پیشبینی نرخ نفوذ TBM در انواع سنگ با استفاده از پارامترهای سیستم طبقهبندی RMR به روش آنالیز رگرسیون مبتنی بر یادگیری ماشین
نویسندگان
1 دانشجوی دکتری زمینشناسی مهندسی؛ دانشکده علوم، دانشگاه اصفهان
2 استاد زمینشناسی مهندسی؛ دانشکده علوم، دانشگاه اصفهان
3 دکترای مهندسی ژئوتکنیک/تونل زنی و مهندسی سنگ؛ ZETCON Ingenieur GmbH برلین، آلمان
4 استاد مکانیک سنگ؛ دانشکده معدن، Colorado School of Mines
5 دانشیار زمینشناسی مهندسی؛ دانشکده علوم، دانشگاه تهران
doi
10.22044/tuse.2023.13396.1480چکیده
علیرغم استفاده گسترده از ماشینهای حفر تمام مقطع تونل در صنعت تونلسازی، برآورد دقیق عملکرد آنها به ویژه در شرایط پیچیده زمینشناسی هنوز هم میتواند چالشبرانگیز باشد. هدف از این مطالعه، بررسی امکان استفاده از سیستمهای طبقهبندی تودهسنگ معمول برای تخمین عملکرد ماشین حفر تونل در انواع مختلف سنگ، با استفاده از آنالیز رگرسیون مبتنی بر الگوریتمهای یادگیری ماشین است. بدین منظور دادههای واقعی عملکرد ماشین و همچنین دادههای زمینشناسی از 10 پروژه تونلسازی در یک پایگاه داده جامع با 523 مقطع تونل در انواع مختلف سنگ جمعآوری و برای توسعه روابط جدید برای تخمین اندیس نفوذ صحرایی FPI بر اساس پارامترهای ورودی سیستم طبقهبندی RMR استفاده شد. از آنجا که انواع مختلف سنگها، بافت، ساختار و ترکیب کانیشناسی متفاوتی دارند و به نیروهای برشی ماشین پاسخ متفاوتی میدهند، ترکیب اثرات نوع سنگ در مدلهای پیشبینی عملکرد میتواند دقت تخمینها را بهبود بخشد. این روابط به ویژه در مرحله طراحی و برنامهریزی یک پروژه تونلسازی، میتوانند مفید واقع شوند.
