توسعه مدلی برای پیشبینی نرخ نفوذ TBM در سنگ با استفاده از پارامترهای سیستم طبقه بندی RMR

علیرغم استفاده گسترده از TBM در صنعت تونل سازی، برآورد دقیق عملکرد ماشین به ویژه در شرایط پیچیده زمین شناسی هنوز هم میتواند یک چالش باشد. هدف از این مطالعه، بررسی امکان استفاده از سیستمهای طبقه بندی توده سنگ معمول برای تخمین عملکرد ماشین TBM در انواع مختلف سنگ، با استفاده از الگوریتمهای یادگیری ماشین است. بدین منظور داده های حفاری از ۹ پروژه تونل سازی در یک پایگاه داده جامع با حدود ۴۰۰ مقطع تونل در انواع سنگ جمع آوری و برای توسعه روابط جدید برای تخمین FPI بر اساس پارامترهای ورودی سیستم طبقه بندی RMR استفاده شد. از آنجا که انواع مختلف سنگها، فابریک (بافت و ساخت) متفاوتی دارند و به نیروهای برشی ماشین پاسخ متفاوتی میدهند، ترکیب اثرات نوع سنگ در مدلهای پیشبینی عملکرد میتواند دقت تخمینها را بهبود بخشد، به همین دلیل پارامتر سنگشناسی (RTC) نیز به مدل اضافه و روابط جدیدی توسعه داده شده است. این روابط به ویژه در مرحله طراحی و برنامه ریزی یک پروژه تونل سازی، میتواند مفید واقع شود.

Keywords:

عملکرد دستگاه TBM , سیستم طبقه بندی توده سنگ RMR , آنالیز رگرسیون , یادگیری ماشین