آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
طراحی یک مدل یادگیری ماشین برای پیش‌بینی ویژگی‌های سنگ‌های مورداستفاده در ساخت موج‌شکن‌های توده سنگی
احسان شیخ صمد1 
، اشکان مزدگیر1 ، مریم عاملی*1
، اشکان مزدگیر1 ، مریم عاملی*1
1- دانشگاه خوارزمی
چکیده: (139 مشاهده)
انتخاب معادن و همچنین سنگ باکیفیت مطابق با استانداردهای طراحی همیشه از مهم‌ترین چالش‌ها در جانمایی موج‌شکن‌ها و همچنین آغاز فعالیت‌های اجرایی پروژه‌های ساخت موج‌شکن‌های توده سنگی بوده است. در این پژوهش، با استفاده از رویکردهای یادگیری ماشین جهت پیش‌بینی نتیجه پذیرش و یا عدم‌پذیرش سنگ‌های معادن با حداقل آزمایش‌های ممکن بر اساس خروجی الگوریتم پیشنهاد شده است. روش استفاده شده در این پایان‌نامه، ارائه چارچوبی شامل پیش‌پردازش کامل و دقیق داده‌ها و به‌کارگیری الگوریتم‌های یادگیری ماشین همچون درخت تصمیم، جنگل تصادفی و نزدیک‌ترین همسایه است. همچنین داده‌های استفاده شده در این پژوهش شامل نتایج آزمایش‌های سنگ ده سال اخیر است که در ساخت موج‌شکن‌های توده سنگی نوار ساحلی دریای عمان استفاده شده است. در این روش داده‌های موجود به دو بخش داده‌های اصلی و داده‌های تست طبقه‌بندی‌شده و الگوریتم بر روی داده‌های اصلی پیاده‌سازی و پس از آن خروجی الگوریتم با استفاده از داده‌های تست ارزیابی گردید بادقت 96 درصد خروجی الگوریتم مورد تأیید قرار گرفت. نتایج به‌دست‌آمده از این چارچوب بر اهمیت استفاده از داده‌های موجود در صنعت ساخت سازه‌های دریایی و همچنین اثربخشی استفاده از الگوریتم‌های یادگیری ماشین در آنالیز و تحلیل داده‌های موجود تأکید دارد. خروجی نتایج پایان‌نامه حاضر باعث کاهش زمان انجام آزمایش ها، کاهش هزینه پروژه و کاهش مدت زمان انجام پروژه می‌گردد. بینش به‌دست‌آمده از پژوهش حاضر می‌تواند به شرکت‌های فعال در زمینه ساخت‌وساز سازه‌های دریایی و همچنین به طور خاص به سازمان بنادر و دریانوردی به عنوان متولی ساخت و نگهداری سازه‌های دریایی در کشور به جهت جانمایی موج‌شکن‌ها، بهینه‌سازی تخصیص منابع، کاهش زمان اجرایی و بهره‌برداری پروژه‌ها کمک نماید.
واژه‌های کلیدی: موج‌شکن های توده سنگی، الگوریتم درخت تصمیم، الگوریتم جنگل تصادفی، الگوریتم نزدیک‌ترین همسایه، یادگیری ماشین
فهرست منابع
1. B. M. Talkhablou, N. Hafezimoghaddas, M. Nikodel, and A. Uromeihy, "Evaluation of engineering properties of rocks and proposal of criteria for selection of rock materials for construction of rock mass breakwaters on the southern coasts of Iran," Earth Sciences, vol. 17, no. 66, pp. 86-107, 1386. (In Persian)
2. O. F.Y, A. J.E.T, A. O, H. J. O, O. O, and A. J, "Supervised Machine Learning Algorithms: Classification and Comparison," Int. J. Comput. Trends Technol., vol. 48, no. 3, pp. 128-138, Jun. 2017. [DOI:10.14445/22312803/IJCTT-V48P126]
3. I. D. Mienye, Y. Sun, and Z. Wang, "Prediction performance of improved decision tree-based algorithms: A review," Procedia Manuf., vol. 35, pp. 698-703, 2019, doi: 10.1016/j.promfg.2019.06.011. [DOI:10.1016/j.promfg.2019.06.011]
4. K. P. Murphy, Machine learning: a probabilistic perspective. MIT press, 2012.
5. S. García, S. Ramírez-Gallego, J. Luengo, J. M. Benítez, and F. Herrera, "Big data preprocessing: methods and prospects," Big Data Anal., vol. 1, no. 1, pp. 1-22, 2016, doi: 10.1186/s41044-016-0014-0. [DOI:10.1186/s41044-016-0014-0]
6. M. Ensafi, (2024)."Predicting patient absences using machine learning algorithms," 2024. (In Persian)
7. ASTM International
8. ISRM Suggested Methods
9. British Standards (BS)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
International Journal of Maritime Technology is licensed under a
Creative Commons Attribution-NonCommercial 4.0 International License.