اصلاح سیستم طبقه‌بندی توده‌سنگ rmr به‌منظور تخمین عملکرد tbm درانواع سنگ

از آن‌جا که سیستم‌های مختلف طبقه‌بندی توده‌سنگ، متداول‌ترین روش‌های مورد استفاده در بسیاری از پروژه‌های مهندسی سنگ هستند، به دلیل پذیرش جهانی و در دسترس بودن پارامترهای موثر، روش مناسبی جهت تخمین عملکرد ماشین tbm می‌باشند. با مقایسه متداول‌ترین سیستم‌های طبقه‌بندی توده‌سنگ، سیستم طبقه‌بندی rmr همبستگی بهتری با نرخ نفوذ tbm نشان می‌دهد، که این امر به دلیل استفاده از مقاومت فشاری تک‌محوره سنگ (ucs) به عنوان پارامتر ورودی در این سیستم است. ازآنجاکه سیستم طبقه‌بندی rmr برای تحلیل شرایط پایداری توده‌سنگ در تونل‌ها و طراحی سیستم نگهدارنده توسعه یافته، در نتیجه امتیازدهی پارامترهای ورودی آن نیز بر همین اساس انجام شده و به‌نظر می‌رسد، می‌توان با تغییر در مقادیر امتیاز پارامترهای ورودی سیستم rmr و تغییر در وزن‌دهی داخلی هر پارامتر، به rmr بهینه‌ای دست یافت که متناسب با هدف این مطالعه یعنی پیش‌بینی عملکرد ماشین tbm در سنگ سخت باشد. هدف از این مطالعه، توسعه روابط جدید برای تخمین عملکرد tbm در انواع سنگ بر اساس پارامترهای ورودی سیستم rmr و درنهایت اصلاح سیستم rmr جهت توسعه مدلی جدید برای پیش‌بینی عملکرد tbm در سنگ است. بدین منظور داده‌های مربوط به 10 پروژه تونل‌سازی در شرایط زمین‌شناسی مختلف در یک پایگاه‌داده جمع‌آوری شده است و درنهایت با استفاده از الگوریتم‌های هوش مصنوعی، طبقه‌بندی rmrtbm با هدف پیش‌بینی عملکرد tbm در سنگ سخت پیشنهاد شده است. در rmrtbm به هر یک از پارامترهای ورودی بر اساس جدول و نمودار مربوطه، امتیازی تعلق می‌گیرد و مجموع امتیازات این پارامترها به‌صورت صفر تا صد، مقدار rmrtbm را تعیین می‌کند. سپس رده rmrtbm تعیین‌شده و با توجه به جدول ارائه شده، محدوده fpi توده‌سنگ، رده حفرپذیری، توصیف حفرپذیری و شرایط پایداری توده‌سنگ مسیر تونل پیش‌بینی می‌شود. این مدل در مراحل طراحی و برنامه‌ریزی پروژه‌های تونل‌سازی می‌تواند مفید واقع شود.

modification of rmr rock mass classification system for tbm performance prediction in various rock types

since various rock mass classification systems are the most commonly used methods in many rock engineering projects،they serve as a suitable approach for estimating tbm performance due to their global acceptance and the availability of effective parameters. comparing the most common rock mass classification systems،the rmr classification system demonstrates a better correlation with tbm penetration rate،which is attributed to its incorporation of uniaxial compressive strength (ucs) of rock as an input parameter. as the rmr classification system was developed for analyzing rock mass stability in tunnels and designing support systems،its input parameters ratings have been accordingly structured. it appears that by modifying the rating values of the input parameters and adjusting the internal weighting of each parameter،an optimized rmr can be achieved that aligns with the objective of this study—predicting tbm performance in hard rock. the objective of this study is to develop new relationships for estimating tbm performance in various rock types based on the input parameters of the rmr system and،ultimately،to adjust the rmr system to establish a new model for predicting tbm performance in rock. to this end،data from 10 tunneling projects under different geological conditions were collected in a database. finally،using artificial intelligence algorithms،the rmrtbm classification is proposed with the aim of predicting tbm performance in hard rock. in rmrtbm،each input parameter is assigned a rating based on the relevant tables and charts،and the sum of these ratings،on a scale of 0 to 100،determines the rmrtbm value. the corresponding rmrtbm category is then identified،and based on the provided table،the rock mass fpi range،excavability class،excavability description،and tunnel stability conditions are predicted. this model can be useful during the design and planning stages of tunneling projects.