پیش‌بینی نرخ نفوذ tbm با استفاده از شبکه‌های عصبی و سیستم‌های فازی-عصبی (مطالعه موردی از 14 تونل حفر شده در سنگ سخت)

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 فازیعصبی 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 فازیعصبی (0.13=rmse) در مقایسه با روش‌های عصبی (0.38=rmse) از دقت بیشتری برخوردار است.

TBM penetration rate prediction using neural networks and neuro-fuzzy systems

TBM penetration rate (PR) prediction is one of the most crucial issues for project cost and time estimation, however, its prediction has remained an important challenge for engineers and investors. Results of former investigations show that there are different methods for PR prediction, including theoretical and statistical models as classic methods and neural networks, fuzzy logic systems, and neurofuzzy models as intelligent and new methods. Modern methods are more capable of analyzing complex and nonlinear relationships in comparison with classic methods. Accordingly, the implementation of modern methods for PR prediction will lead to a more precise outcome. In this paper, the information of 14 tunnels around the world is compiled within a database. Studied parameters in this database are a combination of machine and rock mass specifications, including, normal mean thrust force (Fn), cutterhead revolution per minute (Rpm), tunnel diameter (TD), rock mass rating (RMR), rock quality designation (RQD), and uniaxial compressive strength (UCS). By analyzing and reviewing relevant results, it was determined that omission or failure to use appropriate parameters causes a poor PR prediction. These results also show that UCS and RQD are amongst the most effective parameters. Furthermore, it has been concluded that using neurofuzzy networks (RMSE = 0.13 m/h) provides more accurate results than neural networks (RMSE = 0.38 m/h).