ارزیابی اثر پارامترهای عملیاتی tbm بر نرخ نفوذ با رویکرد یادگیری ماشین و انتخاب ویژگی چندمرحله‌ای

در سال‌های اخیر، مدل‌های یادگیری ماشین به‌طور گسترده برای پیش‌بینی نرخ نفوذ ماشین حفاری تمام‌مقطع (tbm) استفاده شده‌اند. نرخ نفوذ یکی از شاخص‌های کلیدی عملکرد در پروژه‌های تونل‌سازی است و به همین دلیل، بهبود روش‌های پیش‌بینی آن اهمیت زیادی دارد. با این حال، بسیاری از مطالعات پیشین تنها به مقایسه محدود چند الگوریتم پرداخته و کمتر به انتخاب ویژگی جامع یا تحلیل دقیق حساسیت پارامترهای عملیاتی پرداخته‌اند. این پژوهش با هدف پر کردن این شکاف، رویکردی چندمرحله‌ای در انتخاب ویژگی‌ها با ترکیب روش اطلاعات متقابل (mi) و الگوریتم بهینه‌سازی گرگ خاکستری (gwo) ارائه داد تا از میان 17 ویژگی اولیه، موثرترین پارامترها انتخاب شوند. پایگاه داده‌ی واقعی شامل 1258 رکورد عملکرد tbm در پروژه تونل بلند زاگرس، برای آموزش و ارزیابی چهار الگوریتم نزدیک‌ترین همسایه (knn)، ماشین بردار پشتیبان (svm)، درخت تصمیم (dt) و جنگل تصادفی (rf) مورد استفاده قرار گرفت. عملکرد مدل‌ها با شاخص‌های استاندارد rmse، mae و ضریب تعیین (r²) ارزیابی شد. در میان مدل‌های بررسی‌شده، مدل جنگل تصادفی با r² حدود 0.93 و rmse برابر با 0.05 بهترین دقت را نشان داد و با استفاده از روش اعتبارسنجی متقابل پنج‌بخشی از تعمیم‌پذیری مناسبی برخوردار بود. در گام نهایی، تحلیل حساسیت با استفاده از مدل rf انجام شد. نتایج نشان داد که تنظیم متعادل پارامترهای عملیاتی شامل نیروی محوری پیشران، گشتاور و سرعت چرخش کله‌حفار نقشی کلیدی در بهینه‌سازی نرخ نفوذ دارد. این پژوهش علاوه بر بهبود دقت پیش‌بینی نرخ نفوذ، نشان می‌دهد که مدل‌های یادگیری ماشین می‌توانند به‌عنوان ابزاری کارآمد برای پشتیبانی تصمیم و بهینه‌سازی راهبردهای عملیاتی در پروژه‌های حفاری مکانیزه مورد استفاده قرار گیرند.

assessing the impact of tbm operational parameters on penetration rate through machine learning and multi-stage feature selection

in recent years, machine learning (ml) models have garnered increasing attention for predicting the penetration rate (pr) of tunnel boring machines (tbms), a key performance indicator in mechanized tunneling projects. however, many previous studies have been limited to comparing a few algorithms and have lacked a comprehensive sensitivity analysis regarding operational parameters. in this study, four ml algorithms—k-nearest neighbors (knn), support vector machine (svm), decision tree (dt), and random forest (rf)—were evaluated for predicting the pr of a tbm based on real-world operational data from the long zagros tunnel. to enhance model performance, effective features were selected from an initial set of 17 parameters using a hybrid approach combining mutual information and the binary grey wolf optimizer (bgwo). the models were then trained and assessed using performance metrics such as rmse, mae, and the coefficient of determination (r²). among the models, the rf algorithm demonstrated the highest prediction accuracy and generalization capability. in the final stage, a multivariate sensitivity analysis was conducted using the rf model to investigate the individual and combined effects of controllable operational parameters—namely thrust force, torque, and cutterhead rotation speed—on the pr. the findings highlight the critical role of balanced parameter tuning in optimizing tbm performance and suggest that ml models can serve as valuable decision-support tools in mechanized tunneling operations.