پیش‌بینی نشست حداکثر در حفاری مکانیزه تونلهای دوقلو به روش سپر تعادلی فشار زمین (epb) با استفاده از مدل ترکیبی نظارت شده هوش مصنوعی

در این مقاله از پارامترهای دخیل در نشست حداکثر سطح زمین در اثر حفاری تونل به روش سپر تعادلی فشار زمین شامل فشار تعادلی جبهه‌ی کار ، فشار تزریق دوغاب پشت لاینینگ، نرخ نفوذ ماشین، زاویه انحراف قائم ماشین، سطح آب زیرزمینی، عمق تونل و مشخصات خاک (عدد نفوذ استاندارد ، مدول الاستیسیته خاک، چگالی خشک خاک، چسبندگی خاک و اصطکاک داخلی خاک) مربوط به بخشی از مسیر تونلهای دوقلوی خط یک قطار شهری تبریز در حدفاصل بین ایستگاههای قونقا تا گازران به عنوان ورودی مدلهای شبکه عصبی مصنوعی و منطق فازی برای پیش‌بینی نشست حداکثر استفاده شده است. مقایسه نتایج به دست آمده از مدلسازی با نشست‌های اندازه‌گیری شده در خط یک متروی تبریز نشان داد که با وجود توانایی هر دو مدل هوش مصنوعی در تخمین نشست در حفاری مکانیزه، ولی هنوز امکان تدقیق نتایج با استفاده از مدل هوش مصنوعی مرکب وجود دارد. لذا خروجی دو مدل منفرد به عنوان ورودی مدل نروفازی استفاده شد و نتایج بدست آمده (0.97 =r2 و 0.78=rmse) نشان از کاهش حداقل 27 درصد rmse نسبت به مدلهای منفرد دارد.

Prediction of Maximum Settlement in EPB Mechanized Twin Tunneling by Using Supervised Combined Artificial Intelligence Model

In this paper, the effective parameters on settlement due to EPB twin tunnelling excavation including face support pressure, backfill grouting pressure, penetration rate, pitching angle, groundwater level, tunnel depth and soil characteristics (standard penetration test number, soil elastic modulus, dry density, internal friction and cohesion) belonging to a part of the Tabriz metro line 1 twin tunnels in a distance between Qunqa and Gazran stations was selected as the intelligent network input data’s and designed to optimize artificial intelligence models using artificial neural network, fuzzy logic methods for predicting of maximum surface settlement. Comparing of obtained results with actual measured data’s showed that despite of the ability of both artificial intelligence models on estimating the maximum settlements in mechanized excavation, it is still possible to precise the results by applying a combined artificial intelligence model. Therefore, the output of two single models was used as the input of the Nerofuzzy model and the obtained results (R2 = 0.77 and RMSE = 0.78) indicate a decrease of at least 27% RMSE compared to the individual models.