Making a relation between strains and stresses is an important subject in the rock engineering field. Shear behaviors of rock fractures have been extensively investigated by different researchers. Literature mostly consists of constitutive models in the form of empirical functions that represent experimental data using mathematical regression techniques. As an alternative, this study aims to present a new integrated intelligent computing paradigm to form a constitutive model applicable to rock fractures. To this end, an RBFNN-GWO model is presented, which integrates the radial basis function neural network (RBFNN) with grey wolf optimization (GWO). In the proposed model, the hyperparameters and weights of RBFNN were tuned using the GWO algorithm. The efficiency of the designed RBFNN-GWO was examined comparing it with the RBFNN-GA model (a combination of RBFNN and the Genetic Algorithm). The proposed models were trained based on the results of a systematic set of 84 direct shear tests gathered from the literature. The finding of the current study demonstrated the efficiency of both the RBFNN-GA and RBFNN-GWO models in predicting the dilation angle, peak shear displacement, and stress as the rock fracture properties. Among the two models proposed in this study, the statistical results revealed the superiority of RBFNN-GWO over RBFNN-GA in terms of prediction accuracy.

中文翻译：

---

一种新的集成智能计算范式的自动化设计，用于构建适用于预测岩石裂缝的本构模型

建立应变和应力之间的关系是岩石工程领域的一个重要课题。不同的研究人员已经对岩石裂缝的剪切行为进行了广泛的研究。文献主要由经验函数形式的本构模型组成，这些模型使用数学回归技术表示实验数据。作为替代方案，本研究旨在提出一种新的集成智能计算范式，以形成适用于岩石裂缝的本构模型。为此，提出了一种 RBFNN-GWO 模型，该模型将径向基函数神经网络 (RBFNN) 与灰狼优化 (GWO) 相结合。在提出的模型中，使用 GWO 算法调整 RBFNN 的超参数和权重。将设计的 RBFNN-GWO 的效率与 RBFNN-GA 模型（RBFNN 和遗传算法的组合）进行比较。所提出的模型是根据从文献中收集的 84 次直接剪切测试的系统结果进行训练的。当前研究的发现证明了 RBFNN-GA 和 RBFNN-GWO 模型在预测膨胀角、峰值剪切位移和应力作为岩石断裂特性方面的效率。在本研究提出的两个模型中，统计结果揭示了 RBFNN-GWO 在预测精度方面优于 RBFNN-GA。当前研究的发现证明了 RBFNN-GA 和 RBFNN-GWO 模型在预测膨胀角、峰值剪切位移和应力作为岩石断裂特性方面的效率。在本研究提出的两个模型中，统计结果揭示了 RBFNN-GWO 在预测精度方面优于 RBFNN-GA。当前研究的发现证明了 RBFNN-GA 和 RBFNN-GWO 模型在预测膨胀角、峰值剪切位移和应力作为岩石断裂特性方面的效率。在本研究提出的两个模型中，统计结果揭示了 RBFNN-GWO 在预测精度方面优于 RBFNN-GA。