Multivariate Estimation of Rock Mass Characteristics Respect to Depth Using ANFIS Based Subtractive Clustering- Khorramabad - Polezal Freeway Tunnels

تخمين چندمتغيره خصوصيات توده سنگ نسبت به عمق با استفاده از ANFIS مبتني بر خوشه‌بندي كاهشي (مجموعه تونل‌هاي آزادراه خرم آباد- پل زال)

تركيب شبكه عصبي تطبيقي مبتني بر سيستم استنتاج فازي (ANFIS) و خوشه‌بندي كاهشي (SC) براي ارزيابي مدول تغييرشكل‌پذيري توده سنگ (Em) و مقاومت فشاري توده سنگ (UCSm) با در نظر گرفتن عمق اندازه‌گيري‌ها استفاده شده است. براي اين منظور، 125 داده متشكل از 9 متغير مقاومت فشاري توده سنگ (UCSm)، مدول تغييرشكل‌پذيري توده سنگ (Em)، عمق اندازه‌گيري، فاصله‌داري درزه، تداوم درزه، بازشدگي درزه، مقاومت فشاري سنگ بكر (UCSi)، شاخص ژيومكانيكي (RMR) و مدول الاستيك (Ei) براي يادگيري مدل ANFIS مبتني بر خوشه‌بندي كاهشي (ANFISBSC) استفاده شده است. سپس در مرحله دوم، مدل آموزش يافته ANFISBSC در مجموعه داده‌هاي 40 گانه آزمايش شده است. بنابراين، با در نظر گرفتن تاثير پيچيدگي مدل در صحت ارزيابي، توده سنگ با مدل‌هاي 2 تا 6 متغيره شبيه‌سازي شده است. نتايج شبيه‌سازي مدل‌هاي چندمتغيره توده سنگ براي ارزيابي مقاومت فشاري توده سنگ (UCSm) و مدول تغييرشكل‌پذيري توده سنگ (Em) نشان داده است كه با پيچيده شدن مدل ANFISBSC از 2 متغيره به 6 متغيره، صحت روش افزايش مي‌بابد. مطابق نتايج به‌دست آمده، مدل سه متغيره شبيه‌سازي به‌روش ANFISBSC اگرچه روند كلي تخمين مقاومت فشاري توده سنگ (UCSm) و مدول تغييرشكل‌پذيري توده سنگ (Em) را به دست مي دهد ولي همراه با 20 -30 درصد خطا مي باشد؛ در حالي كه در مدل 6 متغيره، مدول تغيير شكل‌پذيري توده سنگ (Em) و مقاومت فشاري توده سنگ (UCSm) به‌صورت موفقيت‌آميزي با خطاي كم‌تر از 3 درصد تخمين زده مي‌شود. هم‌چنين، شيب خط نمودار داده‌هاي اندازه‌گيري و داده‌هاي تخمين زده شده در مدل 6 متغيره به 1 نزديك مي‌شود و در مدل 3 متغيره، شيب اين خط، 94/0 است. بنابراين نتيجه‌گيري مي‌شود كه مدل 6 متغيره شبيه‌سازي شده با ANFISBSC پيش‌بيني قابل‌قبولي از مدول تغييرشكل‌پذيري توده سنگ (Em) و مقاومت فشاري توده سنگ (UCSm) را به‌دست مي‌دهد.

Combination of Adoptive Network based Fuzzy Inference System (ANFIS) and subtractive clustering (SC) has been used for estimation of deformation modulus (Em) and rock mass strength (UCSm) considering depth of measurement. To do this, learning of the ANFIS based subtractive clustering (ANFISBSC) was performed firstly on 125 measurements of 9 variables such as rock mass strength (UCSm), deformation modulus (Em), depth, spacing, persistence, aperture, intact rock strength (UCSi), geomechanical rating (RMR) and elastic modulus (Ei). Then, at second phase, testing the trained ANFISBSC structure has been perfomed on 40 data measurements. Therefore, predictive rock mass models have been developed for 2-6 variables where model complexity influences the estimation accuracy. Results of multivariate simulation of rock mass for estimating UCSm and Em have shown that accuracy of the ANFISBSC method increases coincident with development of model from 2 variables to 6 variables. According to the results, 3-variable model of ANFISBSC method has general estimation of both UCSm and Em corresponding with 20% to 30% error while the results of multivariate analysis are successfully improved by 6-variable model with error of less than 3%. Also, dip of the fitted line on data point of measured and estimated UCSm and Em for 6-variable model approaches about 1 respect to 0.94 for 3- variable model. Therefore, it can be concluded that 6-variable model of ANFISBSC gives reasonable prediction of UCSm and Em.