پیش بینی نرخ نفوذ ماشین حفر تونل تمام مقطع با استفاده از ترکیب شبکه های عصبی مصنوعی و روش مونت کارلو

Geotechnical Geology

دوره 10، شماره 4، اسفند 2014، صفحه 255-264   

نوع مقاله: Original Research

نویسندگان

سید مصلح افتخاری^{* 1}؛ محمد مختاریان¹؛ علیرضا باغبانان²

¹گروه مهندسی معدن، دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران

²گروه مهندسی معدن، دانشگده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران

چکیده

تحلیل عملکردو پیش بینی دقیق نرخ نفوذ ماشین حفر تونل تمام مقطع هدف مطالعات محققان بسیاری شده است.پیش بینی عملکرد ماشین حفر تونل تمام مقطع در برنامه زمان بندی پروژه های حفاری و بودجه مورد نیاز ضروری است. در این مطالعه تلاش شده است تا با ترکیبی از روش شبیه سازی مونت کارلو و شبکه های عصبی مصنوعی به پیش بینی نرخ نفوذ پرداخته شود. شبکه های عصبی مصنوعی شکلی از هوش مصنوعی است که تلاش می کند تا از سیستم عصبی و مغز انسان الگوبرداری کند. شبکه های عصبی مصنوعی می تواند اثر تمام پارمترهای موثر در پیش بینی یک پدیده را لحاظ کند. شبیه سازی مونت کارلو روشی برای نمونه برداری و تولید تصادفی براساس تابع چگالی احتمال است. در این مطالعه داده های ۱۰ کیلومتر از تونل زاگرس به منظور پیش بینی استفاده شده است. در این راستا، مشخصات ماده سنگ، توده سنگ و پارامترهای اجرایی از قبیل نیروی محور یپیش ران و گشتاور مورد نیاز است. نتایج حاصل از شبیه سازی های مختلف نشان می دهد که شبکه ای با ۱۱ نرون در لایه ورودی و ۱۶ نرون در لایه میانی مناسب ترین ساختار شبکه برای پیش بینی در این مطالعه است. ضریب همبستگی بین خروجی شبکه و مقادیر واقعی در مجموعه آزمایش % ۸۷ است. به منظور ارزیابی شبکه بهینه، مجموعه آزمایش جدیدی که در آن پارامترهای اجرایی ماشین با استفاده روش مونت کارلو و به طور تصادفی ایجاد شده است، استفاده می شود. نتایج شبکه ساخته شده و مقایسه تابع توزیع نرخ نفوذ داده های واقعی و نرخ نفوذ حاصل از داده های تصادفی نشان می دهد که شبکه عصبی ساخته شده قابلیت پیش بینی قابل قبولی از نرخ نفوذ ماشین حفر تونل تمام مقطع را دارد.

کلیدواژه‌ها

نرخ نفوذ؛ ماشین حفر تونل تمام مقطع (Tunnel Boring Machine: TBM)؛ شبکه های عصبی مصنوعی؛ روش مونت کارلو