بررسي و مقايسه ي مدل‌هاي تحليلي، عددي، و شبكه ي عصبي در پيش بيني حجم دوغاب تزريق يافته در ساخت‌گاه سد سيمره

Evaluation and Comparison of Analytical and Numerical Models and Neural Networks in Predicting the Grouting Volume of the Seimareh Dam Foundation

عمليات تزريق، يكي از راه‌هاي كاهش نشت آب، افزايش مقاومت، و تحكيم سنگ درزه‌دار در ساخت‌گاه‌هاست. يكي از مسايل مهم، برآورد حجم دوغاب تزريق‌يافته است، كه موجب افزايش بازده عمليات مي‌شود. در اين پژوهش از 5 مدل تحليلي، مدل‌سازي عددي، و شبكه ي عصبي براي پيش‌بيني حجم دوغاب استفاده شده‌ است. با استفاده از نتايج حفاري‌هاي ژيوتكنيكي و تزريق آزمايشي در ساخت‌گاه سد سيمره، محاسبات خورند توسط مدل هاي تحليلي و نيز مدل‌سازي عددي با نرم‌افزار UDEC انجام شده است. نتايج مدل هاي تحليلي و عددي در مقايسه با خورند واقعي، برآورد ضعيف تري از حجم دوغاب ارايه داده‌اند. در نتيجه از روش شبكه ي عصبي استفاده شده است. مطالعات نشان داده است كه از ميان مدل هاي تحليلي، مدل لمباردي (1985)، برآورد بهتري از حجم دوغاب نشان مي‌دهد و مدل‌سازي عددي در مقايسه با مدل‌هاي تحليلي، تخمين بهتري ارايه مي‌دهد. همچنين مقايسه‌ي نتايج تحليلي و عددي با روش شبكه‌ي عصبي نشان داده است كه اين روش دقيق ترين و بهترين پيش بيني از حجم دوغاب سيماني را ارايه مي دهد و استفاده از آن در تخمين خورند دوغاب در ساير ساخت‌گاه ها پيشنهاد مي‌شود.

A grouting operation is one way to decrease water penetration, and increase the resistance and strength of jointed rocks in locations of dams. One encountered problem in this operation is evaluation of consumed cement and estimation of the penetration and radiuses of cement grout. In this study, analytical models with numerical modeling and a neural network to predict the penetration radius and the volume of grout are introduced. To predict the grout volume required for grouting and penetration radius, simplifying the geometrical state of the rock and penetration conditions of the grout is necessary. The cement grout used in the grouting operation is known as a Bingham flow. Thus, grout rheological properties, including viscosity, µ, and yield stress, ?0, will control its behavioral properties. Viscosity, flow speed of the grout and yield stress will control the most penetrating length of the grout in boring in defined grouting pressures and the constant aperture of joints. Analytical models for prediction of cement grout have been used in this study. In numerical modeling by UDEC software, the conditions of the rock, joint apertures, and grout bore dimensions and grout pressure values are entered. Because of the low regression coefficient between real and calculated grout volume, a neural network method is used to present better predictions. The purpose of this study is the introduction of calculation methods for evolution of grout volume by these methods. Finally, modeling was undertaken using data from the Seimareh dam, and the obtained grout volume was compared to the real take recorded in this site. Using analytical models, the required grout volume can be estimated. The fourth model (Lombardi), in comparison to other models, presents a better estimation of grout volume. Numerical modeling, using UDEC software, in comparison to analytical models, has better estimation of grout volume, and the calculated take regression with real take is higher. But, the amount of regression coefficient is not enough (R2= 0.628). Stimulation results and calculated values in the neural network method by MATLAB software present the best estimation of grout volume and acceptable regression coefficient (R2= 0.92). Thus, using a neural network system to predict cement grout take in the grouting process is presented.