تخمین رفتار لرزه‌ای تونل مدفون در لنز ماسه‌ای به کمک یادگیری ماشین

تخمین پارامترهای خاک پیرامونی و سازه ای در پوشش های تونلی همواره نیازمند شبیه سازی نرم‌افزاری و مطالعات حجیم و زمان‌بر می باشد. ارائه روشی که قادر باشد تا این پارامترها را با دقت مناسب و حجم محاسباتی اندک و در سریع‌ترین زمان ممکن ارائه نماید همواره یک چالش مهندسی بوده است؛ بنابراین، هدف از مطالعه حاضر ارائه یک روش مبتنی بر یادگیری ماشین برای پیش‌بینی برخی از مشخصات مهم نظیر رویداد روانگرایی، تنش خمشی حداکثر پوشش تونلی، نشست سطح زیر محور تونل و فشار آب منفذی تحت زلزله های نزدیک و دور از گسل می باشد. بدین‌منظور ابتدا از نرم‌افزار flac-3d برای شبیه‌سازی مدل پوشش تونلی در معرض تحریک های زمین استفاده می‌شود. ضمناً، اندرکنش خاک- سازه بین پوشش تونلی و لنز ماسه ای نیز مد نظر قرار گرفته می‌شود. مدل‌های موهر-کولومب و فین به‌ترتیب برای در نظر گرفتن نشست رس و ارزیابی روانگرایی لنز ماسه ای به کار برده می شوند. سپس، از ماشین یادگیری   کرانه ای برای پیش‌بینی و برآورد کمیت ه ای اشاره شده استفاده می‌شود. نتایج مطالعات حاکی از عملکرد و دقت مناسب روش پیشنهادی در تخمین پارامترهای اشاره شده است به‌گونه‌ای که در بدترین حالت خطای تخمین کمتر از 6 درصد بوده است. در این مطالعه تاثیر یک لنز ماسه ای روانگرا در یک محیط غیرروانگرا با امواج لرزه ای متفاوت ارزیابی شده است که نتایج حاصل از آن نشان دهنده ی تاثیرپذیری بالای پارامتر های لنگر خمشی در پوشش تونل، تنش موثر، فشار آب حفره ای و نشست در راستای محور تونل در حضور لنز ماسه ای می باشد. همچنین در حضور لنز ماسه‌ای نسبت لنگر خمشی به حالت بدون لنز ماسه‌ای در برخی موارد بالای 50 درصد است که مقدار بسیار چشمگیری می باشد و حداکثر نشست در مکان‌های نزدیک به محور تونل رخ داده است.

estimating the seismic behavior of tunnel inside sand lens by the extreme machine learning

the presence of liquefaction in the soil has a great impact on the condition of the structures built in that area; therefore, studying and evaluating liquefaction is of great importance. liquefaction of the sand lens can cause changes in the force and shape of the tunnel lining. these issues have been evaluated and investigated in this article. asymmetric deformations and distortions in the tunnel lining lead to an increase in the ratio of dynamic torque to static torque and distance to diameter. the presence of this phenomenon causes changes in the state of effective stresses, pore water pressure, and settlement. in this thesis, the effect of the sand lens around the tunnel is investigated. soil-structure interaction is also considered between the tunnel and the sand lens. to put it more simply, a sand lens is a piece of soil in the environment that has high liquefaction properties, so its investigation and evaluation is an important matter that has not been extensively studied so far. estimation of peripheral and structural soil parameters in tunnel lining always requires software simulation and bulky and time-consuming studies. providing a method to be able to present these parameters with appropriate accuracy and small computational effort in the fastest possible time has always been an engineering challenge. therefore, the present study aims to present a machine learning-based method to predict some important properties such as liquefaction event, maximum bending stress of tunnel cover, settlement of subsurface tunnel, and pore water pressure under near- and far-field earthquakes. hence, first, the three-dimensional finite-difference software with parameters such as soil-structure interaction between tunnel cover and sand lens has been used to simulate the tunnel cover model exposed to ground stimuli. mohr-coulomb and finn models have also been used to consider clay sediment and sand lens liquefaction evaluation, respectively. then, an extreme learning machine (elm) is used to predict and estimate the quantities mentioned. the main purpose of this study is to introduce a new method using extreme learning machine to predict some important characteristics such as liquefaction event, maximum bending stress, settlement, and pore water pressure. the results of the studies indicate the proper performance and accuracy of the proposed method in estimating the mentioned parameters so that in the worst case, the estimation error was less than 6%. also in this study, the effect of a liquefiable sand lens in a non-fluidic environment with different seismic waves and the results of the high influence of bending moment in the tunnel lining, effective stress, pore water pressure and the settlement along the axis of the tunnel in the presence of sand lens has been evaluated. the results demonstrate the great influence of the presence of the sand lens in bending moment parameters in the tunnel lining, effective stress, pore water pressure, and settlement along the tunnel axis. in the final part of the study, all the results obtained from the software are compared with the machine learning outcomes. also, in the presence of a sand lens, the ratio of bending moment to the state without of sand lens in some cases is over 50%, which is a very significant value, and the maximum settlement occurred in places close to the tunnel axis.