كمينه سازي اضافه حفاري ناشي از انفجار در تونل ها با استفاده از روش هاي هوشمند

Optimization of Over break in the implementation of tunnels by blasting method using intelligent methods

ايجاد پديده‌ي حفر بيش از اندازه مقطع تونل يا همان اضافه‌ حفاري مقطع تونل در مراحل اجرايي پروژه‌هاي تونل‌سازي، همواره از مهم‌ترين مسائلي است كه ذهن متصديان فني و اجرايي اين پروژه‌ها را به خود معطوف داشته است. امروزه با توجه به پيشرفت صنعت و ورود فنّاوري‌هاي نوين به صنعت تونل‌سازي و پذيرفته شدن تدريجي، روش هاي جديدي جايگزين روش هاي سنتي (حفاري و آتشكاري) شده است. اگرچه تا حد زيادي مسئله ايجاد حفاري خارج از طرح و نقشه، به كنترل اجراكنندگان پروژه درآمده، ولي هيچ‌گاه وجود اين مسئله مهم و اساسي در پروژ‌ه‌هاي تونلي به‌طوركلي حذف نشده است. در اين تحقيق با استفاده از شبكه‌هاي هوشمند پيش بيني و بهينه سازي اضافه-حفاري مورد بحث قرار گرفت. پس از انتخاب بهترين مدل براساس امتياز دهي، مدل منتخب براي بهينه سازي مورد استفاده قرار گرفت. مقادير شاخص هاي آماري ضريب تعيين (R2) و مجذور ميانگين مربعات خطا (RMSE) مدل منتخب به ترتيب براي آموزش و آزمايش برابر با 0/921، 0/4028 و 0/923 و 0/4277 بود. الگوريتم زنبور عسل كه يكي از الگوريتم‌هاي جديد بهينه سازي است براي بهينه سازي اين پارامترهاي الگوي انفجار استفاده شد. با توجه به اينكه اضافه حفاري از مشكلات اصلي در حفر تونل مي‌باشد، كاهش اين مقدار مي‌تواند كمك به سزايي براي تونل و پايداري آن داشته باشد. پس از ساختن چندين مدل بهينه سازي و تغييرات وزن‌هاي آن، مقدار بهينه آن براي اضافه حفاري مقطع تونل 1/63 مترمربع بدست آمد كه نسبت به كمترين مقدار تجربه شده در اجرا (3/055 مترمربع) 47 درصد كاهش يافته است.

Over break phenomenon in the executive process of a tunneling project is always one of the most important issues. Nowadays, according to the progress of industry and entrance of new technologies to tunneling industry and gradual acceptance, the new methods are replaced instead of traditional methods (drilling and blast). Although, largely the issue of over break has been controlled by project implementers, but the existence of this major issue in tunnel projects has never been eliminated. In this research, using intelligent network of prediction and optimization, over break was discussed. After selecting the best model based on scoring, the selected model was used for optimization. The R2 and RMSE values of the selected model were 0.921, 0.4820, 0.923 and 0.4277 for training and testing, respectively. The Artificial bee colony (ABC) algorithm, which is one of the new optimization algorithms, was used to optimize these parameters of the explosion pattern. Due to the fact that over break is one of the main problems in tunneling, this reduction can contribute to a good tunnel and stability. After creation several models of optimization and variations in its weights, the optimum amount for the over break was 1.63 m2, which is 47% less than the lowest value (3.055 m2). The optimal pattern can be obtained with the least amount of the over break.