تحلیل عددی رفتارGCLهای ژئوپلیمری در پوشش مدفن‌های پرتوزا تحت رویکرد یادگیری ماشین

تحلیل عددی رفتارGCLهای ژئوپلیمری در پوشش مدفن‌های پرتوزا تحت رویکرد یادگیری ماشین

امیرمسعود نادری1 رامین نعمتی عموغین2 مریم همتیان دهکردی3

1) کارشناسی ارشد عمران گرایش ژئوتکنیک
2) دانشجوی کارشناسی ارشد عمران گرایش ژئوتکنیک
3) دکتری شهرسازی، دانشکده هنر و معماری، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران

کد IOI مقاله : AACA-ABBZZZ
محل انتشار : دهمین کنفرانس بین المللی پژوهش در علوم و مهندسی و هفتمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(10icrsie.com)
چکیده :
    مدیریت ایمن پسماندهای پرتوزا به عنوان یکی از چالش‌های کلیدی مهندسی ژئوتکنیک و محیط زیست، نیازمند توسعه مصالح پیشرفته مانند پوشش های رسی ژئوپلیمری (GCLها) در سامانه‌های پوششی مدفن‌هاست. این پژوهش با هدف تحلیل رفتار مکانیکی-هیدرولیکی-شیمیایی جفت‌شده GCL(THMC) های ژئوپلیمری تحت تأثیر تابش رادیواکتیو و دوره‌های زمانی طولانی‌مدت، رویکردی ترکیبی از مدلسازی عددی مبتنی بر روش اجزای محدود در نرم‌افزار PLAXIS 2D و الگوریتم یادگیری ماشین Random Forest را به کار گرفته است. مدل دوبعدی با ابعاد ۱۰۰×۲۰ متر، مش‌بندی مثلثی ۱۵-گرهی و تحلیل جفت‌شده جریان-تغییرشکل، چهار سناریو اصلی (سطوح تابش کم/زیاد و دوره‌های ۲/۱۰ ساله) را شبیه‌سازی کرد و داده‌های خروجی شامل نشست، فشار منفذی و نفوذپذیری را استخراج نمود. الگوریتم Random Forest بر اساس این داده‌ها آموزش دیده و با RMSE پایین (018/0–022/0 متر برای نشست) الگوهای غیرخطی را پیش‌بینی کرد؛ نتایج نشان داد افزایش تابش نشست را تا ۴۵٪–۷۵٪ و فشار منفذی را تا ۲۵٪–۴۴٪ افزایش می‌دهد، در حالی که نفوذپذیری تا ۳۰٪–۴۰٪ کاهش می‌یابد که پایداری شیمیایی ژئوپلیمرها را تأیید می‌کند. تحلیل اهمیت ویژگی‌ها نقش غالب مدول الاستیسیته (52/0 در نشست) و تابش (50/0 در نفوذپذیری) را برجسته ساخت. این رویکرد دقت پیش‌بینی را ۳۰٪ افزایش داده، زمان محاسباتی را ۵۰٪ کاهش می‌دهد و پایه‌ای برای بهینه‌سازی طراحی پوشش‌ها و کاهش ریسک‌های محیطی فراهم می‌آورد که می‌تواند به تدوین استانداردهای IAEA کمک کند.

کلمات کلیدی : gcl ژئوپلیمری مدفن پرتوزا تحلیل عددی یادگیری ماشین و پسماند هسته‌ای