تعیین فشار پایداری جبهه کار تونل در ماشین های EPB با استفاده از یادگیری ماشین (GRU) و تحلیل مولفه اصلی (PCA)

برآورد فشار نگهدارنده جبهه کار حفاری از پارامترهای موثر در تخمین عملکرد حفاری ماشین EPB در محیط خاکی و مناطق شهری است. در این مطالعه از روش یادگیری عمیق شبکه عصبی مصنوعی بازگشتی تحت عنوان واحد بازگشتی گیتی (GRU) برای تخمین و ارزیابی فشار جبهه کار در تونل خط ۷ متروی تهران قطعه شرقی-غربی استفاده شده است. روش احتمالاتی تحلیل مولفه های اصلی (PCA) برای ارزیابی پایگاه اطلاعات توسعه داده شده بکارگرفته شد. بر اساس ارزیابی صورت گرفته توسط تحلیل واریانس و شاخص های احتمالاتی پارامترهای ی نظیر سرعت چرخش نوار نقاله مارپیچ، حجم دوغاب تزریقی، فشار دوغاب تزریقی و نیروی رانش ماشین حفار به عنوان فاکتورهای ورودی در مدل در نظر گرفته شد. از توابع هزینه قدرتمند یادگیری ماشین نظیر میانگین قدر مطلق تفاضل (MAE)، خطای میانگین مربعات (MSE) و میانگین خطای قدر مطلق هموار شده (Huber) برای ارزیابی و تحلیل نتایج محاسباتی از شبکه پیش کننده ی GRU استفاده شده است، نتایج حاصل از توابع مذکور در مرحله صحت سنجی به ترتیب دارای مقادیر ۰,۰۴۲، ۰,۰۱ و ۰,۰۰۲ میباشد، که بیانگر دقت بالا و صحت مدل ارائه شده است.

تعیین فشار پایداری جبهه کار تونل در ماشین های EPB با استفاده از یادگیری ماشین (GRU) و تحلیل مولفه اصلی (PCA) Keywords:

یادگیری ماشین , شبکه GRU , فشار جبهه کار , حفاری مکانیزه , EPB