بهمن احمدی

پیش‌بینی نرخ نفوذ ماشین حفر تونل (TBM) در سنگ‌های سخت از مهم‌ترین عوامل تاثیرگذار در برآورد هزینه و زمان اتمام حفاری تونل می‌باشد. در این پژوهش از شبکه عصبی دسته‌بندی گروهی داده‌ها (GMDH) بمنظور پیش‌بینی نرخ نفوذ ماشین حفاری در قطعه جنوبی تونل انتقال آب کرمان استفاده شده است. پس از تشکیل پایگاه داده با استفاده ازاطلاعات ژئومکانیکی توده‌سنگ و داده‌های عملکرد واقعی ماشین حفاری، ابتدا با انجام رگرسیون چند متغیره خطی و غیرخطی همبستگی بین ده پارامتر مختلف بررسی شده و روابطی تجربی برای پیش‌بینی نرخ نفوذ ماشین توسعه داده شد. بمنظور طراحی بهینه ساختار شبکه عصبی از الگوریتم ژنتیک چند هدفی در قالب بهینه‌سازی دوهدفی استفاده شد بطوریکه داده‌های ورودی به دو دسته آموزش (70% داده‌ها) و پیش‌بینی (30% داده‌ها) تقسیم و خطای آموزش و خطای پیش‌بینی نیز به عنوان دو تابع هدف انتخاب شدند. پس از تعیین ساختار بهینه شبکه، تابع نرخ نفوذ ماشین حفاری بصورت چند جمله‌ای‌های چند لایه بر حسب چهار پارامتر با قویترین همبستگی با نرخ نفوذ یعنی مقاومت فشاری توده‌سنگ، محتوای کوارتز، زاویه صفحات ناپیوستگی با راستای تونل و نیروی قائم اعمالی بر هر تیغه برش ارائه گردید. در این مقاله از پارامتر ترکیبی مقاومت فشاری توده‌سنگ استفاده شد که ضمن کاهش تعداد پارامترهای دخیل در مدل‌، منجر به ساده‌تر شدن آن گردید. مقایسه مقادیر خروجی مدل پیش‌بینی نرخ نفوذ با مقادیر اندازه‌گیری شده ضریب همبستگی بالایی برابر 81/0 بدست می‌دهد (ضریب ضریب همبستگی در مدل رگرسیون غیرخطی 6/0 است) که نشان‌دهنده قابلیت پیش‌بینی بسیار خوب این شبکه است. بر خلاف سایر شبکه‌های عصبی که خروجی آنها اغلب بصورت جعبه سیاه می‌باشد، در مدل پیشنهادی خروجی نهایی بصورت تابع بازگشتی صریح بین ورودی‌ها و خروجی ارائه شد. این ویژگی منحصر به فرد شبکه عصبی GMDH امکان استفاده مستقیم از روابط ارائه شده در سایر پروژه‌ها و یا تحقیقات آینده را فراهم می‌سازد.