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.
Details
| Journal Section | Articles |
|---|---|
| Authors | |
| Publication Date | September 30, 2016 |
| Submission Date | September 29, 2016 |
| Published in Issue | Year 2016 |