بررسی پایداری تونل به روش منحنی مشخصه زمین با استفاده از الگوریتم ماشین یادگیری

با توجه به توسعه روز افزون فضاهای زیرزمینی، ارزیابی پایداری و تعیین رفتار توده سنگ از مباحث مهم فضاهای زیر زمینی برای ایمنی و بهینه سازی پروژه می باشد. در سال های اخیر کرنش بحرانی به عنوان مهمترین شاخص برای ارزیابی پایداری و مچاله شوندگی تونل مورد توجه قرار گرفته است. در حال حاضر روش های مختلفی برای تعیین کرنش بحرانی ذات توده سنگ وجود دارد. پارامتر کرنش بحرانی یک شاخص است که اجازه می دهد تا درجه ای از پتانسیل مچاله شوندگی بر حسب کمیت سنجیده شود. از آن به عنوان سطح کرنش در پیرامون تونل که فراتر از آن باعث بی ثباتی و مشکلات مچاله شوندگی که به احتمال زیاد رخ می دهد یاد شود. همچنین مقدار کرنش بحرانی در ارزیابی پایداری تونل به روش نمودار مشخصه زمین بسیار کاربرد دارد. تاکنون، تلاش هایی بسیار زیادی برای تعیین کرنش بحرانی شده است، که سه روش پر کاربرد در این مطالعه بیان می شود. همچنین برای تعیین پتانسیل مچاله شوندگی در همه مطالعات ها کمیت مچاله شوندگی 1% بر آورد شده است. با توجه به اینکه نتایج بدست آمده از روش های مختلف برای تعیین کرنش بحرانی، با استفاده از پارامترهای متفاوت و نتایج متفاوتی با هم دارند، در این پژوهش با استفاده از هوش مصنوعی برای دقیق شدن نتایج تلاش می شود. بدین منظور از الگوریتم هوشمند ماشین یادگیری در نرم‏افزار داده‏کاوی rapidminer استفاده خواهد شد. در پژوهش حاضر، با جمع آوری اطلاعات ارائه شده از  تونل های مختلف در مقالات معتبر، شرایط موجود به سه وضعیت پایدار، نیمه پایدار و ناپایدار تعریف می شود. خروجی ها ماشین یادگیری شامل رابطه پارامترها بر اساس شرایط موجود در تونل،تاثیر هر کدام از پارامترها بر دیگری با توجه به شرایط تونل می باشد.

Investigation of Tunnel Stability by Land Characteristic Curve Method Using Learning Machine Algorithm

Due to the increasing development of underground spaces, assessment of sustainability and determination of rock mass behavior is one of the important issues of underground space for safety and optimization of the project. In recent years, critical strain has been considered as the most important indicator for assessing the stability and squeezing of the tunnel. There are currently several methods for determining the critical strain of the essence of rock mass. The critical strain parameter is an indicator that allows the degree of squeezing potential to be measured in terms of quantity. It is referred to as the strain level around the tunnel, which further causes instability and squeezing problems that are likely to occur. Also, the critical strain rate is very useful in evaluating the tunnel stability using the landcharacteristic charts. So far, many attempts have been made to determine the critical strain, which is described by three widely used methods in this study. Also, for determining the squeezing potential in all studies, the squeezing amount is 1%. Given that the results obtained from different methods for determining the critical strain, using different parameters and different results, In this study, AI has been tried to finetune the results. For this purpose, the intelligent learning machine algorithm will be used in the Rapidminer data mining software. In the present study, by gathering information from various tunnels in valid articles, the conditions are defined as three stable, semistable, and unstable states. Outputs the learning machine includes the relationship of parameters based on the conditions in the tunnel, the effect of each of the parameters on the other according to the tunnel conditions.