كاربرد مدل هاي آماري و هوشمند به منظور تخمين نرخ پيشروي ماشين حفار EPB مطالعه موردي خط 2 متروي اصفهان

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

كارشناسي ارشد

امروزه ماشين‌‌هاي حفر تونل (TBM) به طور گسترده در پروژه‌‌هاي عمراني و حفر تونل‌‌هاي شهري استفاده مي‌‌شوند. اين ماشين‌‌ها بر اساس نوع سيستم نگهداري سينه‌‌كار، سيستم‌‌هاي حمل مواد حفر‌‌شده و حالت‌‌هاي كاري به انواع مختلفي تقسيم‌‌بندي مي‌‌شوند. يكي از پر استفاده‌‌ترين TBMها در زمين‌‌هاي نرم، TBMهاي نوع تعادل فشار زمين (EPB) مي‌‌باشد. به دليل افزايش قيمت و هزينه‌‌هاي بالاي حفاري، ارزيابي عملكرد اين ماشين‌‌ها از اهميت ويژه‌‌اي برخوردار است. در اين مطالعه به منظور بررسي و ارزيابي عملكرد ماشين حفار از پارامتر نرخ پيشروي استفاده شده است. همچنين براي بررسي و ارزيابي پارامترهاي مورد نياز جهت بررسي عملكرد ماشين حفار EPB در اين پژوهش، از پايگاه داده، شامل اطلاعات حفاري پروژه خط دو مترو اصفهان كه با استفاده از ماشين حفار EPB حفاري شده‌‌اند، استفاده شده است. بر اساس اين مجموعه پايگاه داده و نتيجه حاصل از بررسي مطالعات جمع‌‌آوري شده، مهم‌‌ترين پارامترهاي تأثيرگذار كه در طي فرآيند حفاري بر نرخ پيشروي شامل سرعت چرخش كله‌‌حفار (CR)، گشتاور كله‌‌حفار (CT)، نيروي پيشران (TF)، ميانگين فشار سينه‌‌كار (EPBavg)، سرعت چرخش حامل مارپيچي (SR)، نرخ تزريق فوم (FIR) مي‌‌باشند، كه براي ساخت و توسعه مدل‌‌هاي هوشمند به كار گرفته شدند. لذا به منظور پيش‌‌بيني ميزان نرخ پيشروي مدل‌‌ها با تكيه بر تكنيك‌‌هاي داده‌‌كاوي شامل الگوريتم درخت طبقه‌‌بندي و رگرسيوني (CART)، ماشين بردار پشتيبان (SVM)، شبكه عصبي مصنوعي (ANN) و جنگل تصادفي (RF) به منظور پيش‌‌بيني ميزان نرخ پيشروي (AR) توسعه يافته‌‌اند. لازم به ذكر است پايگاه داده مورد استفاده در اين پژوهش شامل 250 مورد داده مي‌‌باشد كه به صورت تصادفي به دو مجموعه داده آموزش و مجموعه داده آزمون تقسيم‌‌بندي شدند كه مجموعه داده آموزش (شامل 90 درصد كل داده‌‌ها يعني 225 مورد) براي ساخت و توسعه مدل‌‌ها به كار برده مي‌‌شود و مجموعه داده آزمون (شامل 10 درصد كل داده‌‌ها يعني 25 مورد) فقط براي ارزيابي دقت مدل‌‌ها مورد استفاده قرار مي‌‌گيرد. لذا با تكيه بر تكنيك‌‌هاي داده‌‌كاوي با استفاده از مجموعه داده آموزش، 4 مدل هوشمند براي پيش‌‌بيني نرخ پيشروي ماشين حفار EPB توسعه داده شدند. سپس به منظور بررسي دقيق‌‌تر و ارزيابي بهتر مدل‌‌هاي ارائه شده جهت پيش‌‌بيني نرخ پيشروي شاخص‌‌هاي آماري ضريب تعيين (R2)، مقادير آماري جذر ميانگين مربعات خطاي نرمال شده (NRMSE) و واريانس خطا (VAF) براي هر مدل با استفاده از مجموعه داده آزمون محاسبه شدند. سپس مقايسه نتايج شاخص‌‌هايR2، VAFوNRMSE نشان دادند كه مدل توسعه يافته به منظور پيش‌‌بيني نرخ پيشروي بر اساس الگوريتم LS-SVM نسبت به ساير مدل‌‌ها از دقت بيشتر و خطاي كمتري برخوردار است كه مقادير محاسبه شده R2، VAFوNRMSE به ترتيب برابر با 898/0، 028/89 و 063/0 است. در نهايت مقايسه بين مقادير پيش‌‌بيني شده و اندازه‌‌گيري شده نرخ پيشروي نشان دادند كه مدل‌‌هاي ارائه شده توانستند با خطايي كمتر از 10درصد نرخ پيشروي ماشين حفار EPB را پيش‌‌بيني كنند. شايان ذكر است با توجه به دقت بالاي پيش‌‌بيني نرخ پيشروي ، مدل‌‌هاي توسعه يافته مي‌‌توانند به عنوان مدل‌‌هاي كاربردي در صنعت حفاري مكانيزه نقش قايل توجهي ايفا كنند.

227363

استخراج

مهندسي معدن

دانشگاه صنعتي اصفهان