پیش‌بینی عملکرد ماشین حفار بازویی در حفر تونل با استفاده از الگوریتم کرم شب‌تاب و الگوریتم مبتنی بر آموزش و یادگیری- مطالعه موردی

ماشین‌ حفار بازویی از آن دسته از ماشین‌هایی می‌باشند که قابلیت حفاری بالایی در سنگ‌هایی با مقاومت کم تا متوسط را دارا می‌باشند. از این رو به طور گسترده در حفریات زیرزمینی مورد استفاده قرار می‌گیرند. تخمین عملکرد ماشین حفار بازویی یکی از موضوعات اصلی و مهم در تخمین تقریبی زمان اتمام پروژه و همچنین هزینه‌های پروژه‌ به حساب می‌آید. به همین منظور هدف از نگارش این مقاله پیشنهاد مدل‌های پیش‌بینی هوشمند برای تخمین عملکرد ماشین حفار بازویی بوسیله‌ی دو روش هوشمند الگوریتم کرم شب‌تاب (fa) و الگوریتم مبتنی بر آموزش و یادگیری (tlbo) و با استفاده از یک پایگاه داده (یک مطالعه موردی) است. در این مدل‌ها از مقادیر واجهشی چکش اشمیت و شاخص کیفیت توده‌سنگ (rqd) به عنوان پارامترهای ورودی و از نرخ برش ماشین حفار بازویی به عنوان پارامتر خروجی استفاده شده است. در پایان برای ارزیابی دقت مدل‌ها و مدلسازی از شاخص‌های ضریب همبستگی مربع (r2)، شمول واریانس (vaf)، جذر میانگین خطای مربع (rmse) و میانگین خطای مربع (mse) استفاده شده است. با توجه به نتایج بدست آمده در این مقاله و همچنین اعتبارسنجی مدل ایجاد شده، مقادیر پیش‌بینی عملکرد ماشین حفار بازویی توسط الگوریتم‌های بهینه‌سازی مبتنی بر آموزش و یادگیری و کرم شب‌تاب با مقادیر واقعی بسیار نزدیک بوده و از خطای کمی برخوردار است. بنابراین از مدل ایجاد شده می‌توان برای عملکرد ماشین حفار بازویی در شرایط زمین‌شناسی مشابه دیگر استفاده کرد.

Predicting the performance of roadheader in tunnel excavation using teaching learning based optimization algorithm and firefly algorithm-A case study

Roadheader machine is one of those machines that have high drilling capability in rocks with low to medium strength. Hence they are widely used in underground excavations. Estimating the performance of roadheader machine is one of the main and important issues in estimating the approximate project completion time as well as project costs. Therefore, the purpose of this paper is to propose intelligent forecasting models for estimating the performance of roadheader machine by two intelligent methods (the firefly algorithm (FA) and the Teachinglearning based optimization algorithm (TLBO)) and using a database (a case study). Is. In these models, the Schmidt hammer rebound values and the rock quality degree (RQD) are used as input parameters and the cutting rate of the roadheader is used as the output parameter. Finally, to evaluate the accuracy of the models and modeling, the indices of square correlation coefficient (R2), variance account for (VAF), root mean square error (RMSE) and mean square error (MSE) have been used. The results indicated that the two models have strong potentials to estimate roadheader performance with high degrees of accuracy and robustness.