En küçük kareler destek vektör makineleri (LS-SVM) kullanarak kaya malzemesi tanjant elastisite modülünün tahmini

Abstract

Kaya malzemesi tanjant elastisite modülü kaya mühendisliği tasarım problemlerinin çözümünde önemli bir parametredir. Elastisite modülünün standart laboratuvar deneyleriyle belirlenmesi zor, pahalı ve zaman alıcı bir iştir. Bu durum özellikle ince tabakalı, ileri derecede kırıklı, foliasyonlu, yüksek poroziteli ve zayıf kayalar için geçerlidir. Bu nedenle, araştırmacılar tarafından tanjant elastisite modülünün tahmini için bazı istatiksel modeller geliştirilmiştir. Bu modeldeki korelasyonlar indeks özellikler, petrografik özellikler, Schmidt çekici geri tepme sayısı ve Nokta yük indeksi gibi basit mekanik deneylerle ilgilidir. Ancak, bu korelasyonlar genel amaçlı kullanıma uygun değildir ve basit mekanik deneyler bazı zorluklara ve kısıtlamalara sahiptir. Son birkaç yıl içinde, bu geleneksel yönteme ek olarak, tanjant elastisite modülünün tahmini için yeni teknikler büyük ilgi toplamıştır. Bu yeni teknikler yapay sinir ağları (ANN), genetik algoritma (GA), ilgililik vektör makineleri (RVM) ve destek vektör makineleri (SVM) gibi esnek hesaplama yöntemleridir. Bu çalışmada, kaya malzemesi tanjant elastisite modülünün (Et) tahmininde En Küçük Kareler Destek Vektör Makinesi (LS-SVM) yönteminin uygulanabilirliği ve yeteneği incelenmiştir ve yöntemin performansı yapay sinir ağları (ANN) modeli ile karşılaştırılmıştır. İncelenen örnekler Gümüşhane, Giresun ve Rize'de (KD Türkiye) yüzeylenen volkanik kayaçlardan alınmıştır. Bu modellerin girdi parametreleri efektif porozite ve P-kararlılık indeksidir. ANN ve LS-SVM modellerinin performanslarını belirlemek için Performans İndeksi (PI) kullanılmıştır. Bu iki yöntem güçlü esnek hesaplama teknikleri olmasına rağmen, LSSVM daha yüksek doğruluk ve daha hızlı sonuçlar üretmektedir. Bu çalışma sonuçlarına göre, incelenen volkanik kayaç örnekleri için, LS-SVM modelinin ANN modeline göre daha iyi genelleme yeteneğine sahip olduğu söylenebilir.

The tangent elasticity modulus is an important parameter in designing solutions to rock engineering problems. Determining the parameter using standard laboratory tests is a difficult, expensive and time-consuming task. This is particularly true for thinly bedded, highly fractured, foliated, highly porous and weak rocks. Therefore, the researchers developed some statistical models for prediction of the tangent elasticity modulus. The correlations in these models often relate to some index properties, petrographic characteristics and basic mechanical test such as Schmidt hammer rebound number, point load index. However, these correlations are not open to the general purpose use and basic mechanical tests have some limitation and difficulties. In addition to these conventional methods, new techniques for prediction of the tangent elasticity modulus have also garnered considerable attention in the last several years. These new methods are soft computing methods such as Artificial Neural Network (ANN), Genetic algorithm (GA), Relevance vector machines (RVM) and Support vector machines (SVM). In this study, the applicability and capability of least squares support vector machines (LS-SVM) for predicting the tangent elasticity modulus of the rock materials was examined and its performance was compared with the artificial neural networks (ANN) model. The samples investigated were taken from volcanic rocks exposed in Gümüşhane, Giresun and Rize (NE Turkey). The input parameters of LS-SVM and ANN developed in this study models are the effective porosity, and P-durability index. The performance index (PI) was used to determine the performance of the LS-SVM and ANN models. Although these two methods are powerful soft computing techniques, LS-SVM makes the running time considerably faster, in terms of accuracy. As a result of the study, it can be concluded that the generalization ability of the LS-SVM model produces better results than those of the ANN model for the volcanic rock samples investigated