@article { author = {عامری, میلاد and فرخ, ابراهیم and ملاداودی, حامد}, title = {پیش‌بینی نرخ نفوذ TBM با استفاده از شبکه‌های عصبی و سیستم‌های فازی-عصبی (مطالعه موردی از 14 تونل حفر شده در سنگ سخت)}, journal = {مهندسی تونل و فضاهای زیرزمینی}, volume = {10}, number = {1}, pages = {35-56}, year = {2021}, publisher = {دانشگاه صنعتی شاهرود و انجمن تونل ایران}, issn = {2322-3111}, eissn = {2322-570X}, doi = {10.22044/tuse.2022.10987.1424}, abstract = {پیش بینی نرخ نفوذ TBMها یکی از مهمترین موضوعات برای تخمین هزینه‌های حفاری و مدت زمان اجرا در پروژه‌های تونل‌سازی است، اما این موضوع همچنان برای مهندسین و سرمایه‌گذاران یک چالش مهم محسوب می‌شود. نتایج تحقیقات گذشته نشان می‌دهد که برای پیش‌بینی نرخ نفوذ، روش‌های متفاوتی ارائه شده‌اند که از جمله‌ی این روش‌ها می‌توان به روش‌های تجربی و تئوری به‌عنوان روش‌های کلاسیک و قدیمی‌تر و شبکه‌های عصبی، شبکه‌های فازی و یا شبکه‌های فازی-عصبی به عنوان روش‌های هوشمند و جدید اشاره کرد. روش‌های مدرن در تحلیل روابط پیچیده و غیرخطی، از توانایی بالاتری نسبت به روش‌های کلاسیک  برخوردار هستند؛ لذا استفاده از آن‌ها سبب رسیدن به نتایج دقیق‌تری برای پیش‌بینی نرخ نفوذ خواهد شد. در این پژوهش از یک بانک اطلاعاتی شامل 14 تونل از سراسر جهان بهره‌گرفته شده است. پارامترهای انتخاب شده برای پیش‌بینی نرخ نفوذ شامل ترکیبی از پارامترهای مربوط به ماشین و توده‌سنگ است، از جمله نیروی عمودی وارد بر تیغه (Fn)، تعداد دور در دقیقه (RPM)، قطر تونل (TD)، امتیاز رده‌بندی توده‌سنگ (RMR)، شاخص کیفی سنگ ((RQD و مقاومت فشاری تک‌محوری (UCS). با تحلیل و بررسی نتایج مربوطه مشخص گردید که حذف یا عدم استفاده از پارامترهای مناسب می‌تواند سبب کاهش چشم‌گیری در پیش‌بینی نرخ نفوذ شود. بر این اساس نتایج نشان می‌دهد که پارامترهای UCS و RQD مهم‌ترین پارامترهای تاثیرگذار در پیش‌بینی نرخ نفوذ هستند. این نتایج همچنین نشان می‌دهد که استفاده از شبکه‌های فازی-عصبی (13/0=RMSE) در مقایسه با روش‌های عصبی (38/0=RMSE) از دقت بیشتری برخوردار است.}, keywords = {نرخ نفوذ,شبکه عصبی,شبکه فازی-عصبی,ماشین تونل‌زنی (TBM),پارامترهای ماشین,پارامترهای توده‌سنگ}, url = {https://tuse.shahroodut.ac.ir/article_2291.html}, eprint = {https://tuse.shahroodut.ac.ir/article_2291_a399cb2ce49064fc9ea2510c30929ab9.pdf} }