En Küçük Kareler Destek Vektör Makineleri (LS-SVM) Kullanarak Kaya Malzemesi Tanjant Elastisite Modülünün Tahmini

Authors : Nurcihan Ceryan

Pages : 0-0

Doi:10.17824/yrb.73560

View : 13 | Download : 7

Publication Date : 2016-09-30

Article Type : Research Paper

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 insert ignore into journalissuearticles values(ANN);, genetik algoritma insert ignore into journalissuearticles values(GA);, ilgililik vektör makineleri insert ignore into journalissuearticles values(RVM); ve destek vektör makineleri insert ignore into journalissuearticles values(SVM); gibi esnek hesaplama yöntemleridir. Bu çalışmada, kaya malzemesi tanjant elastisite modülünün insert ignore into journalissuearticles values(Et); tahmininde En Küçük Kareler Destek Vektör Makinesi insert ignore into journalissuearticles values(LS-SVM); yönteminin uygulanabilirliği ve yeteneği incelenmiştir ve yöntemin performansı yapay sinir ağları insert ignore into journalissuearticles values(ANN); modeli ile karşılaştırılmıştır. İncelenen örnekler Gümüşhane, Giresun ve Rize’de insert ignore into journalissuearticles values(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 insert ignore into journalissuearticles values(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.
Keywords : En küçük kareler destek vektör makinesi LS SVM, , KD Türkiye, tanjant elastisite modülü, volkanik kayaç, yapay sinir ağı ANN,