ﭘﯿﺶ ﺑﯿﻨﯽ ﻋﻤﻠﮑﺮد ﻣﺎﺷﯿﻦ ﺣﻔﺎر ﺑﺎزوﯾﯽ در ﺣﻔﺮ ﺗﻮﻧﻞ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﮐﺮم ﺷﺐ ﺗﺎب و اﻟﮕﻮرﯾﺘﻢ ﻣﺒﺘﻨﯽ ﺑﺮ آﻣﻮزش و ﯾﺎدﮔﯿﺮي- ﻣﻄﺎﻟﻌﻪ ﻣﻮردي

Predicting the performance of roadheader in tunnel excavation using teaching learning based optimization algorithm and firefly algorithm-A case study

ماشين حفار بازويي از آن دسته از ماشين هايي مي باشند كه قابليت حفاري بالايي در سنگ هايي با مقاومت كم تا متوسط را دارا مي باشند. از اين رو به طور گسترده در حفريات زيرزميني مورد استفاده قرار مي گيرند. تخمين عملكرد ماشين حفار بازويي يكي از موضوعات اصلي و مهم در تخمين تقريبي زمان اتمام پروژه و همچنين هزينه هاي پروژه به حساب مي آيد. به همين منظور هدف از نگارش اين مقاله پيشنهاد مدل هاي پيش بيني هوشمند براي تخمين عملكرد ماشين حفار بازويي بوسيله ي دو روش هوشمند الگوريتم كرم شب تاب (FA) و الگوريتم مبتني بر آموزش و يادگيري (TLBO) و با استفاده از يك پايگاه داده (يك مطالعه موردي) است. در اين مدل ها از مقادير واجهشي چكش اشميت و شاخص كيفيت توده سنگ (RQD) به عنوان پارامترهاي ورودي و از نرخ برش ماشين حفار بازويي به عنوان پارامتر خروجي استفاده شده است. در پايان براي ارزيابي دقت مدل ها و مدلسازي از شاخص هاي ضريب همبستگي مربع (R2)، شمول واريانس (VAF)، جذر ميانگين خطاي مربع (RMSE) و ميانگين خطاي مربع (MSE) استفاده شده است. با توجه به نتايج بدست آمده در اين مقاله و همچنين اعتبارسنجي مدل ايجاد شده، مقادير پيش بيني عملكرد ماشين حفار بازويي توسط الگوريتم هاي بهينه سازي مبتني بر آموزش و يادگيري و كرم شب تاب با مقادير واقعي بسيار نزديك بوده و از خطاي كمي برخوردار است. بنابراين از مدل ايجاد شده مي توان براي عملكرد ماشين حفار بازويي در شرايط زمين شناسي مشابه ديگر استفاده كرد.

Roadheader machine is one of those machines that have high drilling capability in rocks with low to medium strength. Hence they are widely used in underground excavations. Estimating the performance of roadheader machine is one of the main and important issues in estimating the approximate project completion time as well as project costs. Therefore, the purpose of this paper is to propose intelligent forecasting models for estimating the performance of roadheader machine by two intelligent methods (the firefly algorithm (FA) and the Teaching-learning based optimization algorithm (TLBO)) and using a database (a case study). Is. In these models, the Schmidt hammer rebound values and the rock quality degree (RQD) are used as input parameters and the cutting rate of the roadheader is used as the output parameter. Finally, to evaluate the accuracy of the models and modeling, the indices of square correlation coefficient (R2), variance account for (VAF), root mean square error (RMSE) and mean square error (MSE) have been used. The results indicated that the two models have strong potentials to estimate roadheader performance with high degrees of accuracy and robustness