پیش بینی عملکرد ماشین حفار بازویی در حفر تونل با استفاده از الگوریتم کرم شب تاب و الگوریتم مبتنی بر آموزش و یادگیری- مطالعه موردی
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 159
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TUSE-10-2_003
تاریخ نمایه سازی: 18 فروردین 1401
Abstract:
ماشین حفار بازویی از آن دسته از ماشین هایی می باشند که قابلیت حفاری بالایی در سنگ هایی با مقاومت کم تا متوسط را دارا می باشند. از این رو به طور گسترده در حفریات زیرزمینی مورد استفاده قرار می گیرند. تخمین عملکرد ماشین حفار بازویی یکی از موضوعات اصلی و مهم در تخمین تقریبی زمان اتمام پروژه و همچنین هزینه های پروژه به حساب می آید. به همین منظور هدف از نگارش این مقاله پیشنهاد مدل های پیش بینی هوشمند برای تخمین عملکرد ماشین حفار بازویی بوسیله ی دو روش هوشمند الگوریتم کرم شب تاب (FA) و الگوریتم مبتنی بر آموزش و یادگیری (TLBO) و با استفاده از یک پایگاه داده (یک مطالعه موردی) است. در این مدل ها از مقادیر واجهشی چکش اشمیت و شاخص کیفیت توده سنگ (RQD) به عنوان پارامترهای ورودی و از نرخ برش ماشین حفار بازویی به عنوان پارامتر خروجی استفاده شده است. در پایان برای ارزیابی دقت مدل ها و مدلسازی از شاخص های ضریب همبستگی مربع (R۲)، شمول واریانس (VAF)، جذر میانگین خطای مربع (RMSE) و میانگین خطای مربع (MSE) استفاده شده است. با توجه به نتایج بدست آمده در این مقاله و همچنین اعتبارسنجی مدل ایجاد شده، مقادیر پیش بینی عملکرد ماشین حفار بازویی توسط الگوریتم های بهینه سازی مبتنی بر آموزش و یادگیری و کرم شب تاب با مقادیر واقعی بسیار نزدیک بوده و از خطای کمی برخوردار است. بنابراین از مدل ایجاد شده می توان برای عملکرد ماشین حفار بازویی در شرایط زمین شناسی مشابه دیگر استفاده کرد.
Keywords:
ماشین حفار بازویی , الگوریتم مبتنی بر آموزش و یادگیری , الگوریتم کرم شب تاب , مقادیر برگشتی چکش اشمیت
Authors
هادی فتاحی
دانشیار؛ دانشکده ی مهندسی علوم زمین، دانشگاه صنعتی اراک
حسین قائدی
دانشجو؛ دانشکده ی مهندسی علوم زمین، دانشگاه صنعتی اراک
فرشاد ملک مجمودی
دانشجو؛ دانشکده ی مهندسی علوم زمین، دانشگاه صنعتی اراک
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :