پیش بینی نرخ نفوذ ماشین تمام مقطع حفر تونل (TBM) با استفاده از رگرسیون خطی چند متغیره، شبکه عصبی مصنوعی و ماشین بردار پشتیبان

پیش بینی نرخ نفوذ ماشین تمام مقطع حفر تونل (TBM) با استفاده از رگرسیون خطی چند متغیره، شبکه عصبی مصنوعی و ماشین بردار پشتیبان

احسان پیرهادی1 آرش ابراهیم آبادی2

1) دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
2) گروه مهندسی معدن، واحد قائم شهر، دانشگاه آزاد اسلامی، قائم شهر، ایران

کد IOI مقاله : XYCE-ACHCZ
محل انتشار : کنفرانس بین المللی عمران ، معماری و زیرساخت های شهری(icica.ir)
چکیده :
    ماشین های تمام مقطع حفر تونل (TBM) کاربرد فراوانی در فعالیت های عمرانی داشته و امروزه جزء لاینفک پروژه های تونلسازی به شمار می رود. از این رو پیش بینی عملکرد و نرخ نفوذ این ماشین ها نقشی اساسی را در موفقیت آمیز بودن کاربرد آن‌ ها ایفاء می کند. این پارامتر، یکی از پارامترهای مهم در تعیین مدت زمان حفاری در عملیات تونلسازی محسوب می شود. از آنجا که عملیات حفاری اندرکنش میان زمین و ماشین است، بنابراین دو دسته کلی پارامترهای مربوط به تشکیلات مورد حفاری و ماشین بر نرخ نفوذ تأثیر می‌گذارند. البته در این مورد نباید نقش عوامل اجرایی را نادیده گرفت. در این تحقیق سعی شد تا مدل‌هایی برای پیش‌ بینی نرخ نفوذ TBM با استفاده از روش‌های رگرسیون خطی چند متغیره، شبکه عصبی مصنوعی و ماشین بردار پشتیبان ارائه شود. بدین منظور پایگاه داده ای متشکل از پارامترهای نرخ نفوذ TBM، مقاومت فشاری تک محوره، مقاومت کششی برزیلی، ضریب شکنندگی سنگ، فاصله بین ناپیوستگی ها و جهت ناپیوستگی ها در توده سنگ در پروژه حفر تونل کوئینز تهیه شد. قطعه دوم تونل آب شماره 3 کوئینز در حدود 7/5 کیلومتر طول و 7 متر قطر دارد و بین 2 منطقه بروکلین و کوئینز در عمق 200 متری زیر سطح دریا در غرب کوئینز واقع شده است. این تونل برای بهبود توزیع آب در سراسر شهر نیویورک ایالات متحده آمریکا در نظر گرفته شده است. تونل کوئینز با استفاده از یک TBMبا قدرت حفر شده است. نتایج تحلیل‌ها منجر به ارائه مدل‌هایی برای پیش بینی نرخ نفوذ ماشین گردید. مدلسازی‌ها ارتباط بین نرخ نفوذ مجموعه آموزش و متغیرهای سازنده مدل با ضریب تعیین 0/67 را برای رگرسیون خطی چند متغیره، 0/86 برای شبکه عصبی مصنوعی و 0/99 برای ماشین بردار پشتیبان نشان می دهند. همچنین مقدار مربع ضریب همبستگی برای داده های مجموعه تست، برابر 0/82 برای رگرسیون خطی چند متغیره، 0/86 شبکه عصبی مصنوعی و 0/99 برای ماشین بردار پشتیبان بدست آمد که نمایانگر توانایی بالای روش های مدلسازی غیرخطی نسبت به رگرسیون خطی در پیش بینی نرخ نفوذ می باشند.

کلمات کلیدی : ماشین تمام مقطع حفر تونل تونل کوئینز شبکه عصبی مصنوعی ماشین بردار پشتیبان