ارزیابی تاثیر چیدمان مارپیچ ابزار برش کاترهد در عملکرد ماشین حفاری مکانیزه TBM

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی معدن؛ دانشکده مهندسی معدن، دانشگاه کاشان

2 دانشیار؛ دانشکده‌ی مهندسی معدن، دانشگاه کاشان

3 استادیار؛ دانشکده‌ی مهندسی معدن، دانشگاه کاشان

چکیده

از مهمترین عوامل موثر در عملکرد ماشین حفاری تونل TBM آرایش و چیدمان ابزار برش در کله‌حفار دستگاه بوده که به‌طور مستقیم بر راندمان عملیات حفاری، عمرمفید TBM و عملکرد مناسب ابزار برش تاثیرگذار می‌باشد. با توجه به پیچیدگی‌های طراحی چیدمان ابزار برش (الزامات فنی سازه TBM و الزامات مهندسی حفاری) ارائه مدل‌های محاسباتی کارآمد از چالش‌های اصلی محققین بوده است. در این پژوهش به هدف ارزیابی تاثیر چیدمان مارپیچ ابزار برش بر عملکرد ماشین TBM، مدل عددی با بهره‌گیری از الگوریتم بهینه‌سازی فراابتکاری گرگ‌های خاکستری GWO برای طراحی چیدمان مارپیچ توسعه داده شده‌است. به جهت ارزیابی عملکرد مدل طراحی توسعه داده شده، فرایند طراحی چیدمان ابزار برش در کله‌حفار یک نمونه اجرایی TBM سنگ مورد ارزیابی قرار گرفته‌است. براساس نتایج حاصل مشخص می‌گردد که چیدمان مارپیچ بهینه ابزار برش باعث کاهش نیروی جانبی کل دستگاه Fs به میزان KN 130.18 (84.07 %) و کاهش گشتاور خروج از مرکز به میزان KN.m 2.438 (21.09 %) نسبت به چیدمان اصلی ابزار برش در کله‌حفار شده است. همچنین نتایج حاصل از مدل‌سازی المان محدود کله‌حفار نشان داد که پیاده‌سازی آرایش مارپیچ ابزار برش در TBM سبب افزایش چشم‌گیر عملکرد TBM از نقطه‌نظر سازه‌ای می‌گردد به‌گونه‌ای که در شرایط بارگذاری بار کل، مقادیر تنش بیشینه در مدل با چیدمان بهینه MPa 13.046 (16.62 %) و میزان تغییر شکل تحت این شرایط بارگذاری mm 0.135 (41.41 %) کاهش یافته است. براساس نتایج حاصل مشخص می‌گردد که چیدمان مارپیچ بهینه ابزار برش در کله‌حفار ماشین TBM هم از نظر مهندسی حفاری (افزایش بازده و پیشروی حفاری) و هم از دیدگاه سازه‌ای ماشین TBM بهبود قابل توجهی یافته است. مهمترین نتیجه حاصل از این پژوهش ارائه یک مدل عددی کارآمد برای طراحی چیدمان مارپیچ بهینه ابزار برش در ماشین TBM بر اساس الگوریتم بهینهسازی GWO بوده است. مدل ارائه شده قابلیت پیاده‌سازی تحت شرایط مختلف عملیاتی و برای انواع مختلف ماشین‌های TBM را دارا بوده‌است.

کلیدواژه‌ها

موضوعات


Abu Bakar, M. Z., Gertsch, L. S., & Rostami, J. (2014). Evaluation of fragments from disc cutting of dry & saturated sandstone. Rock mechanics & rock engineering, 47, 1891-1903.
Anvari, A. A., Katibeh, H., & Sharifzade, M. (2010). A new approach for computing permeability of fault zones case study: the upper reservoir of Azad pumped-storage power station in Iran. Archives of mining Sciences, 55(3), 605-621
Cardu, M., Iabichino, G., Oreste, P., & Rispoli, A. (2017). Experimental & analytical studies of the parameters influencing the action of TBM disc tools in tunnelling. Acta Geotechnica, 12, 293-304.
Cigla, M., Yagiz, S., & Ozdemir, L. (2001, June). Application of tunnel boring machines in underground mine development. In 17th international mining congress & exhibition of Turkey (pp. 155-164(
Duan, W., Zhang, L., Zhang, M., Su, Y., Mo, J., & Zhou, Z. (2022). Numerical & experimental studies on the effects of the TBM cutter profile on rock cutting. KSCE Journal of Civil Engineering, 26, 416-432.
Emmanuel, D. A. D. A., JOSEPH, S., OYEWOLA, D., FADELE, A. A., & CHİROMA, H. (2021). Application of grey wolf optimization algorithm: Recent trends, issues, & possible horizons. Gazi University Journal of Science, 35(2), 485-504.
Farrokh, E. (2021). Layout design specifications of hard-rock TBM cutterheads at maximum cutter penetration & TBM advance. Arabian Journal of Geosciences, 14(19), 2049.
Farrokh, E. (2022). Lace Design Optimization for Hard Rock TBMs. Amirkabir Journal of Civil Engineering, 53(12), 5517-5534.
Geng, Q., Bruland, A., & Macias, F. J. (2018). Analysis on the relationship between layout & consumption of face cutters on hard rock tunnel boring machines (TBMs). Rock Mechanics & Rock Engineering, 51, 279-297.
Gertsch, R., Gertsch, L., & Rostami, J. (2007). Disc cutting tests in Colorado Red Granite: Implications for TBM performance prediction. International Journal of rock mechanics & mining sciences, 44(2), 238-246.
Gong, Q. M., Jiao, Y. Y., & Zhao, J. (2006b). Numerical modelling of the effects of joint spacing on rock fragmentation by TBM cutters. Tunnelling & Underground Space Technology, 21(1), 46-55.
Gong, Q. M., Zhao, J., & Hefny, A. M. (2006a). Numerical simulation of rock fragmentation process induced by two TBM cutters & cutter spacing optimization. Tunnelling & Underground Space Technology incorporating Trenchless Technology Research, 21(3), 263-263.
Gong, Q. M., Zhao, J., & Jiao, Y. Y. (2005). Numerical modeling of the effects of joint orientation on rock fragmentation by TBM cutters. Tunnelling & underground space technology, 20(2), 183-191.
Huo, J., Sun, W., Chen, J., Su, P., & Deng, L. (2010). Optimal disc cutters plane layout design of the full-face rock tunnel boring machine (tbm) based on a multi-objective genetic algorithm. Journal of Mechanical Science & Technology, 24, 521-528.
Huo, J., Sun, W., Chen, J., & Zhang, X. (2011). Disc cutters plane layout design of the full-face rock tunnel boring machine (TBM) based on different layout patterns. Computers & industrial engineering, 61(4), 1209-1225.
Huo, J., Wu, H., Yang, J., Sun, W., Li, G., & Sun, X. (2015). Multi-directional coupling dynamic characteristics analysis of TBM cutterhead system based on tunnelling field test. Journal of mechanical science & technology, 29, 3043-3058.
Katibeh, H., & Aalianvari, A. (2012). Common Approximations to the water inflow into Tunnels. Drainage systems, 75-88.
Liang, Q., Zhang, D., Coppola, G., Mao, J., Sun, W., Wang, Y., & Ge, Y. (2016). Design & analysis of a sensor system for cutting force measurement in machining processes. Sensors, 16(1), 70.
Lin, L., Xia, Y., & Wu, D. (2019). Multiobjective optimization design for structural parameters of TBM disc cutter rings based on FAHP & sampga. Advances in Civil Engineering, 2019.
Liu, W., Li, A., & Liu, C. (2022). Multi-objective optimization control for tunnel boring machine performance improvement under uncertainty. Automation in Construction, 139, 104310.
Mazaira, A., & Konicek, P. (2015). Intense rockburst impacts in deep underground construction & their prevention. Canadian Geotechnical Journal, 52(10), 1426-1439.
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61.
Rostami, J. (1997). Development of a force estimation model for rock fragmentation with disc cutters through theoretical modeling & physical measurement of crushed zone pressure (Vol. 38, pp. 56-64). Golden, CO, USA: Colorado School of Mines.
Rostami, J. (2008). Hard rock TBM cutterhead modeling for design & performance prediction. Geomechanik und Tunnelbau: Geomechanik und Tunnelbau, 1(1), 18-28.
Rostami, J., Ozdemir, L., & Nilson, B. (1996, May). Comparison between CSM & NTH hard rock TBM performance prediction models. In Proceedings of Annual Technical Meeting of the Institute of Shaft Drilling Technology, Las Vegas (pp. 1-10).
Sun, H. Y., Guo, W., Liu, J. Q., Song, L. W., & Liu, X. Q. (2018). Layout design for disc cutters based on analysis of TBM cutter-head structure. Journal of Central South University, 25(4), 812-830.
Sun, W., Ling, J., Huo, J., Guo, L., Zhang, X., & Deng, L. (2013). Dynamic characteristics study with multidegree-of-freedom coupling in TBM cutterhead system based on complex factors. Mathematical Problems in Engineering, 2013.
Yang, M., Xia, Y. M., Lin, L. K., Qiao, S., & Ji, Z. Y. (2020). Optimal design for buckets layout based on muck removal analysis of TBM cutterhead. Journal of Central South University, 27(6), 1729-1741.
Zhao-Huang, Z., & Yong-Li, Q. (2011). Research on the layout of TBM disc cutter. Engineering mechanics, 28(5), 172-177.