ارزیابی مقاومت مکانیکی، بهویژه مقاومت فشاری تکمحوری (UCS) سنگها، نقش حیاتی در طراحی و پیشبینی عملکرد سازههای سطحی و زیرزمینی ایفا میکند و بهطور قابلتوجهی بر هزینهها و ایمنی پروژهها در کاربردهای مهندسی تاثیر میگذارد. روشهای آزمایشگاهی سنتی برای ارزیابیUCS مخرب، زمانبر و پرهزینه هستند در حالی که روشهای غیرمستقیم اغلب به دلیل ناهمگنی سنگها از قابلیت اطمینان کافی برخوردار نیستند. این مطالعه این محدودیتها را با توسعه چارچوبهای پیشرفته یادگیری ماشین که ویژگیهای پتروگرافی را با ویژگیهای سنتی سنگها ترکیب میکنند، برای پیشبینیUCS و کمیسازی عدمقطعیتهای مرتبط برطرف میکند. تحقیق از یک مجموعه داده جامع شامل سنگهای رسوبی که از سواحل جنوبی ایران (خلیج فارس و دریای عمان) جمعآوری شده است، استفاده کرده است. این مجموعه داده شامل ویژگیهای مکانیکی (UCS، مقاومت کششی برزیلی، شاخص بار نقطهای، تخلخل، سرعت پالس فراصوت)، شاخصهای دوام (سایش لس آنجلس، دوام ترکخوردگی، ارزش تاثیر مصالح) و ویژگیهای پتروگرافی دقیق استخراج شده از تحلیل مقاطع نازک میباشد. سه رویکرد مکمل، (1) رگرسیون چندگانه شبکه عصبی مصنوعی- الگوریتم افزایش گرادیان (ANN-GBR)، (2) الگوریتم جنگل تصادفی بهینهشده باAutoML و (3) کمیسازی عدمقطعیت مبتنی بر شبیهسازی مونت کارلو بهکار گرفته شد. ویژگیهای پتروگرافی کلیدی از جمله بافتهای آواری نابالغ و بالغ، ترکیب کانیشناسی (کوارتز، چرت) بهعنوان پارامترهای ورودی همراه با آزمونهای آزمایشگاهی برای بهبود پیشبینی مورد استفاده قرار گرفتند. تأثیر این ویژگیهای پتروگرافی بر ریزساختار سنگ و گسترش ریزترکها، به کاهش عدمقطعیت مدل کمک میکند و قابلیت اطمینان پیشبینیها را در شرایط پیچیده و ناهمگن سنگ افزایش میدهد.
