پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات تونلسازی در محیط‌های شهری با مدل رگرسیون خطی چندگانه و الگوریتم جنگل تصادفی

نشست ناشی از عملیات تونلسازی در محیط‌های شهری پدیده‌ای اجتناب‌ناپذیر است. پیش‌بینی و کنترل این پدیده آسیب‌های احتمالی به سازه‌های‌ سطحی و زیرساخت‌های مجاور را به طور قابل توجهی کاهش می‌دهد. در این مقاله، برای پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات حفاری تونل‌های کم‌عمق در محیط‌های شهری از دو روش رگرسیون خطی چندگانه (mlr) و الگوریتم جنگل تصادفی (rf) استفاده شده است. بدین منظور 9 پارامتر ورودی موثر بر حداکثر نشست سطح زمین از جمله فاصله مرکز تونل از سطح زمین (h)، ارتفاع سطح آب زیرزمینی بالای تونل (w.t)، قطر تونل (d)، مدول الاستیسته خاک (e)، مقاومت برشی زهکشی نشده خاک (cu)، ضریب فشار زمین (k0)، وزن مخصوص خاک (γ)، پارامتر گَپ (g) و عدد پایداری (n) بر اساس 24 دسته داده مربوط به 14 پروژه مختلف تونلسازی انتخاب و سپس روش‌های mlr و rf  پیاده‌سازی شدند. برای ارزیابی کارایی مدل‌ها در پیش‌بینی حداکثر نشست از 3 شاخص ضریب تعیین (r2)، جذر میانگین مربعات خطا (rmse) و میانگین خطای مطلق (mae) برای داده‌های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش‌های mlr و rf برای داده‌های آموزش به ترتیب 0.814 و 0.957 و برای داده‌های تست به ترتیب 0.793 و 0.96 به دست آمد که نشان‌دهنده کارایی بالای روش rf در مقایسه با mlr است. به علاوه، نتایج نشان داد که مقادیر شاخص‌های rmse و mae در هر دو مرحله آموزش و تست برای الگوریتم rf کمتر از روش mlr است که خطای کمتر الگوریتم rf و قابلیت اطمینان و دقت بالاتر آن نسبت به روش mlr نشان می‌دهد. همچنین، نتایج آنالیز اهمیت نشان می‌دهد که از بین پارامترهای ورودی، پارامتر گَپ (g) و مقاومت برشی زهکشی نشده خاک (cu) به ترتیب بیشترین و کمترین تاثیر را بر حداکثر نشست سطح زمین دارند.

prediction of the maximum surface settlement induced by urban area tunneling using multiple linear regression model and random forest algorithm

the occurrence of settlement induced by tunneling operations in urban environments is an inevitable phenomenon. the risk of damage to nearby infrastructures and surface structures can be greatly reduced by predicting and controlling this event. this paper uses multiple linear regression (mlr) model and random forest (rf) algorithm to predict the maximum surface settlement (smax) due to shallow tunnel excavation. nine input parameters, including the distance of the tunnel center from the ground surface (h), height of the underground water level above the tunnel (w.t), tunnel diameter (d), elastic modulus of soil (e), undrained shear strength of soil (cu), earth pressure coefficient (k0), unit weight of soil (γ), gap parameter (g), and stability number (n) were selected from 24 data sets related to 14 tunneling projects. the mlr and rf techniques were then implemented for predicting smax. three performance indicators of coefficient of determination (r2), root mean square error (rmse), and mean absolute error (mae) were employed for the training and test phases to evaluate the efficiency of the suggested models. the coefficient of determination values for mlr and rf for training data were 0.814 and 0.957, respectively, while for test data were 0.793 and 0.96, indicating that the rf approach is more efficient than mlr. moreover, the findings reveal that the rf algorithm exhibits lower rmse and mae values in both the training and testing phases compared to the mlr method. this suggests that the rf algorithm exhibits reduced error and higher reliability and accuracy when compared to the mlr model. also, the performance study demonstrates that among the input parameters, the gap parameter (g) and the undrained shear strength of soil (cu) have the greatest and least influence on smax, respectively.