فهرست نشریات علمی دسترسی آزاد ایران

تخمین پارامترهای خاک پیرامونی و سازه­ای در پوشش ­های تونلی همواره نیازمند شبیه ­سازی نرم‌افزاری و مطالعات حجیم و زمان‌بر می ­باشد. ارائه روشی که قادر باشد تا این پارامترها را با دقت مناسب و حجم محاسباتی اندک و در سریع‌ترین زمان ممکن ارائه نماید همواره یک چالش مهندسی بوده است؛ بنابراین، هدف از مطالعه حاضر ارائه یک روش مبتنی بر یادگیری ماشین برای پیش‌بینی برخی از مشخصات مهم نظیر رویداد روانگرایی، تنش خمشی حداکثر پوشش تونلی، نشست سطح زیر محور تونل و فشار آب منفذی تحت زلزله ­های نزدیک و دور از گسل می ­باشد. بدین‌منظور ابتدا از نرم‌افزار FLAC-3D برای شبیه‌سازی مدل پوشش تونلی در معرض تحریک­ های زمین استفاده می‌شود. ضمناً، اندرکنش خاک- سازه بین پوشش تونلی و لنز ماسه ­ای نیز مد نظر قرار گرفته می‌شود. مدل‌های موهر-کولومب و فین به‌ترتیب برای در نظر گرفتن نشست رس و ارزیابی روانگرایی لنز ماسه ­ای به کار برده می­ شوند. سپس، از ماشین یادگیری   کرانه ­ای برای پیش‌بینی و برآورد کمیت­ه ای اشاره شده استفاده می‌شود. نتایج مطالعات حاکی از عملکرد و دقت مناسب روش پیشنهادی در تخمین پارامترهای اشاره شده است به‌گونه‌ای که در بدترین حالت خطای تخمین کمتر از 6 درصد بوده است. در این مطالعه تأثیر یک لنز ماسه ­ای روانگرا در یک محیط غیرروانگرا با امواج لرزه ­ای متفاوت ارزیابی شده است که نتایج حاصل از آن نشان­دهنده ­ی تأثیرپذیری بالای پارامتر­های لنگر خمشی در پوشش تونل، تنش مؤثر، فشار آب حفره­ای و نشست در راستای محور تونل در حضور لنز ماسه ­ای می­ باشد. همچنین در حضور لنز ماسه‌ای نسبت لنگر خمشی به حالت بدون لنز ماسه‌ای در برخی موارد بالای 50 درصد است که مقدار بسیار چشمگیری می­ باشد و حداکثر نشست در مکان‌های نزدیک به محور تونل رخ داده است.