مقاله انگلیسی پیش بینی فراصوتی تراکم ترک با استفاده از یادگیری ماشین
ترجمه نشده

مقاله انگلیسی پیش بینی فراصوتی تراکم ترک با استفاده از یادگیری ماشین

عنوان فارسی مقاله: پیش بینی فراصوتی تراکم ترک با استفاده از یادگیری ماشین: یک بررسی عددی
عنوان انگلیسی مقاله: Ultrasonic prediction of crack density using machine learning: Anumerical investigation
مجله/کنفرانس: مرزهای علوم زمین شناسی - Geoscience Frontiers
رشته های تحصیلی مرتبط: مهندسی عمران، زمین شناسی، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: خاک و پی، سازه، زمین شناسی ساختمانی، هوش مصنوعی
کلمات کلیدی فارسی: یادگیری ماشینی، تراکم ترک، موجه فراصوت، رایانش عددی
کلمات کلیدی انگلیسی: Machine learning, Crack density, Ultrasonic wave, Numerical computation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR- DOAJ
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.gsf.2021.101277
دانشگاه: ـ
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 6.853 در سال 2020
شاخص H_index: 57 در سال 2020
شاخص SJR: 1.842 در سال 2020
شناسه ISSN: 1674-9871
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 13
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15579
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract
Graphical abstract
Keywords
Introduction
Methodology
Results and discussion
Conclusions
Declaration of Competing Interest
Acknowledgements
References

بخشی از مقاله (انگلیسی)

abstract
Cracks are accounted as the most destructive discontinuity in rock, soil, and concrete. Enhancing our knowledge from their properties such as crack distribution, density, and/or aspect ratio is crucial in geo-systems. The most well-known mechanical parameter for such an evaluation is wave velocity through which one can qualitatively or quantitatively characterize the porous media. In small scales, such information is obtained using the ultrasonic pulse velocity (UPV) technique as a non-destructive test. In large-scale geo-systems, however, it is inverted from seismic data. In this paper, we take advantage of the recent advancements in machine learning (ML) for analyzing wave signals and predict rock properties such as crack density (CD) – the number of cracks per unit volume. To this end, we designed numerical models with different CDs and, using the rotated staggered finite-difference grid (RSG) technique, simulated wave propagation. Two ML networks, namely Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM), are then used to predict CD values. Results show that, by selecting an optimum value for wavelength to crack length ratio, the accuracy of predictions of test data can reach R2 > 96% with mean square error (MSE) < 25e-4 (normalized values). Overall, we found that: (i) performance of both CNN and LSTM is highly promising, (ii) accuracy of the transmitted signals is slightly higher than the reflected signals, (iii) accuracy of 2D signals is marginally higher than 1D signals, (iv) accuracy of horizontal and vertical component signals are comparable, (v) accuracy of coda signals is lesswhen the whole signals are used. Our results, thus, reveal that the ML methods can provide rapid solutions and estimations for crack density, without the necessity of further modeling.

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است