| کاربرد الگوریتمهای یادگیری ماشین در پیشبینی پارامترهای ژئوتکنیکی خاک و سنگ: مروری بر مطالعات اخیر |
| کد مقاله : 1057-NIEGC2025 |
| نویسندگان |
|
محمد ایجانی *1، ابراهیم رحیمی2 1دانشجو دکتری، دانشکده علوم پایه، بخش زمینشناسی مهندسی، دانشگاه تربیت مدرس، تهران. 2استادیار، گروه علوم زمین، دانشکده علوم، دانشگاه شیراز، شیراز |
| چکیده مقاله |
| پیدایش روشهای یادگیری ماشین (ML) امکان تجزیه و تحلیل مجموعه دادههای پیچیده در زمینشناسی مهندسی و پیشبینی رفتار سنگ و خاک را فراهم کرده است. این مقاله مروری نظاممند بر مطالعات منتشر شده در سالهای اخیر در مورد کاربردهای ML، از جمله روشهایی مانند شبکههای عصبی مصنوعی (ANN)، ماشینهای بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest) و تقویت گرادیان/XGBoost، در پیشبینی پارامترهای مهندسی ژئوتکنیک مانند مقاومت فشاری تکمحوری(UCS)، رتبهبندی توده سنگ (RMR)، شاخص پایداری شیب (SDI) و مدول تغییر شکل ارائه میدهد. روششناسی مرور شامل جستجوی ساختاریافته در پایگاههای داده Scopus و Web of Science با استفاده از کلیدواژهها و معیارهای خاص ورود/خروج بوده است. یافتهها نشان میدهد که مدلهای دادهمحور تجمیعی، به ویژه جنگل تصادفی و XGBoost، عملکرد برتری (با ضریب تعیین R² تا حدود 0.9) را در مقایسه با رگرسیون خطی در مطالعات متعدد نشان میدهند، و شاخصهای کلیدی مانند عدد بازتاب اشمیت، Is(50) و درجه فرسایش اغلب به عنوان عوامل تأثیرگذار گزارش شدهاند. این مقاله شکافهای تحقیقاتی قابل توجهی، از جمله مسائل مربوط به تعمیمپذیری، کمیسازی عدم قطعیت و نیاز به مدلهای ترکیبی مبتنی بر فیزیک و دادهمحور را شناسایی میکند، ضمن اینکه توصیههایی برای تلاشهای تحقیقاتی آینده ارائه میدهد. |
| کلیدواژه ها |
| زمینشناسی مهندسی، کاربردهای یادگیری ماشین، شبکههای عصبی مصنوعی، مدلسازی پیشبینیکننده |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |