L., & Miranda, T. F. (2012). Prediction of rockburst based on experimental systems and artificial intelligence techniques.
McCourt, T. (1999). Conflicting communication interests in America: The case of national public radio. Greenwood Publishing Group.
Song, D., Wang, E., Liu, Z., Liu, X., & Shen, R. (2014). Numerical simulation of rock-burst relief and prevention by water-jet cutting. International Journal of Rock Mechanics and Mining Sciences, 70, 318-331.
Stacey, T., & Rojas, E. (2013). A potential method of containing rockburst damage and enhancing safety using a sacrificial layer. Journal of the Southern African Institute of Mining and Metallurgy, 113(7), 565-573.
Wang, J.-A., & Park, H. (2001). Comprehensive prediction of rockburst based on analysis of strain energy in rocks. Tunnelling and Underground Space Technology, 16(1), 49-57.
Zhou, J., Li, X., & Shi, X. (2012). Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines. Safety Science, 50(4), 629-644.
Zhou, K.-p., Yun, L., Deng, H.-w., Li, J.-l., & Liu, C.-j. (2016). Prediction of rock burst classification using cloud model with entropy weight. Transactions of Nonferrous Metals Society of China, 26(7), 1995-2002.