ارتباط بین شاخص سختی اشمیت و سرعت موج فشاری با مقاومت فشاری تک محوری سنگ های ساختمانی کربناته
چکیده
مقاومت فشاری تکمحوری یکی از پارامترهای اساسی در انتخاب سنگهای ساختمانی میباشد که نقش قابل ملاحظهای در پایداری آنها دارد. تعیین مستقیم این پارامتر در آزمایشگاه مشکلاتی همچون آمادهسازی نمونه مورد آزمایش بر اساس استاندارد، هزینه بالای آزمایش و همچنین وقتگیر بودن آن را شامل میشود. به منظور غلبه بر این مشکلات، امروزه توسعه مدلهای غیرمستقیم که در آنها مقاومت فشاری تکمحوری بر اساس سایر خواص فیزیکی، مکانیکی و بافتی سنگ پیشبینی میشوند، رشد چشمگیری داشته است. در این مقاله، با بررسی ارتباط بین سرعت موج فشاری (Vp) و شاخص سختی اشمیت (SHI) با مقاومت فشاری تکمحوری، دو رابطه تجربی برای تخمین مقاومت فشاری سنگهای ساختمانی کربناته توسعه یافته است. روابط بر اساس یک پایگاه داده شامل اطلاعات 63 نمونه از سنگهای ساختمانی کربناته (43 نمونه تراورتن و 20 نمونه مرمریت) و با استفاده از تحلیلهای رگرسیونی خطی و غیرخطی در نرم افزار SPSS ساخته و عملکرد آنها مورد ارزیابی قرار گرفت. به منظور ارزیابی عملکرد دو رابطه شاخصهای آماری شامل ضریب تعیین (R2)، خطای جذر میانگین مربعات (RMSE) و واریانس خطا (VAF) برای هر یک از روابط به طور جداگانه محاسبه شدند. سپس با بررسی و مقایسه شاخصهای ذکر شده مشخص گردید که هر دو رابطه خطی و غیرخطی، مدلهای قابل اعتمادی برای پیشبینی مقاومت فشاری تکمحوری سنگهای ساختمانی کربناته میباشند که قادر هستند با دقت قابل قبولی مورد استفاده قرار گیرند.
مراجع
Armaghani, D. J., Mohamad, E. T., Hajihassani, M., Yagiz, S., & Motaghedi, H. (2016). Application of several non-linear prediction tools for estimating uniaxial compressive strength of granitic rocks and comparison of their performances. Engineering with Computers, 32(2), 189-206.
]2[ حیدری. م، رفیعی. ب، نوری. م، خانلری. م، مؤمنی. ع.ا، (1393)، تخمین مقاومت فشاری تک¬محوری و مدول الاستیسیته نمونه ¬های کنگلومرا با استفاده از رگرسیون و شبکه عصبی مصنوعی، زمین شناسی ژئوتکنیک، شماره 1، 35-46.
Tuğrul, A., & Zarif, I. H. (1999). Correlation of mineralogical and textural characteristics with engineering properties of selected granitic rocks from Turkey. Engineering Geology, 51(4), 303-317.
Grima, M. A., & Babuška, R. (1999). Fuzzy model for the prediction of unconfined compressive strength of rock samples. International Journal of Rock Mechanics and Mining Sciences, 36(3), 339-349.
Yılmaz, I., & Sendır, H. (2002). Correlation of Schmidt hardness with unconfined compressive strength and Young's modulus in gypsum from Sivas (Turkey). Engineering Geology, 66(3-4), 211-219.
Tiryaki, B. (2008). Predicting intact rock strength for mechanical excavation using multivariate statistics, artificial neural networks, and regression trees. Engineering Geology, 99(1-2), 51-60.
Sharma, P. K., & Singh, T. N. (2008). A correlation between P-wave velocity, impact strength index, slake durability index and uniaxial compressive strength. Bulletin of Engineering Geology and the Environment, 67(1), 17-22.
Kılıç, A., & Teymen, A. (2008). Determination of mechanical properties of rocks using simple methods. Bulletin of Engineering Geology and the Environment, 67(2), 237.
Yagiz, S. (2009). Predicting uniaxial compressive strength, modulus of elasticity and index properties of rocks using the Schmidt hammer. Bulletin of Engineering Geology and the Environment, 68(1), 55-63.
Yagiz, S. (2011). Correlation between slake durability and rock properties for some carbonate rocks. Bulletin of Engineering Geology and the Environment, 70(3), 377-383.
Altindag, R. (2012). Correlation between P-wave velocity and some mechanical properties for sedimentary rocks. Journal of the Southern African Institute of Mining and Metallurgy, 112(3), 229-237.
Mishra, D. A., & Basu, A. (2013). Estimation of uniaxial compressive strength of rock materials by index tests using regression analysis and fuzzy inference system. Engineering Geology, 160, 54-68.
Karaman, K., Cihangir, F., Ercikdi, B., Kesimal, A., & Demirel, S. (2015). Utilization of the Brazilian test for estimating the uniaxial compressive strength and shear strength parameters. Journal of the Southern African Institute of Mining and Metallurgy, 115(3), 185-192.
Madhubabu, N., Singh, P. K., Kainthola, A., Mahanta, B., Tripathy, A., & Singh, T. N. (2016). Prediction of compressive strength and elastic modulus of carbonate rocks. Measurement, 88, 202-213.
Aboutaleb, S., Behnia, M., Bagherpour, R., & Bluekian, B. (2018). Using non-destructive tests for estimating uniaxial compressive strength and static Young’s modulus of carbonate rocks via some modeling techniques. Bulletin of Engineering Geology and the Environment, 77(4), 1717-1728.
Heidari, M., Mohseni, H., & Jalali, S. H. (2018). Prediction of uniaxial compressive strength of some sedimentary rocks by fuzzy and regression models. Geotechnical and Geological Engineering, 36(1), 401-412.
Aliyu, M. M., Shang, J., Murphy, W., Lawrence, J. A., Collier, R., Kong, F., & Zhao, Z. (2019). Assessing the uniaxial compressive strength of extremely hard cryptocrystalline flint. International Journal of Rock Mechanics and Mining Sciences, 113, 310-321.
Karakus, M., & Tutmez, B. (2006). Fuzzy and multiple regression modelling for evaluation of intact rock strength based on point load, Schmidt hammer and sonic velocity. Rock mechanics and rock engineering, 39(1), 45-57.
Yılmaz, I., & Yuksek, A. G. (2008). An example of artificial neural network (ANN) application for indirect estimation of rock parameters. Rock Mechanics and Rock Engineering, 41(5), 781-795.
Yilmaz, I. (2009). Prediction of the strength and elasticity modulus of gypsum using multiple regression, ANN, and ANFIS models. Int. J. Rock Mech. Min. Sci., 46, 803-810.
Rezaei, M., Majdi, A., & Monjezi, M. (2014). An intelligent approach to predict unconfined compressive strength of rock surrounding access tunnels in longwall coal mining. Neural Computing and Applications, 24(1), 233-241.
Ceryan, N., Okkan, U., & Kesimal, A. (2013). Prediction of unconfined compressive strength of carbonate rocks using artificial neural networks. Environmental earth sciences, 68(3), 807-819.
Ceryan, N. (2014). Application of support vector machines and relevance vector machines in predicting uniaxial compressive strength of volcanic rocks. Journal of African Earth Sciences, 100, 634-644.
Momeni, E., Armaghani, D. J., Hajihassani, M., & Amin, M. F. M. (2015). Prediction of uniaxial compressive strength of rock samples using hybrid particle swarm optimization-based artificial neural networks. Measurement, 60, 50-63.
Beiki, M., Majdi, A., & Givshad, A. D. (2013). Application of genetic programming to predict the uniaxial compressive strength and elastic modulus of carbonate rocks. International Journal of Rock Mechanics and Mining Sciences, (63), 159-169.
Armaghani, D. J., Amin, M. F. M., Yagiz, S., Faradonbeh, R. S., & Abdullah, R. A. (2016). Prediction of the uniaxial compressive strength of sandstone using various modeling techniques. International Journal of Rock Mechanics and Mining Sciences, 85, 174-186.
Armaghani, D. J., Amin, M. F. M., Yagiz, S., Faradonbeh, R. S., & Abdullah, R. A. (2016). Prediction of the uniaxial compressive strength of sandstone using various modeling techniques. International Journal of Rock Mechanics and Mining Sciences, 85, 174-186.
Ghasemi, E., Kalhori, H., Bagherpour, R., & Yagiz, S. (2018). Model tree approach for predicting uniaxial compressive strength and Young’s modulus of carbonate rocks. Bulletin of Engineering Geology and the Environment, 77(1), 331-343.
Mokhtari, M., & Behnia, M. (2019). Comparison of LLNF, ANN, and COA-ANN techniques in modeling the uniaxial compressive strength and static Young’s Modulus of Limestone of the Dalan formation. Natural Resources Research, 28(1), 223-239.
Dehghan, S., Sattari, G. H., Chelgani, S. C., & Aliabadi, M. A. (2010). Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using regression and artificial neural networks. Mining Science and Technology (China), 20(1), 41-46.
صاحب امتیاز
