Makine Öğrenimi Yöntemleriyle Bazaltlarda Tek Eksenli Sıkışma Dayanımının Değerlendirilmesi ve Performanslarının Karşılaştırılması

Makine Öğrenimi Yöntemleriyle Bazaltlarda Tek Eksenli Sıkışma Dayanımının Değerlendirilmesi ve Performanslarının Karşılaştırılması

Tek eksenli sıkışma dayanımı (UCS) mühendislik projelerinde en önemli tasarım parametrelerinden biri olup; bir çok projede ve sınıflama sistemlerinde doğrudan kullanılan bir parametredir. UCS’nin elde edilmesindeki güçlükler göz önüne alındığında; makine öğrenimi temelli yaklaşımlar ile tahmin edilm...

Full description

Saved in:
Bibliographic Details
Main Authors: Ayhan Doğan, Nurgül Gültekin
Format: Article
Language:English
Published: Düzce University 2023-04-01
Series:Düzce Üniversitesi Bilim ve Teknoloji Dergisi
Subjects:
tek eksenli sıkışma dayanımı
destek vektör makineleri
gauss süreç yönetimi
ağaç toplulukları
uniaxial compressive strength
support vector machine
gaussian process regression
ensembles of tree
Online Access:https://dergipark.org.tr/tr/download/article-file/2643715
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Tek eksenli sıkışma dayanımı (UCS) mühendislik projelerinde en önemli tasarım parametrelerinden biri olup; bir çok projede ve sınıflama sistemlerinde doğrudan kullanılan bir parametredir. UCS’nin elde edilmesindeki güçlükler göz önüne alındığında; makine öğrenimi temelli yaklaşımlar ile tahmin edilmesi dikkat çekmektedir. Çalışma kapsamında bazalt bloklarından alınan 137 adet karot örneği üzerinde gerçekleştirilen laboratuvar deney sonuçları kullanılarak iki ayrı model elde edilmiştir. Bu modellerde görünür gözeneklilik (n), p dalga hızı (Vp) ve birim hacim ağırlık (n) değerleri girdi parametreleri olup; makine öğrenimi yöntemleri ile UCS tahmin edilmeye çalışılmıştır. Bu amaçla; Gauss Süreç Regresyonu (GSR), Destek Vektör Makineleri (DVM) ve Ağaç Toplulukları Yöntemleri (AT) olmak üzere üç farklı makine öğrenimi yöntemi kullanılmıştır. İki ayrı modele ait beş farklı veri seti için uygulanan üç ayrı makine öğrenimi yönteminin performanslarının değerlendirmesinde R2 (determinasyon katsayısı), RMSE (kök ortalama kare hata), MSE (ortalama kare hata) ve MAE (ortalama mutlak hata) performans indisleri kullanılmıştır. Buna göre; genel olarak üç ayrı makine öğrenimi yönteminin de UCS’ nin tahmininde başarılı olduğu değerlendirilmiş olmakla birlikte AT yönteminin genel olarak daha yüksek tahmin performansı verdiği belirlenmiştir.
ISSN:2148-2446

Similar Items