en استفاده از پارامترهای توده سنگ برای پیش بینی عملکرد TBM های سنگ با استفاده از الگوریتم های یادگیری ماشین 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. Existing rock mass parameters, such as uniaxial compressive strength (UCS), rock quality designation (RQD), and distance between planes of weakness (DPW), are being widely used in the prediction of TBM performance in various hard rock conditions. In this paper, these factors are considered as input parameters to estimate the rate of penetration (ROP) based on 180 compiled data from two projects including the Queens water tunnel lot 3, Stage 2 in USA and Karaj-Tehran water transfer tunnel in Iran. This study aims to evaluate the influence of rock mass parameters on TBM performance and develop a new empirical equation to estimate ROP using multivariate regression analysis and artificial intelligence algorithms. In this regard, by taking advantage of machine learning algorithms, two types of artificial intelligence techniques, including particle swarm optimization (PSO) and radial basis function network (RBF), have been employed to develop predictor networks to estimate TBM performance. To explain the relationships among rock mass parameters and ROP and to offer new empirical equations, regression analysis is also utilized. The proposed models have been validated based on the various machine learning loss functions including, MAD, RRSE, rRMSE, MSE, MAPE, and sensitivity analysis. The obtained results demonstrate that the calculated values are in good agreement with the actual data. عملکرد TBM, نرخ نفوذ, یادگیری ماشین, خواص توده سنگ TBM performance, Penetration rate, Machine learning, Rock mass properties 1 9 http://sjfst.srpub.org/browse.php?a_code=A-10-62-2&slc_lang=en&sid=6 Hanan Samadi حنان صمدی 1003194753284600398 1003194753284600398 Yes School of Geology, College of Science, University of Tehran, Tehran, Iran. دانشکده زمین شناسی، پردیس علوم، دانشگاه تهران، تهران، ایران. Ebrahim Farrokh ابراهیم فرخ e.farrokh@aut.ac.ir 1003194753284600399 1003194753284600399 No Department of Mining Engineering, Amirkabir University of Technology, Tehran, Iran گروه مهندسی معدن، دانشگاه صنعتی امیرکبیر، تهران، ایران.