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

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 0.81 بدست می‌دهد (ضریب ضریب همبستگی در مدل رگرسیون غیرخطی 0.6 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.

prediction of tunnel boring machine penetration using group method of data handling (gmdh) neural network

predicting penetration rate of tunnel boring machines (tbm) is a decisive factor in scheduling and budgeting of tunnelling projects. this paper is aimed at predicting the tbm penetration rate (rop) in the southern lot of kerman water conveyance tunnel by means of group method of data handling (gmdh) neural network. having compiled the database using the geomechanical data of rock mass and machine performance data, correlations between ten various parameters were explored and two linear and nonlinear multivariate regression equations for the penetration rate were set up. multi-objective genetic algorithm in the form of bi-objective optimization was applied for designing the optimal structure of the network and the dataset was randomly divided into training subset (70% of the total data) and test subset (the remaining 30%) as two objective functions. a multi-layered polynomial penetration rate function in terms of the parameters having the strongest correlation with rop, i.e. compressive strength of the rock mass, quartz content, the angle between plane of weakness and tbm-driven direction, and the average force acting on the single cutter was obtained. application of the rock mass compressive strength led to reducing the number of involving parameters and making the prediction model simpler. the comparison of the observed and predicted values showed high determination coefficient (r2) of 0.81 (r2=0.6 for nonlinear multivariate regression) which reveals high prediction capability of the proposed gmdh model. unlike other neural network prediction models which produce their outputs as a “black box”, the suggested rop gmdh model was expressed as a recurrent polynomial function in terms of the inputs. this outstanding feature of the gmdh model enables the proposed prediction model to be used in other projects as well as future research.