پيش بيني نرخ نفوذ ماشين حفار تمام مقطع با سيستم تطبيقي استنتاج فازي- عصبي (ANFIS)

ANFIS-Based Approach for Penetration Rate of TBM Prediction

بيشتر مدل هاي پيش بيني تعيين عملكرد ماشين تمركز خود را بر روي نرخ نفوذ قرار داده اند. در سال هاي گذشته روش هاي تجربي و نيمه تجربي بسياري براي تعيين نرخ نفوذ ارايه شده است. دليل اصلي عدم پيش بيني دقيق عملكرد ماشين حفاري تمام مقطع (TBM) از لحاظ تيوري پيچيدگي اندركنش بين توده سنگ و حفار است. هدف اين مطالعه ارزيابي عملكرد TBM و بررسي نرخ نفوذ آن به عنوان تابعي از خصوصيات توده سنگ توسط سيستم تطبيقي استنتاج فازي - عصبي (ANFIS) است. همچنين مقايسه اين روش با روش هاي رگرسيون چند متغيره غيرخطي و شبكه عصبي ارايه شده توسط ياگيز و ديگران صورت گرفته است. هر سه روش مذكور روش هاي غير خطي هستند. در اين مطالعه كاربرد سيستم تطبيقي استنتاج فازي عصبي (ANFIS) به دليل قابليت بالا در يادگيري جهت پيش بيني بررسي شد ه است. نتايج حاصل در مقدار ضريب همبستگي حاكي از برتري مطلق روش ارايه شده نسبت به روش هاي رگرسيون چند متغيره و شبكه عصبي است.

The most predictor models for determining the tunnel boring machine (TBM) performance have been focused on penetration rate. In past researches empirical and semi-empirical methods were investigated to predict of penetration rate and this procedure is engaged very dif?cult theoretically owing to the complexity of the interaction between rock mass and TBM. The adaptive-network-based fuzzy inference system (ANFIS) has been used for prediction of TBM performance which depends on rock mass properties and this method is compared with the arti?cial neural network and non-linear multiple regression models which had been done by S. Yagiz, while these methods are non-linear, the ANFIS method due to the having high ability in training is used. The results of ANFIS present precise estimation for evaluation of penetration rate.