تخمين ضريب بهره وري ماشين حفر تونل(TBM) با استفاده از شبكه عصبي مصنوعي

Estimation of TBM Utilization with Artificial Neural Networks

پيش بيني سرعت پيشروي ماشين هاي حفر تونل، به منظور تعيين برنامه زماني و برآورد هزينه هاي اجرايي در پروژه هاي تونل سازي با حفر مكانيزه، از اهميت زيادي برخوردار است. براي اين منظور لازم است تا ضريب بهره وري ماشين حفر تونل مشخص شده تا براساس آن سرعت پيشروي ماشين تعيين شود. اگر چه روابط تجربي متعددي در اين زمينه ارايه شده اند ولي اين روابط از دقت بالايي برخوردار نيستند. هدف از انجام اين مطالعه تعيين ضريب بهره وري ماشين TBM باز، با استفاده از شبكه عصبي مصنوعي مي باشد. براي اين منظور مجموعه اي از داده هاي مربوط به تونلسازي با ماشين TBM باز، جمع آوري شده و شبكه اي با ورودي هاي مقاومت تك محوري فشاري، تنش قايم، فاكتور جهت درزه ، نيروي نفوذ تيغه و شاخص كيفيت سنگ بارتن(Q) با خروجي ضريب بهره وري ماشين حفر تونل طراحي شده است. از آنجايي كه پارامترهاي ورودي شبكه، ارتباط بسيار مناسبي با ضريب بهره وري ماشين حفر تونل دارند شبكه عصبي طراحي شده قادر است با دقت بسيار بالا ضريب بهره وري ماشين حفر تونل را پيش بيني نمايد.

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.