پیش‌بینی نرخ نفوذ ماشین تونلزنی با استفاده از دسته بندی گروهی داده‌های شبکه عصبی

Abstract

پیش‌بینی نرخ نفوذ ماشین حفر تونل (TBM) در سنگ‌های سخت از مهم‌ترین عوامل تاثیرگذار در برآورد هزینه و زمان اتمام حفاری تونل است. در این پژوهش از شبکه عصبی دسته‌بندی گروهی داده‌ها (GMDH) برای پیش‌بینی نرخ نفوذ ماشین حفاری در قطعه جنوبی تونل انتقال آب کرمان استفاده شده است. پس از تشکیل پایگاه داده با استفاده از اطلاعات ژئومکانیکی توده‌سنگ و داده‌های عملکرد واقعی ماشین حفاری، ابتدا با انجام رگرسیون چندمتغیره خطی و غیرخطی همبستگی بین ده پارامتر مختلف بررسی شده و روابطی تجربی برای پیش‌بینی نرخ نفوذ ماشین توسعه داده شد. برای طراحی بهینه ساختار شبکه عصبی از الگوریتم ژنتیک چند هدفی در قالب بهینه‌سازی دو هدفی استفاده شد به طوری که داده‌های ورودی به دو دسته آموزش (70 درصد داده‌ها) و پیش‌بینی (30 درصد داده‌ها) تقسیم و خطای آموزش و خطای پیش‌بینی نیز به عنوان دو تابع هدف انتخاب شد. پس از تعیین ساختار بهینه شبکه، تابع نرخ نفوذ ماشین حفاری به صورت چند جمله‌ای‌های چند لایه بر حسب چهار پارامتر با قویترین همبستگی با نرخ نفوذ یعنی مقاومت فشاری توده‌سنگ، محتوای کوارتز، زاویه صفحات ناپیوستگی با راستای تونل و نیروی قائم اعمالی بر هر تیغه برش ارایه شد. در این مقاله از پارامتر ترکیبی مقاومت فشاری توده‌سنگ استفاده شد که ضمن کاهش تعداد پارامترهای دخیل در مدل‌، منجر به ساده‌تر شدن آن شد. مقایسه مقادیر خروجی مدل پیش‌بینی نرخ نفوذ با مقادیر اندازه‌گیری شده ضریب همبستگی بالایی برابر 81/0 بدست می‌دهد (ضریب ضریب همبستگی در مدل رگرسیون غیرخطی 6/0 است) که نشان‌دهنده قابلیت پیش‌بینی بسیار خوب این شبکه است. بر خلاف سایر شبکه‌های عصبی که خروجی آن‌ها اغلب به صورت جعبه سیاه است، در مدل پیشنهادی خروجی نهایی به صورت تابع بازگشتی صریح بین ورودی‌ها و خروجی ارایه شد. این ویژگی منحصر به فرد شبکه عصبی GMDH امکان استفاده مستقیم از روابط ارایه شده در سایر پروژه‌ها و یا تحقیقات آینده را فراهم می‌سازد.

Keywords

• دسته‌بندی گروهی داده‌ها
• نرخ نفوذ
• مدل پیش‌بینی
• شبکه عصبی
• تونل انتقال آب کرمان