دوره 3، شماره 3 - ( 5-1400 )                   جلد 3 شماره 3 صفحات 9-1 | برگشت به فهرست نسخه ها

‎ 10.47176/sjfst.3.3.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Samadi H, Farrokh E. Utilization of Rock Mass Parameters for Performance Prediction of Rock TBMs Using Machine Learning Algorithms. sjfst 2021; 3 (3) :1-9
URL: http://sjfst.srpub.org/article-6-127-fa.html
صمدی حنان، فرخ ابراهیم. استفاده از پارامترهای توده سنگ برای پیش بینی عملکرد TBM های سنگ با استفاده از الگوریتم های یادگیری ماشین. تحقیقات بنیادی علوم و تکنولوژی. 1400; 3 (3) :1-9

URL: http://sjfst.srpub.org/article-6-127-fa.html

استفاده از پارامترهای توده سنگ برای پیش بینی عملکرد TBM های سنگ با استفاده از الگوریتم های یادگیری ماشین
حنان صمدی* ، ابراهیم فرخ
دانشکده زمین شناسی، پردیس علوم، دانشگاه تهران، تهران، ایران.
چکیده:   (879 مشاهده)
پارامترهای توده سنگ موجود، مانند مقاومت فشاری تک محوری (UCS)، تعیین کیفیت سنگ (RQD)، و فاصله بین سطوح ضعیف (DPW)، به طور گسترده در پیش‌بینی عملکرد TBM در شرایط مختلف سنگ سخت استفاده می‌شوند. در این مقاله، این عوامل به عنوان پارامترهای ورودی برای تخمین میزان نفوذ (ROP) بر اساس 180 داده گردآوری شده از دو پروژه شامل تونل آبی کوئینز قطعه 3 فاز 2 در آمریکا و تونل انتقال آب کرج-تهران در ایران در نظر گرفته شده است. هدف این مطالعه ارزیابی تاثیر پارامترهای توده سنگ بر عملکرد TBM و توسعه یک معادله تجربی جدید برای تخمین ROP با استفاده از تحلیل رگرسیون چند متغیره و الگوریتم‌های هوش مصنوعی است. در این راستا، با بهره‌گیری از الگوریتم‌های یادگیری ماشین، از دو نوع تکنیک هوش مصنوعی شامل بهینه‌سازی ازدحام ذرات (PSO) و شبکه تابع پایه شعاعی (RBF) برای توسعه شبکه‌های پیش‌بینی‌کننده برای تخمین عملکرد TBM استفاده شده است. برای توضیح روابط بین پارامترهای توده سنگ و ROP و ارائه معادلات تجربی جدید، از تحلیل رگرسیون نیز استفاده شده است. مدل‌های پیشنهادی بر اساس توابع مختلف از دست دادن یادگیری ماشین از جمله MAD، RRSE، rRMSE، MSE، MAPE و تحلیل حساسیت اعتبارسنجی شده‌اند. نتایج به‌دست‌آمده نشان می‌دهد که مقادیر محاسبه‌شده مطابقت خوبی با داده‌های واقعی دارند.
واژه‌های کلیدی: عملکرد TBM، نرخ نفوذ، یادگیری ماشین، خواص توده سنگ
متن کامل [PDF 851 kb]   (360 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مهندسی ژئوتکنیک و زمین شناسی مهندسی
دریافت: 1400/2/25 | ویرایش نهایی: 1400/4/1 | پذیرش: 1400/4/9 | انتشار: 1400/5/8
فهرست منابع
1. Alvarez Grima M, Bruines PA, Verhoef PNW. Modeling tunnel boring machine performance by neuro-fuzzy methods. Tunnell Underground Space Technol. 2000; 15(3). [DOI:10.1016/S0886-7798(00)00055-9]
2. Ge Y, Wang J, Li K. Prediction of hard rock TBM penetration rate using least square support vector machine. 13th IFAC Symposium on Large Scale Complex Systems: Theory and Applications, China, 2013; 7-10. [DOI:10.3182/20130708-3-CN-2036.00105]
3. Tao H, Jingcheng W, Langwen Z. Prediction of hard rock TBM penetration rate using random forests. Proceedings of the 27th Chinese Control and Decision Conference, IEEE, China, 2015; 3716-3720. [DOI:10.1109/CCDC.2015.7162572]
4. Yagiz S, Gokceoglu C, Sezer E, Iplikci S. Application of two non-linear prediction tools to the estimation of tunnel boring machine performance. Appl Eng Artifici Intel. 2009; 22: 808-814. [DOI:10.1016/j.engappai.2009.03.007]
5. Yagiz S, Karahan H. Prediction of hard rock TBM performance rate using particle swarm optimization. Int J Rock Mechan Min Sci. 2011; 48: 427-433. [DOI:10.1016/j.ijrmms.2011.02.013]
6. Yoo C, Kim J. Tunneling performance prediction using an integrated GIS and neural network. Comput Geotech J. 2007; 34: 19-30. [DOI:10.1016/j.compgeo.2006.08.007]
7. Benardos A, Kaliampakos D. Modelling TBM performance with artificial neural networks. Tunnel Underground Space Technol. 2004; 19: 597-605. [DOI:10.1016/j.tust.2004.02.128]
8. Yagiz S, Karahan H. Application of various optimization techniques and comparison of their performances for predicting TBM penetration rate in rock mass. Int J Rock Mechan Min Sci. 2015; 8: 308-315. [DOI:10.1016/j.ijrmms.2015.09.019]
9. Gao L, Li X. Utilizing partial least square and support vector machine for TBM penetration rate prediction in hard rock conditions. J Centr S Univ. 2015; 22: 290-295. [DOI:10.1007/s11771-015-2520-z]
10. Shao C, Li X, Su H. Performance prediction of hard rock TBM based on extreme learning machine. In: Lee J, Lee MC, Liu H, Ryu JH. editors. ICIRA: Intelligent robotics and applications. Lecture notes in computer science, Berlin-Heidelberg: Springer, 2013; 8103: 409e16. [DOI:10.1007/978-3-642-40849-6_40]
11. Li J, Li P, Guo D, Li X, Chen Z. Advanced prediction of tunnel boring machine performance based on big data. Geosci Front. 2021; 12(1): 331-338. [DOI:10.1016/j.gsf.2020.02.011]
12. Samadi H, Hassanpour J, Farrokh E. Maximum surface settlement prediction in EPB TBM tunneling using soft computing techniques. ICCEET Conf. 2021. [DOI:10.1088/1742-6596/1973/1/012195]
13. Samadi H, Hassanpour J. Analysis the stability of work face in EPB tunneling using deep learning (GRU) and PCA techniques. 6th Dam Tunnel Conf Exhib. 2021.
14. Farrokh E, Rostami J, Laughton C. Study of various models for estimation of penetration rate of hard rock TBMs. Tunnel Underground Space Technol. 2010; 30: 110-123. [DOI:10.1016/j.tust.2012.02.012]
15. Farrokh E. Study of utilization factor and advance rate of hard rock TBMs. PhD. Thesis, Pennstate University, USA. 2012.
16. Baskerville CA, Mose GD. The separation of the Hartland formation and Ravenswood granodiorite from the Fordham gneiss at Cameron's line in the New York City area, Northeastern Geol. 1989; 11(1): 22-28.
17. Khalighi BB, Diehl JJ. High performance tunnel boring machine for Queens Water Tunnel No. 3: A design and case history. In: Proceeding of the rapid excavation and tunneling conference (RETC), Chapter 11, SME publication. 1997.
18. Kennedy J, Eberhart R. Particle swarm optimization. Proceedings of ICNN'95 - International Conference on Neural Networks. 1995.
19. Broomhead D, Lowe D. Radial basis functions, multi-variable functional interpolation and adaptive networks. Royal Signals and Radar Establishment Malvern, United Kingdom. 1988.
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.