تخمین ضریب بهره وری ماشین حفر تونل(TBM) با استفاده از شبکه عصبی مصنوعی
محورهای موضوعی : فصلنامه زمین شناسی محیط زیستحمیدرضا نجاتی 1 , مرتضی احمدی 2
1 - دانشجوی دکترای گروه مهندسی مکانیک سنگ دانشگاه تربیت مدرس
2 - دانشیار دانشگاه تربیت مدرس
کلید واژه: بهره وری, شبکه عصبی, جهت درزه, تونل سازی TBM,
چکیده مقاله :
پیش بینی سرعت پیشروی ماشین های حفر تونل ،به منظور تعیین برنامه زمانی و برآورد هزینه های اجرایی در پروژه های تونل سازی با حفر مکانیزه،از اهمیت زیادی برخوردار است.برای این منظور لازم است تا ضریب بهره وری ماشین حفر تونل مشخص شده تا بر اساس آن سرعت پیشروی ماشین تعیین شود.اگر چه روابط تجربی متعددی د راین زمینه ارائه شده اند ولی این روابط از دقت بالایی برخوردار نیستند.هدف از انجام این مطالعه تعیین ضریب بهره وری ماشینTBM باز،با استفاده از شبکه عصبی مصنوعی می باشد.برای این منظور مجموعه ای از داده های مربوط به تونل سازی با ماشین TBM باز ،جمع آوری شده و شبکه ای با ورودیهای متفاوت تک محوری فشاری،تنش قائم،فاکتور جهت درزه،نیروی نفوذ تیغه و شاخص کیفیت سنگ بارتن(Q) با خروجی ضریب بهره وری ماشین حفر تونل طراحی شده است.از آنجایی که پارامترهای ورودی شبکه،ارتباط بسیار مناسبی با ضریب بهره وری ماشین حفر تونل دارند شبکه عصبی طراحی شده قادر است با دقت بسیار بالا ضریب بهره وری ماشین حفر تونل را پیش بینی نماید.
Determination of schedule and bid prices for mechanized tunneling needs to estimate of tunneling machine advance rate. Also determination of machine advance rate needs to estimate machine utilization. Although some empirical equations were proposed for this purpose, these equations don’t have good accuracy. The aim of this study is estimation of TBM utilization with artificial neural networks. For this purpose data set of open TBM tunneling was gathered and a neural network with 5 inputs (in-situ stress, uniaxial compressive strength, disc thrust, joint orientation factor and Q rock mass classification index) and one output (TBM utilization) was designed. Since input parameters have a good relationship with output parameter, neural network estimate TBM utilization with high accuracy.
