پیش‌بینی نشست حداکثری سطح زمین ناشی از عملیات تونل‌سازی شهری با استفاده از الگوریتم‌های تکاملی gep و mep

در این مقاله، هدف پیش‌بینی حداکثر نشست سطح زمین (smax) ناشی از عملیات تونل‌سازی در محیط‌های کم عمق شهری با استفاده از دو الگوریتم‌ برنامه‌ریزی بیان ژن (gep) و بیان چند ژنی (mep) 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 (w)، قطر تونل (d)، مدول الاستیسیته 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 بطور تصادفی به دو بخش آموزش و تست تقسیم شد. سپس، الگوریتم‌های gep و mep بر داده‌های مرحله آموزش اعمال و دو مدل ریاضی جدید برای پیش‌بینی smax بدست آمد. در ادامه، از رگرسیون خطی چند متغیره (lmr) نیز برای پیش‌بینی smax و مقایسه آن با مدل‌های gep و mep استفاده شد. به‌منظور اعتبارسنجی و مقایسه عملکرد مدل‌های پیشنهادی در مراحل آموزش و تست از دیاگرام تیلور، منحنی مشخصه خطای رگرسیون (rec) و 5 شاخص آماری شامل ضریب تعیین، شمول واریانس، شاخص a20-index، جذر میانگین مربعات خطا و خطای مطلق میانگین استفاده شد. نتایج بدست آمده بر مبنای دیاگرام تیلور، منحنی rec و شاخص‌های آماری نشان داد که هر دو مدل‌ هوش مصنوعی مبتنی بر تکامل به‌ویژه gep، در مقایسه با مدل lmr عملکرد بهتری دارند و می‌توانند با دقت و قابلیت اطمینان بالاتر و خطای کمتر smax را پیش‌بینی نماید. به‌علاوه، استفاده از آزمون‌های آماری anova و t-test، نمودارهای پراکندگی و هیستوگرام خطا و نیز نمودار جعبه‌ای باقی‌مانده‌ها، پایداری و تعادل آماری مدل‌های gep و mep را تایید کرده و نشان داد که مدل‌های توسعه‌یافته از دقت و قابلیت اطمینان مناسبی برخوردار هستند. همچنین، استفاده از باند اطمینان 95% برای بررسی عدم قطعیت مدل‌ها، نشان داد که بخش عمده‌ای از مقادیر واقعی در این بازه قرار دارند، که نشان‌دهنده توانایی بالای مدل‌ها در تعمیم به داده‌های جدید است. در نهایت، نتایج تحلیل اهمیت پارامترهای ورودی نشان داد که g، cu و n به‌ترتیب مهمترین پارامترهای تاثیرگذار بر smax هستند در حالی که γ و k0 کمترین تاثیر را بر smax دارند.

prediction of maximum ground surface settlement due to urban tunneling operations using gep and mep evolutionary algorithms

this study aims to predict the maximum ground surface settlement (smax) induced by shallow urban tunneling using two evolutionary algorithms: gene expression programming (gep) and multi expression programming (mep). a dataset comprising 24 tunneling projects with 9 key input parameters including tunnel depth (h)، groundwater height (w)، tunnel diameter (d)، soil elasticity modulus (e)، undrained shear strength (cu)، earth pressure coefficient (k0)، unit weight of soil (γ)، gap parameter (g)، and stability number (n)، was collected and randomly split into training and testing sets. both gep and mep were applied to the training data to develop predictive mathematical models for smax. additionally، a linear multivariable regression (lmr) model was built for comparison. model performance was evaluated using taylor diagrams، regression error characteristic (rec) curves، and five statistical indices: r²، vaf، a20-index، rmse، and mae. results revealed that both ai-based models، particularly gep، outperformed the lmr model in accuracy and reliability. further validation using anova، t-tests، residual plots، and 95% confidence intervals confirmed the statistical robustness and generalizability of the developed models. sensitivity analysis indicated that g، cu، and n were the most influential parameters، while γ and k0 had the least impact on smax.