پيش‌ بيني نرخ نفوذ TBM در انواع سنگ با استفاده از پارامترهاي سيستم طبقه‌بندي RMR به روش آناليز رگرسيون مبتني بر يادگيري ماشين

عليرغم استفاده گسترده از ماشين ‌هاي حفر تمام مقطع تونل در صنعت تونل‌سازي، برآورد دقيق عملكرد آنها به ويژه در شرايط پيچيده زمين‌شناسي هنوز هم مي‌تواند چالش‌برانگيز باشد. هدف از اين مطالعه، بررسي امكان استفاده از سيستم‌هاي طبقه‌بندي توده‌سنگ معمول براي تخمين عملكرد ماشين حفر تونل در انواع مختلف سنگ، با استفاده از آناليز رگرسيون مبتني بر الگوريتم‌هاي يادگيري ماشين است. بدين منظور داده‌هاي واقعي عملكرد ماشين و همچنين داده‌هاي زمين‌شناسي از 10 پروژه تونل‌سازي در يك پايگاه داده جامع با 523 مقطع تونل در انواع مختلف سنگ جمع‌آوري و براي توسعه روابط جديد براي تخمين انديس نفوذ صحرايي FPI بر اساس پارامترهاي ورودي سيستم طبقه‌بندي RMR استفاده شد. از آنجا كه انواع مختلف سنگ‌ها، بافت، ساختار و تركيب كاني‌شناسي متفاوتي دارند و به نيروهاي برشي ماشين پاسخ متفاوتي مي‌دهند، تركيب اثرات نوع سنگ در مدل‌هاي پيش‌بيني عملكرد مي‌تواند دقت تخمين‌ها را بهبود بخشد. اين روابط به ويژه در مرحله طراحي و برنامه‌ريزي يك پروژه تونل‌سازي، مي‌توانند مفيد واقع شوند.