English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Kaya malzemesi tanjant elastisite modulu kaya muhendisligi tasarim problemlerinin cozumunde onemli bir parametredir. Elastisite modulunun standart laboratuvar deneyleriyle belirlenmesi zor, pahali ve zaman alici bir istir. Bu durum ozellikle ince tabakali, ileri derecede kirikli, foliasyonlu, yuksek poroziteli ve zayif kayalar icin gecerlidir. Bu nedenle, arastirmacilar tarafindan tanjant elastisite modulunun tahmini icin bazi istatiksel modeller gelistirilmistir. Bu modeldeki korelasyonlar indeks ozellikler, petrografik ozellikler, Schmidt cekici geri tepme sayisi ve Nokta yuk indeksi gibi basit mekanik deneylerle ilgilidir. Ancak, bu korelasyonlar genel amacli kullanima uygun degildir ve basit mekanik deneyler bazi zorluklara ve kisitlamalara sahiptir. Son birkac yil icinde, bu geleneksel yonteme ek olarak, tanjant elastisite modulunun tahmini icin yeni teknikler buyuk ilgi toplamistir. Bu yeni teknikler yapay sinir aglari (ANN), genetik algoritma (GA), ilgililik vektor makineleri (RVM) ve destek vektor makineleri (SVM) gibi esnek hesaplama yontemleridir. Bu calismada, kaya malzemesi tanjant elastisite modulunun (Et) tahmininde En Kucuk Kareler Destek Vektor Makinesi (LS-SVM) yonteminin uygulanabilirligi ve yetenegi incelenmistir ve yontemin performansi yapay sinir aglari (ANN) modeli ile karsilastirilmistir. Incelenen ornekler Gumushane, Giresun ve Rize’de (KD Turkiye) yuzeylenen volkanik kayaclardan alinmistir. Bu modellerin girdi parametreleri efektif porozite ve P-kararlilik indeksidir. ANN ve LS-SVM modellerinin performanslarini belirlemek icin Performans Indeksi (PI) kullanilmistir. Bu iki yontem guclu esnek hesaplama teknikleri olmasina ragmen, LSSVM daha yuksek dogruluk ve daha hizli sonuclar uretmektedir. Bu calisma sonuclarina gore, incelenen volkanik kayac ornekleri icin, LS-SVM modelinin ANN modeline gore daha iyi genelleme yetenegine sahip oldugu soylenebilir.

En Küçük Kareler Destek Vektör Makineleri (LS-SVM) Kullanarak Kaya Malzemesi Tanjant Elastisite Modülünün Tahmini