مقاله انگلیسی رایگان در مورد پیش بینی فراصوتی تراکم ترک با استفاده از یادگیری ماشین – الزویر ۲۰۲۱

elsevier

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۲۲
تعداد صفحات مقاله انگلیسی ۱۳ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR- DOAJ
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۶٫۸۵۳ در سال ۲۰۲۰
شاخص H_index ۵۷ در سال ۲۰۲۰
شاخص SJR ۱٫۸۴۲ در سال ۲۰۲۰
شناسه ISSN ۱۶۷۴-۹۸۷۱
شاخص Quartile (چارک) Q1 در سال ۲۰۲۰
فرضیه ندارد
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی عمران، زمین شناسی، مهندسی کامپیوتر
گرایش های مرتبط خاک و پی، سازه، زمین شناسی ساختمانی، هوش مصنوعی
نوع ارائه مقاله
ژورنال
مجله  مرزهای علوم زمین شناسی – Geoscience Frontiers
کلمات کلیدی یادگیری ماشینی، تراکم ترک، موجه فراصوت، رایانش عددی
کلمات کلیدی انگلیسی Machine learning, Crack density, Ultrasonic wave, Numerical computation
شناسه دیجیتال – doi
https://doi.org/10.1016/j.gsf.2021.101277
کد محصول E15579
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

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

بخشی از متن مقاله:
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.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *