文献

J-GLOBAL ID：202202277276018619   整理番号：22A0967461

岩石強度パラメータを予測するための機械学習技術【JST・京大機械翻訳】

Machine Learning Techniques to Predict Rock Strength Parameters

著者 (8件)： Mahmoodzadeh Arsalan (Department of Civil Engineering, University of Halabja, Halabja, Kurdistan Region, Iraq) ,  Mohammadi Mokhtar (Department of Information Technology, College of Engineering and Computer Science, Lebanese French University, Erbil, Kurdistan Region, Iraq) ,  Ghafoor Salim Sirwan (City Planning Department, Technical College of Engineering, Sulaimani Polytechnic University, Sulaymaniyah, Kurdistan Region, Iraq) ,  Farid Hama Ali Hunar (Department of Civil Engineering, University of Halabja, Halabja, Kurdistan Region, Iraq) ,  Hashim Ibrahim Hawkar (Civil Engineering Department, College of Engineering, Salahaddin University-Erbil, Erbil, Kurdistan Region, Iraq) ,  Nariman Abdulhamid Sazan (Civil Engineering Department, College of Engineering, Salahaddin University-Erbil, Erbil, Kurdistan Region, Iraq) ,  Nejati Hamid Reza (Rock Mechanics Division, School of Engineering, Tarbiat Modares University, Tehran, Iran) ,  Rashidi Shima (Department of Computer Science, College of Science and Technology, University of Human Development, Sulaymaniyah, Kurdistan Region, Iraq)
資料名： Rock Mechanics and Rock Engineering  (Rock Mechanics and Rock Engineering)
巻： 55  号： 3  ページ： 1721-1741  発行年： 2022年 
JST資料番号： C0064C  ISSN： 0723-2632  CODEN： RMREDX  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 接着(C)と摩擦角(φ)の岩石せん断強度パラメータを正確に推定するために,三軸試験を異なる応力レベルで実行しなければならないので,破壊包絡線を線形化できる。しかし,これは,プロジェクトの初期段階でしばしば利用できない,より高い予算と時間要求を含む。この問題に取り組むために,人工知能アルゴリズムのような迅速でより安価な間接技術が開発中である。本論文は,まず,Gaussプロセス回帰(GPR),サポートベクトル回帰(SVR),ディシジョンツリー(DT),および長短期メモリ(LSTM)の4つの機械学習技術を利用して,パラメータCとφを推定するための予測モデルを開発した。この目的のために,一軸圧縮強度(UCS)の3つの入力パラメータ,単軸引張強度(UTS),および拘束応力(σ_3)を含む無傷砂岩のRockDataソフトウェアで244のデータセットが利用できる。ドロップアウト技術を用いて,LSTMベースモデルにおける過剰適合問題を克服した。予測モデルの性能指標に総合評価を採用した。このステップにおいて,最も正確な結果はLSTMモデル(C:R2=0.9842;RMSE=1.295;MAPE=0.009/φ:R2=0.8543;RMSE=1.857;MAPE=1.4301)によって生成される。第2ステップでは,LSTMハイパーパラメータの微調整によるLSTMモデルの性能を改善し,灰色鉄最適化(GWO),粒子群最適化(PSO),社会的クモ最適化(SSO),正弦余弦アルゴリズム(SCA),マルチ逆最適化(MVO),およびガ火炎最適化(MFO)の6つのメタヒューリスティックアルゴリズムを使用した。パラメータCを高から低に予測するための開発したモデルの予測性能は,それぞれ,PSO-LSTM,GWO-LSTM,MVO-LSTM,MFO-LSTM,SCA-LSTM SSO-LSTM,およびLSTMで,それぞれ,34,29,24,21,14,12,および5のランキングスコアを有したものであることが分かったものである。”その予測性能”は,それぞれ,PSO-LSTM,GWO-LSTM,MVO-LSTM,MFO-LSTM,SCA-LSTM SSO-LSTM,およびLSTMであった。また,高から低までのパラメータφを予測するためのモデル予測性能は,PSO-LSTM,GWO-LSTM,MVO-LSTM,MFO-LSTM,SCA-LSTM SSO-LSTM,およびLSTMで,それぞれ,34,31,23,18,15,14,および5のランキングスコアであった。しかし,PSO-LSTMモデルにより最もロバストな結果が得られる。最後に,結果は,LSTMモデルのハイパーパラメータを調整するためのメタヒューリスティックアルゴリズムの適用が,予測結果を著しく改良できることを示した。最後のステップにおいて,相互情報試験方法は,パラメータCとφを予測するために入力パラメータの感度解析に適用した。最後に,パラメータσ_3およびUCSは,それぞれ,パラメータCおよびφに対して,最高および最低の影響を有することを明らかにした。大きいデータセットは244のデータから成る。6つのMLアルゴリズムを使用して,それらのほとんどがこの問題のために以前にテストされなかった。結果を検証するために5倍CVを適用した。トンネルへの水流入に関する最も効果的なパラメータを見つけるための特徴選択の適用。最良の予測方法の認識。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Austria, part of Springer Nature 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  アルゴリズム ,  最適化 ,  接着 ,  回帰分析 ,  感度解析 ,  剪断強さ ,  人工知能 ,  ディシジョンツリー ,  引張強さ ,  ソフトウェア ,  *パラメータ ,  ロバスト性 ,  *機械学習 ,  予測モデル ,  サポートベクトルマシン
準シソーラス用語： サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： 岩石剪断強度パラメータ ,  凝集 ,  摩擦角 ,  機械学習 ,  メタヒューリスティック最適化

分類 (1件)： 岩盤の力学的性質  (HE02000H)

タイトルに関連する用語 (4件)： 岩石 ,  パラメータ ,  予測 ,  機械学習技術