محمد رضائی

در این مقاله، هدف پیش‌بینی حداکثر نشست سطح زمین (Smax) ناشی از عملیات تونل‌سازی در محیط‌های کم عمق شهری با استفاده از دو الگوریتم‌ برنامه‌ریزی بیان ژن (GEP) و بیان چند ژنی (MEP) است. بدین منظور، 24 دسته داده مربوط به پروژه‌های مختلف تونل‌سازی مشتمل بر 9 پارامتر ورودی مؤثر بر Smax از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W)، قطر تونل (D)، مدول الاستیسیته خاک (E)، مقاومت برشی زهکشی نشده خاک (Cu)، ضریب فشار زمین (K0)، وزن مخصوص خاک (γ)، پارامتر گَپ (g) و عدد پایداری (N)، جمع‌آوری و بطور تصادفی به دو بخش آموزش و تست تقسیم شد. سپس، الگوریتم‌های GEP و MEP بر داده‌های مرحله آموزش اعمال و دو مدل ریاضی جدید برای پیش‌بینی Smax بدست آمد. در ادامه، از رگرسیون خطی چند متغیره (LMR) نیز برای پیش‌بینی Smax و مقایسه آن با مدل‌های GEP و MEP استفاده شد. به‌منظور اعتبارسنجی و مقایسه عملکرد مدل‌های پیشنهادی در مراحل آموزش و تست از دیاگرام تیلور، منحنی مشخصه خطای رگرسیون (REC) و 5 شاخص آماری شامل ضریب تعیین، شمول واریانس، شاخص a20-index، جذر میانگین مربعات خطا و خطای مطلق میانگین استفاده شد. نتایج بدست آمده بر مبنای دیاگرام تیلور، منحنی REC و شاخص‌های آماری نشان داد که هر دو مدل‌ هوش مصنوعی مبتنی بر تکامل به‌ویژه GEP، در مقایسه با مدل LMR عملکرد بهتری دارند و می‌توانند با دقت و قابلیت اطمینان بالاتر و خطای کمتر Smax را پیش‌بینی نماید. به‌علاوه، استفاده از آزمون‌های آماری ANOVA و t-test، نمودارهای پراکندگی و هیستوگرام خطا و نیز نمودار جعبه‌ای باقی‌مانده‌ها، پایداری و تعادل آماری مدل‌های GEP و MEP را تأیید کرده و نشان داد که مدل‌های توسعه‌یافته از دقت و قابلیت اطمینان مناسبی برخوردار هستند. همچنین، استفاده از باند اطمینان 95% برای بررسی عدم قطعیت مدل‌ها، نشان داد که بخش عمده‌ای از مقادیر واقعی در این بازه قرار دارند، که نشان‌دهنده توانایی بالای مدل‌ها در تعمیم به داده‌های جدید است. در نهایت، نتایج تحلیل اهمیت پارامترهای ورودی نشان داد که g، Cu و N به‌ترتیب مهمترین پارامترهای تأثیرگذار بر Smax هستند در حالی که γ و K0 کمترین تأثیر را بر Smax دارند.