پیش‌بینی نرخ نفوذ TBM با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی قطعه سوم تونل قمرود)
Publish place: 08th Iranian Tunneling Conference
Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,525
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITC08_022
تاریخ نمایه سازی: 2 آذر 1387
Abstract:
ماشین‌های حفار تمام مقطع از مهمترین ماشین‌های حفاری در تونل‌ها و فضاهای زیرزمینی بشمار می‌روند. اهمیت ارزیابی عملکرد این ماشین‌ها بدلیل مسائل اقتصادی و هزینه‌های سنگین حفاری از اهمیت ویژه‌ای برخوردار است. ارزیابی تاثیر خصوصیات توده سنگ روی عملیات تونل‌سازی و از همه مهمتر نرخ نفوذ TBM بسیار ضروری می‌باشد. در این تحقیق نرخ نفوذ ماشین حفاری تمام مقطع با توجه به خصوصیات ژئومکانیکی توده سنگ و شرایط عملیاتی در قطعه سوم تونل قمرود با استفاده از شبکه‌های پس انتشار تخمین زده می‌شود. مدلی که برای این کار در نظر گرفته شده دارای ساختان 11×25×9 که دارای 9 نرون ورودی، 25نرون در لایه مخفی و 1 نرون خروجی می‌باشد. انتخاب 25 نرون برای لایه مخفی بر اساس سعی و خطا می‌باشد. در نهایت نتایج مدل با داده‌های واقعی و همچنین روش تخمین NTH مقایسه شده و مشاهده شد که نتایج شبکه ANN نسبت به مدل تخمینی NTH نزدیکتر به واقعیت می‌باشد.
Authors
مرتضی احمدی
دانشیار مکانیک سنگ ، دانشگاه تربیت مدرس، بخش مهندسی معدن ، گروه مک
امید سعیدی
دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه تربیت مدرس
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 :