پیش بینی حداکثر نشست سطح زمین ناشی از عملیات تونلسازی در محیط های شهری با مدل رگرسیون خطی چندگانه و الگوریتم جنگل تصادفی

نشست ناشی از عملیات تونلسازی در محیط های شهری پدیده ای اجتناب ناپذیر است. پیش بینی و کنترل این پدیده آسیب های احتمالی به سازه های سطحی و زیرساخت های مجاور را به طور قابل توجهی کاهش می دهد. در این مقاله، برای پیش بینی حداکثر نشست سطح زمین ناشی از عملیات حفاری تونل های کم عمق در محیط های شهری از دو روش رگرسیون خطی چندگانه (MLR) و الگوریتم جنگل تصادفی (RF) استفاده شده است. بدین منظور ۹ پارامتر ورودی موثر بر حداکثر نشست سطح زمین از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W.T)، قطر تونل (D)، مدول الاستیسته خاک (E)، مقاومت برشی زهکشی نشده خاک (Cu)، ضریب فشار زمین (K۰)، وزن مخصوص خاک (γ)، پارامتر گپ (g) و عدد پایداری (N) بر اساس ۲۴ دسته داده مربوط به ۱۴ پروژه مختلف تونلسازی انتخاب و سپس روش های MLR و RF  پیاده سازی شدند. برای ارزیابی کارایی مدل ها در پیش بینی حداکثر نشست از ۳ شاخص ضریب تعیین (R۲)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای داده های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش های MLR و RF برای داده های آموزش به ترتیب ۸۱۴/۰ و ۹۵۷/۰ و برای داده های تست به ترتیب ۷۹۳/۰ و ۹۶/۰ به دست آمد که نشان دهنده کارایی بالای روش RF در مقایسه با MLR است. به علاوه، نتایج نشان داد که مقادیر شاخص های RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم RF کمتر از روش MLR است که خطای کمتر الگوریتم RF و قابلیت اطمینان و دقت بالاتر آن نسبت به روش MLR نشان می دهد. همچنین، نتایج آنالیز اهمیت نشان می دهد که از بین پارامترهای ورودی، پارامتر گپ (g) و مقاومت برشی زهکشی نشده خاک (Cu) به ترتیب بیشترین و کمترین تاثیر را بر حداکثر نشست سطح زمین دارند.

Keywords:

عملیات تونلسازی , حداکثر نشست سطح زمین , رگرسیون خطی چندگانه , الگوریتم جنگل تصادفی