| 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 2022 |
| تعداد صفحات مقاله انگلیسی | 13 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 | |
| ایمپکت فاکتور(IF) |
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 |
| 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. |