فهرست نشریات علمی دسترسی آزاد ایران

رودهدر به عنوان یک حفار مکانیکی فضاهای زیرزمینی، اهمیت بالایی در پروژه‌های عمرانی و معدنی دارد و بررسی اقتصادی یک پروژه حفاری به شدت وابسته به پیش‌بینی عملکرد رودهدر است. نرخ خالص حفاری رودهدر یک معیار مهم در ارزیابی عملکرد آن به حساب می‌آید که از طریق روش‌های مختلفی می‌توان به تخمین آن پرداخت. در این تحقیق با استفاده از روش‌های هوش مصنوعی ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، نزدیک‌ترین همسایگی (KNN)، جنگل تصادفی (RF) و رگرسیون خطی (LR)، مدل‌هایی به‌منظور پیش‌بینی عملکرد رودهدر ایجاد شد و دقت و مطلوبیت آن‌ها با هم مقایسه شد. متغیرهای ورودی در این مدل‌ها، شاخص کیفی سنگ (RQD) و مقادیر بازگشت چکش اشمیت R1، R2 و R3 می‌باشند و مدل‌سازی‌ها در نرم‌افزار داده کاوی Orange انجام شده است. نتایج مدلسازی‌ها نشان می‌دهد که مدل‌ ماشین بردار پشتیبان با 847/0R2= و 120/0RMSE= از عملکرد قابل قبولی برای پیش‌بینی نرخ حفاری یا بعبارتی پیش‌بینی عملکرد ماشین رودهدر در حفاری تونل برخوردار است.