تخمین نشست سطح ناشی از حفر تونل های شهری با استفاده از روش ANFIS

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 538

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

DCEAEM02_181

تاریخ نمایه سازی: 30 بهمن 1394

Abstract:

احداث تونل های سطحی در نواحی متراکم و پرازدحام شهری با موانع و مشکلات متعددی روبه رو است. یکی از این مسائل،نشست حاصل از عملیات تونل سازی می باشد. برای کنترل نشست باید ابتدا آن را پیش بینی کرد و سپس با توجه به آن پیش گیری و محافظت های لازم را در نظر گرفت. پیش بینی نشست تونل به پارامترهای زیادی وابسته است و تأثیر هر پارامتر بر پارامتر دیگر، استفادهاز روش های تجربی را بسیار مشکل ساخته است؛ در نتیجه این روابط از دقت کمی برخوردارند. برای حل چنین مسائلی، روش هایهوشمند می توانند ابزاری مناسب برای غلبه بر محدودیت های مهندسی باشند. هدف از انجام این تحقیق، بکارگیری روش ANFISبرای تخمین نشست سطح است. در این بررسی، با استفاده از اطلاعات چندین تونل مختلف دنیا، مدلی توسط ANFIS ارائه شد. باتوجه به دقت نتایج بدست آمده، مدل حاضر برای تخمین نشست سطح در مقاصد آینده پیشنهاد می شود.

Authors

پریچهر ذاکریان

دانشجوی کارشناسی ارشد مهندسی عمران خاک و پی، موسسه آموزش عالی روزبهان ساری، ایران

هادی حمیدیان شورمستی

استادیار و مدیر گروه مهندسی معدن، دانشگاه آزاد اسلامی واحد قائمشهر، ایران

سیدرحیم معین السادات

دانشجوی دکتری مهندسی معدن مکانیک سنگ ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران

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 :
  • Palmstrom _ Stille H., 2006, Ground Behaviour And Rock Engineering ...
  • Neaupane K.M., Adhikari N., 2006, Prediction of tunnel ing-induced ground ...
  • Suwansawat S., 2006, Using Artificial Neural Networks for Predicting Surface ...
  • Darabi A., Ahangari K., Noorzad A., Arab A., 2012, Subsidence ...
  • Suwansawat S., Einstein H., 2006, Artificial Neural Networks for Predicting ...
  • Santos J.O.J., Celestino, T. B., 2008, Artificial neural networks analysis ...
  • Boubou R., , Emeriault F., Kastner R., 2010, Artificial neural ...
  • Qiao J., Liu J., Guo W., Zhang Y., 2010, Artificial ...
  • Ahangari, K., Moeinossadat, S.R., Behnia, D., (2015) "Estimation of tunnelling- ...
  • Hou J., Zhang M., and Tu M., 2009, Prediction of ...
  • Whittaker B., Reddish D., 1989, Subsidence: occurrence, prediction and control ...
  • Jang J.S.R., 1993, ANFIS: Adaptive -Network-B ased fuzzy inference systems, ...
  • Jalalifar H., Mojedifar S., Sahebi A A., and Nezamabadi -pOur ...
  • Behnia D., Moeinossadat S.R., Behnia B., Behnia M., Safari Gorji ...
  • Behnia D., Ahangari K., Noorzad A., Moeinossadat S.R., 2013, Predicting ...
  • Bezdek, J., "Fuzzy mathematics in pattern classification", PhD thesis, applied ...
  • نمایش کامل مراجع