应用元启发式算法来量化基于RMR分类的GSI
Pouya Koureh Davoodi1, Farnusch Hajizadeh1, Mohammad Rezaei2
1Department of Mining Engineering, Faculty of Engineering, Urmia University, Urmia, Iran.
本研究使用定量岩石质量评分 (RMR) 来量化定性地质强度指数 (GSI). 像PSO,SA和GWO这样的元启发算法开发了准确的GSI-RMR模型,以改进岩石质量分类.
科学领域:
- 地质技术工程 地质技术工程
- 岩石机械 岩石机械
- 计算智能是一种计算智能.
背景情况:
- 准确的岩石质量分类对于地球科学应用至关重要.
- 岩石质量评级 (RMR) 是定量的,而地质强度指数 (GSI) 是定性的.
- 从RMR量化GSI是具有挑战性的,因为现有的经验模型的局限性.
研究的目的:
- 开发准确和可概括的预测模型,直接从RMR量化GSI.
- 为了比较metaheuristic优化算法的性能在开发GSI-RMR关系.
- 提高工程设计中GSI估计的准确性和适用性.
主要方法:
- 对14种岩石类型的数据进行分析.
- 使用粒子群优化 (PSO),模拟化 (SA) 和灰狼优化 (GWO) 开发了五种数学GSI-RMR方程类型 (线性,权力,指数,多项式,对数).
- 使用统计指标 (R2,RMSE,MAE,ASE,MAPE,MARE) 和图形分析评估模型.
主要成果:
- 使用PSO,SA和GWO获得了优化的GSI-RMR方程.
- 根据初步评估,SA衍生方程显示出基于初步评估的优异性能.
- 多标准评估显示,GWO和PSO模型在特定方面也提供了优势,突出了多种优化方法的价值.
结论:
- 拟议的基于元启发的GSI-RMR模型比传统方法提供了更好的准确性和通用性.
- 这些模型有助于更可靠的岩石质量强度参数估计和支持系统设计.
- 该研究强调了多标准评估对于选择地质工程中最佳预测模型的重要性.
更多相关视频
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
10:36Stress Distribution During Cold Compression of Rocks and Mineral Aggregates Using Synchrotron-based X-Ray Diffraction
Published on: May 20, 2018
相关概念视频
Aggregates Classification
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
Toughness and Hardness of Aggregate
Design Consideration
The factor of safety is another key...
Bonding and Strength of Aggregate
Non-destructive Tests for Concrete Strength
Sieve Analysis and Grading Curves
