استفاده از الگوریتم‌ بهینه‌سازی گرگ خاکستری برای تخمین پارامترهای نشست سطح زمین بر اساس شرایط زمین‌شناسی، هندسه تونل و فاکتورهای عملیاتی دستگاه حفاری

در این مقاله از الگوریتم بهینه‌سازی گرگ خاکستری (gwo) برای پیش‌بینی حداکثر نشست سطح زمین (smax) و عرض گودی پروفیل نشست (i) ناشی از عملیات حفاری تونل‌های شهری استفاده شده است. بدین منظور، 26 دسته داده با دو پارامتر خروجی (smax و i) و 9 پارامتر ورودی شامل چسبندگی (c)، زاویه اصطکاک داخلی (φ)، مدول تراکم‌پذیری خاک (es)، فاصله محور تونل از سطح زمین (h)، قطر تونل (d)، فشار تزریق گروت (p)، درصد پرشدن گروت (n)، نیروی پیشران (f) و نرخ پیشروی (v) دستگاه حفاری جهت مدل‌سازی الگوریتم gwo گردآوری شد. همچنین، مدل رگرسیون خطی چندگانه (mlr) جهت ارزیابی و مقایسه با الگوریتم gwo استفاده گردید. عملکرد مدل‌های gwo و mlr با استفاده از سه شاخص آماری ضریب تعیین، جذر میانگین مربعات خطا و خطای مطلق میانگین در مراحل آموزش و تست مورد بررسی قرار گرفت و با نتایج مدل‌های تجربی موجود در منابع مقایسه گردید. نتایج حاصله بیانگر خطای کمتر الگوریتم gwo و قابلیت اطمینان و دقت بالاتر آن در مقایسه با مدل mlr و سایر مدل‌های تجربی است. بعلاوه، نتیجه آنالیز حساسیت مدل‌ها و همبستگی داده‌ها نشان داد که پارامترهای f و n به‌ترتیب مهم‌ترین و کم اهمیت‌ترین پارامترهای تاثیرگذار بر smax هستند. همچنین، c و v به‌ترتیب دارای بیش‌ترین و کم‌ترین تاثیر بر i می‌باشند. با در نظر گرفتن نتایج حاصل از این تحقیق، می‌توان نتیجه گرفت که مدل‌های پیشنهادی (به‌ ویژه مدل gwo) از قابلیت بالایی برای تخمین پارامترهای نشست سطح زمین برخوردارند.

application of the grey wolf optimizer to estimate the ground surface settlement parameters based on geological conditions, tunnel geometry, and practical factors of boring machine

summary in this paper, grey wolf optimization (gwo) and multiple linear regression (mlr) models have been utilized to estimate the maximum surface settlement (smax) and trough width (i) of settlement profile due to the tunnel excavation. the results show the superiority of the gwo algorithm compared to the mlr model and similar empirical models. moreover, the importance study and the correlation matrix of the datasets reveal that thrust force and cohesion are the most important variables on smax and i, respectively. on the other hand, the tunnel diameter and poisson ratio are the least important variables on smax and i, respectively . introduction the tunneling operation usually causes the ground settlement, which is challenging both in terms of cost and safety. therefore, it is necessary to estimate and control the settlement to reduce these costs and satisfy the safety standards. many studies have been conducted to estimate the settlement parameters using empirical, analytical, numerical and intelligent methods. to cover the weaknesses of available approaches, intelligent models have been used to predict smax and i due to their high accuracy. thus, the smax and i are estimated using the gwo and mlr models in this paper.methodology and approachesin this study, the gwo and mlr models are used to predict the occurred smax and i due to the tunneling operations. to do this, 26 datasets related to three tunneling projects were collected and randomly divided into training (20 series) and testing (6 series) datasets. optimum gwo and mlr models are developed using training datasets to predict smax and i. the developed models are evaluated and verified using the testing datasets and compared to each other, and also, to the previous similar empirical models. finally, sensitivity analysis was conducted to evaluate the impact of the inputs on the outputs.results and conclusionsto achive the optimim gwo and mlr models in smax and i predicting, the models performances are evaluated during the training and testing phases using the performance evaluation indices. the obtained results show the higher accuracy of the gwo algorithm compared to the mlr model. moreover, the comprative analysis of the results proves the