پیش‌بینی نرخ نفوذ ماشین‌های epb tbm در زمین‌های نرم با استفاده از سیستم عصبی-فازی (anfis)

مهم ترین شاخص عملکرد یک tbm نرخ نفوذ است که به عنوان نسبت فاصله حفاری به زمان عملیاتی در حین حفر تونل تعریف می ‌شود.  عوامل زمین‌شناسی و ژئوتکنیکی، مشخصات ماشین‌آلات و پارامترهای عملیاتی می ‌توانند بر نرخ نفوذ ماشین تاثیرگذار باشند. پیش‌ بینی نرخ نفوذ دستگاه حفاری می ‌تواند هزینه‌ های حفاری مکانیزه را به میزان قابل توجهی کاهش دهد. در طول چند دهه گذشته، مدل‌های پیش‌بینی نرخ نفوذ به‌طور متوالی ظاهر شده‌اند که می‌توان آن‌ها را به طور کلی به سه دسته طبقه‌بندی کرد: مدل‌های نظری و آزمایش‌های آزمایشگاهی و مدل‌های تجربی بر اساس عملکرد میدانی تاریخی tbmها. در این تحقیق، پس از تجزیه و تحلیل مولفه‌ ها، حذف داده‌ های پرت و با در نظر گرفتن عوامل ژئوتکنیکی و پارامترهای مختلف دستگاه، ضریب نفوذ دستگاه epb در 5 پروژه بررسی و پیش بینی شده است. برای این منظور از روش‌های رگرسیون خطی و روش عصبی-فازی استفاده شد. برای اعتبارسنجی هر مدل، از شاخص آماری ضریب تعیین (r2) استفاده شده است. نتایج بررسی ها نشان داد که روش عصبی-فازی نسبت به دیگر روش‌ ها میزان دقت بهتری (r2=0.94) در پیش‌ بینی نرخ نفوذ دارد. همچنین، نتایج آنالیز حساسیت نشان داد که گشتاور دستگاه بیشترین تاثیر را بر میزان نفوذ دستگاه epb دارد.

prediction of penetration rate of epb tbm machines in soft ground using neuro-fuzzy system (anfis)

the most important performance indicator of a tbm is the penetration rate, which is defined as the ratio of the drilling distance to the operating time during tunneling. geological and geotechnical factors, machine specifications, and operating parameters can affect the penetration rate of the machine. predicting the penetration rate of the drilling machine can significantly reduce the costs of mechanized drilling. over the past few decades, penetration rate prediction models have emerged successively, which can be broadly classified into three categories: theoretical models and laboratory experiments, and empirical models based on the historical field performance of tbms. in this study, after component analysis, removing outliers, and considering geotechnical factors and various machine parameters, the penetration rate of the epb machine in 5 projects was investigated and predicted. for this purpose, linear regression and neuro-fuzzy methods were used. to validate each model, the statistical index of the coefficient of determination (r2) was used. the results of the studies showed that the neuro-fuzzy method has a better accuracy (r2=0.94) in predicting the penetration rate than other methods. also, the results of the sensitivity analysis showed that the torque of the device has the greatest effect on the penetration rate of the epb device.