fa طراحی یک مدل یادگیری ماشین برای پیش‌بینی ویژگی‌های سنگ‌های مورداستفاده در ساخت موج‌شکن‌های توده سنگی سازه های فراساحلی Offshore Structure مقاله پژوهشي Research Paper <p><span style="font-size:12pt"><span style="font-size:11.0pt">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. این پژوهش بر مبنای 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&nbsp; 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&nbsp; 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.</span></span><br> &nbsp;</p> <table class="MsoTableGrid" style="width:680px; border-collapse:collapse; border:none" width="680"> <tbody> <tr> <td style="border-bottom:1px solid black; width:463px; padding:6px 0in 6px 0in; border-top:1px solid black; border-right:none; border-left:none" valign="top"><span style="font-size:12pt"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt">Selection of quarries and quality stones by design standards has always been one of the most important challenges in the location of breakwaters and the commencement of executive activities of rock mass breakwater construction projects. This research proposes using machine learning approaches to predict the result of the acceptance or rejection of quarry stones with the minimum possible tests based on the algorithm&#39;s output. The method used in this thesis is to provide a framework including complete and accurate data preprocessing and the use of machine learning algorithms such as decision tree, random forest, nearest neighbor, and the use of available data from the results of rock tests in the last ten years obtained in the construction of rock mass breakwaters in the coastal strip of the Sea of Oman. In this method, the available data is classified into two parts: main data and test data, and the algorithm is implemented on the main data and then the output of the algorithm is evaluated using the test data. The algorithm output is confirmed with an accuracy of 96%. The results obtained from this framework emphasize the importance of using existing data in the marine construction industry and the effectiveness of using machine learning algorithms in analyzing and interpreting existing data. The output of the results of this thesis reduces the time of experiments, reduces project costs, and reduces the duration of the project. The insight obtained from this research can help companies active in the field of marine construction and also specifically the Ports and Maritime Organization as the custodian of the construction and maintenance of marine structures in the country to locate breakwaters, optimize resource allocation, reduce the implementation time and operation of projects.</span></span></span></span></td> </tr> </tbody> </table> موج‌شکن های توده سنگی,الگوریتم درخت تصمیم,الگوریتم جنگل تصادفی,الگوریتم نزدیک‌ترین همسایه,یادگیری ماشین Rock mass breakwaters,decision tree algorithm,random forest algorithm,nearest neighbor algorithm,machine learning 57 66 http://marine-eng.ir/browse.php?a_code=A-10-1894-1&slc_lang=fa&sid=1 ehsan sheikhsamad احسان شیخ صمد ehsan_sheikhsamad@yahoo.com 10031947532846006063 10031947532846006063 No Kharazmi University دانشگاه خوارزمی Ashkan Mozdgir اشکان مزدگیر a.mozdgir@khu.ac.ir 10031947532846006064 10031947532846006064 No Kharazmi University دانشگاه خوارزمی mariam ameli مریم عاملی m.ameli@khu.ac.ir 10031947532846006065 10031947532846006065 Yes Kharazmi University دانشگاه خوارزمی