پیش بینی نرخ نفوذ TBM با استفاده از شبکه های عصبی و سیستم های فازی-عصبی (مطالعه موردی از ۱۴ تونل حفر شده در سنگ سخت)

پیش بینی نرخ نفوذ TBMها یکی از مهمترین موضوعات برای تخمین هزینه های حفاری و مدت زمان اجرا در پروژه های تونل سازی است، اما این موضوع همچنان برای مهندسین و سرمایه گذاران یک چالش مهم محسوب می شود. نتایج تحقیقات گذشته نشان می دهد که برای پیش بینی نرخ نفوذ، روش های متفاوتی ارائه شده اند که از جمله ی این روش ها می توان به روش های تجربی و تئوری به عنوان روش های کلاسیک و قدیمی تر و شبکه های عصبی، شبکه های فازی و یا شبکه های فازی-عصبی به عنوان روش های هوشمند و جدید اشاره کرد. روش های مدرن در تحلیل روابط پیچیده و غیرخطی، از توانایی بالاتری نسبت به روش های کلاسیک  برخوردار هستند؛ لذا استفاده از آن ها سبب رسیدن به نتایج دقیق تری برای پیش بینی نرخ نفوذ خواهد شد. در این پژوهش از یک بانک اطلاعاتی شامل ۱۴ تونل از سراسر جهان بهره گرفته شده است. پارامترهای انتخاب شده برای پیش بینی نرخ نفوذ شامل ترکیبی از پارامترهای مربوط به ماشین و توده سنگ است، از جمله نیروی عمودی وارد بر تیغه (Fn)، تعداد دور در دقیقه (RPM)، قطر تونل (TD)، امتیاز رده بندی توده سنگ (RMR)، شاخص کیفی سنگ ((RQD و مقاومت فشاری تک محوری (UCS). با تحلیل و بررسی نتایج مربوطه مشخص گردید که حذف یا عدم استفاده از پارامترهای مناسب می تواند سبب کاهش چشم گیری در پیش بینی نرخ نفوذ شود. بر این اساس نتایج نشان می دهد که پارامترهای UCS و RQD مهم ترین پارامترهای تاثیرگذار در پیش بینی نرخ نفوذ هستند. این نتایج همچنین نشان می دهد که استفاده از شبکه های فازی-عصبی (۱۳/۰=RMSE) در مقایسه با روش های عصبی (۳۸/۰=RMSE) از دقت بیشتری برخوردار است.

Keywords:

نرخ نفوذ , شبکه عصبی , شبکه فازی-عصبی , ماشین تونل زنی (TBM) , پارامترهای ماشین , پارامترهای توده سنگ