%0 Journal Article %T پیش‌بینی مهمترین خصوصیت ژئومکانیکی توده سنگ با استفاده از روش‌های الگوریتم جستجوی هارمونی و الگوریتم مبتنی بر آموزش و یادگیری %J مهندسی عمران فردوسی %I دانشگاه فردوسی مشهد %Z 2783-2805 %A فتاحی, هادی %A ملک محمودی, فرشاد %A قائدی, حسین %D 2022 %\ 11/22/2022 %V 35 %N 3 %P 1-18 %! پیش‌بینی مهمترین خصوصیت ژئومکانیکی توده سنگ با استفاده از روش‌های الگوریتم جستجوی هارمونی و الگوریتم مبتنی بر آموزش و یادگیری %K مدول تغییرشکل‌پذیری %K الگوریتم جستجوی هارمونی %K الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری %K توده سنگ %R 10.22067/jfcei.2022.72095.1056 %X  به علت وجود مشکلات در ارزیابی تغییر شکل توده‌سنگ‌های درزه‌دار در مقیاس آزمایشگاهی، می‌توان برای در نظر گرفتن اثر مقیاس و درزه‌ها از روش‌های مختلف آزمایش برجا مانند آزمایش بارگذاری صفحه‌ای و دیلاتومتری استفاده کرد. اگر چه این روش‌ها در حال حاضر بهترین هستند، اما گران، زمان‌بر و دارای مشکلات عملیاتی در حین اجرا هستند. بنابراین در این مقاله برای غلبه بر این مشکلات، از الگوریتم‌های جدید جستجوی هارمونی (HS) و الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO) برای تخمین غیرمستقیم مدول تغییرشکل‌پذیری توده‌ سنگ استفاده شده‌است. در این مدل‌ها از امتیاز رده‌بندی توده سنگ (RMR)، مقاومت فشاری تک‌محوره سنگ بکر (UCS)، عمق (D) و مدول الاستیسیته سنگ بکر (Ei) به‌عنوان پارامترهای ورودی و از مدول تغییرشکل‌پذیری توده‌سنگ (Em) به‌عنوان پارامتر خروجی استفاده شده‌است. در این مقاله، با استفاده از شاخص‌های آماری مختلف، مدل ایجادشده توسط الگوریتم‌ها، ارزیابی و اعتبارسنجی می‌شود. نتایج ارزیابی نشان داد که دقت رابطه برای الگوریتم جستجوی هارمونی با استفاده از شاخص‌های R2 و VAF حدود 93/0-91/0 و درصد خطا با استفاده از شاخص‌های RMSE وMSE  بین 0042/0-000017/0 است هم‌چنین دقت رابطه برای الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری با استفاده از روش R2 و VAF حدود 95/0-92/0 و درصد خطا با استفاده از شاخص‌های RMSE وMSE  بین 0032/0-000010/0 به‌دست آمد. %U https://civil-ferdowsi.um.ac.ir/article_42483_43be864eb7d351bfee125b42ca7930bc.pdf