ارائه یک مدل مبتنی بر برنامه‌ریزی بیان ژن برای پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات تونلسازی در محیط‌های شهری

نشست سطح زمین ناشی از عملیات تونلسازی، به‌عنوان پدیده‌ای اجتناب‌ناپذیر، یکی از چالش‌های کلیدی در پروژه‌های تونلسازی شهری محسوب می‌شود که پیش‌بینی و کنترل آن نقشی مهمی در کاهش خسارات احتمالی به سازه‌های سطحی و زیر ساخت‌های شهری دارد. در این مقاله، هدف پیش‌بینی حداکثر نشست سطح زمین (smax) ناشی از عملیات تونلسازی در محیط‌های کم‌عمق شهری با استفاده از الگوریتم برنامه‌ریزی بیان ژن (gep) است. بدین منظور، 24 دسته داده مربوط به پروژه‌های مختلف تونلسازی مشتمل بر 9 پارامتر ورودی موثر بر smax از جمله فاصله مرکز تونل از سطح زمین (h)، ارتفاع سطح آب زیرزمینی بالای تونل (wt)، 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)، جمع‌آوری و به طور تصادفی به دو بخش آموزش و تست تقسیم شد. سپس، الگوریتم gep بر داده‌های آموزشی اعمال و مدل جدیدی برای پیش‌بینی smax بدست آمد. در ادامه، از رگرسیون خطی چندگانه (mlr) نیز برای پیش‌بینی smax و مقایسه آن با مدل gep استفاده شد. به‌منظور اعتبارسنجی و مقایسه عملکرد مدل‌های gep و mlr در مراحل آموزش و تست از دیاگرام تیلور و 5 شاخص آماری شامل ضریب تعیین (r2)، شمول واریانس (vaf)، شاخص a20-index، جذر میانگین مربعات خطا (rmse) و خطای مطلق میانگین (mae) استفاده شد. نتایج بدست آمده بر مبنای دیاگرام تیلور و شاخص‌های آماری نشان داد که مدل gep در مقایسه با مدل mlr عملکرد بهتری دارد و می‌تواند بادقت و قابلیت اطمینان بالاتر و خطای کمتر حداکثر نشست سطح زمین را پیش‌بینی نماید. در نهایت، نتایج تحلیل اهمیت پارامترهای ورودی نشان داد که پارامتر گَپ (g)، قطر تونل (d) و عدد پایداری (n) به ترتیب مهم‌ترین پارامترهای تاثیرگذار بر حداکثر نشست سطح زمین هستند درحالی‌که وزن مخصوص مواد روباره تونل (γ) و ضریب فشار زمین (k0) کمترین تاثیر را بر حداکثر نشست سطح زمین دارند.