فهرست نشریات علمی دسترسی آزاد ایران

تاکنون تحقیقات زیادی در زمینه پیش‌بینی عملکرد ماشین حفر تونل در سنگ صورت‌گرفته است ولی مطالعات قبلی اغلب در شرایطی صورت‌گرفته‌اند که خردایش (Chipping) فرآیند غالب در حفاری بوده و مدل‌های پیش‌بینی عملکرد ماشین نیز در این شرایط توسعه یافته‌اند. در مواقعی که به هر دلیلی نیروی تراست دیسک کاتر برای نفوذ در سنگ کافی نباشد و خردایش کامل نشود، کارایی مدل‌های موجود کم می‌شود و بایستی مدل‌های جدیدی برای شرایط آسیاب‌کاری (Grinding) ارائه گردد. در این مطالعه داده‌های بدست‌آمده در حین اجرای تونل پروژه توسعه جنوبی خط 6 مترو تهران، که بخشی از مسیر آن در واحدهای سنگ آهک کرتاسه قرار داشته و به دلیل عدم کفایت نیروی تراست دیسک کاترها، آسیاب‌کاری فرایند غالب حفاری بوده است، مورد ارزیابی قرار گرفته است. هدف پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین برای پیش‌بینی پارامتر نفوذ کله حفاری در هر دور چرخش در شرایط آسیاب کاری در سنگ آهک مورد مطالعه ‌است. به همین منظور الگوریتم‌های مختلف رگرسیون خطی و غیرخطی پیاده‌سازی و درنهایت نتایج با هم مقایسه شده‌است. ازآن‌جا‌که تعدادی از این الگوریتم‌ها جزء جدیدترین رویکردهای یادگیری ماشین هستند، خطای پیش‌بینی بسیار کم‌تر از روش‌های مرسوم رگرسیون می‌باشد.