آمنه دردشتی - دانشجوی دکتری زمینشناسی مهندسی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران
رسول اجل لوئیان - استاد زمینشناسی مهندسی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران
جمال رستمی - دانشیار مکانیک سنگ، دانشکده معدن، مدرسه معدن کلرادو، ایالت کلرادو، آمریکا
جعفر حسن پور - دانشیار زمینشناسی مهندسی، دانشکده زمینشناسی، دانشگاه تهران، تهران، ایران

یکی از بخشهای مهم در طراحی و انتخاب ماشین حفاری مناسب در پروژه های تونلسازی، تعیین عملکرد ماشین TBM در شرایط مختلف است. تاکنون تحقیقات زیادی در این زمینه صورتگرفته است ولی یکی از فرآیندهای موثر در ارزیابی عملکرد TBM مربوط به زمانی است که درز و شکاف ناشی از حفاری دیسک کاترها در سنگ به میزان کافی گسترش پیدا نکنند و حین حفاری بهجای فرآیند خردایش (Chipping)، فرآیند آسیابکاری (Grinding) به وجود آید. اینامر معمولا بهخاطر کافی نبودن بار دیسک کاترها و یا مقاومت بالای سنگ و نفوذ اولیه ناکافی به وقوع میپیوندد. از آنجا که توسعه مدلهای پیشبینی عملکرد TBMمعمولا، با فرض خردایش سنگ صورت گرفته است، زمانی که بار کاتر به هر دلیلی برای عبور از بار بحرانی مورد نیاز برای ایجاد عمق نفوذ لازم در سنگ کافی نباشد، کارایی مدلهای موجود کاهش می یابد. در این تحقیق سعی بر آن است که با استفاده از روشهای آماری و یادگیری ماشین، عملکرد ماشین TBM در شرایط بارگذاری کمتر از بار بحرانی (subcritical loading) در سنگهای سخت مورد تحلیل و بررسی قرار گیرد. به این منظور داده های پروژه های تونلسازی در ایران که در آنها به دلایل متفاوت، خردایش زیر دیسک کاتر کامل نشده و آسیابکاری یا grinding رخ داده، جمع آوری و عملکرد ماشین در این شرایط به کمک روشهای یادگیری ماشین پیشبینی شد.

عملکرد دستگاه TBM، نرخ نفوذ TBM، آسیابکاری (Grinding)، یادگیری ماشین، آنالیز رگرسیون