پيش‌بيني نرخ نفوذ ماشين تونلزني با استفاده از دسته بندي گروهي داده‌هاي شبكه عصبي

پيش‌بيني نرخ نفوذ ماشين حفر تونل (TBM) در سنگ‌هاي سخت از مهم‌ترين عوامل تاثيرگذار در برآورد هزينه و زمان اتمام حفاري تونل است. در اين پژوهش از شبكه عصبي دسته‌بندي گروهي داده‌ها (GMDH) براي پيش‌بيني نرخ نفوذ ماشين حفاري در قطعه جنوبي تونل انتقال آب كرمان استفاده شده است. پس از تشكيل پايگاه داده با استفاده از اطلاعات ژئومكانيكي توده‌سنگ و داده‌هاي عملكرد واقعي ماشين حفاري، ابتدا با انجام رگرسيون چندمتغيره خطي و غيرخطي همبستگي بين ده پارامتر مختلف بررسي شده و روابطي تجربي براي پيش‌بيني نرخ نفوذ ماشين توسعه داده شد. براي طراحي بهينه ساختار شبكه عصبي از الگوريتم ژنتيك چند هدفي در قالب بهينه‌سازي دو هدفي استفاده شد به طوري كه داده‌هاي ورودي به دو دسته آموزش (70 درصد داده‌ها) و پيش‌بيني (30 درصد داده‌ها) تقسيم و خطاي آموزش و خطاي پيش‌بيني نيز به عنوان دو تابع هدف انتخاب شد. پس از تعيين ساختار بهينه شبكه، تابع نرخ نفوذ ماشين حفاري به صورت چند جمله‌اي‌هاي چند لايه بر حسب چهار پارامتر با قويترين همبستگي با نرخ نفوذ يعني مقاومت فشاري توده‌سنگ، محتواي كوارتز، زاويه صفحات ناپيوستگي با راستاي تونل و نيروي قائم اعمالي بر هر تيغه برش ارايه شد. در اين مقاله از پارامتر تركيبي مقاومت فشاري توده‌سنگ استفاده شد كه ضمن كاهش تعداد پارامترهاي دخيل در مدل‌، منجر به ساده‌تر شدن آن شد. مقايسه مقادير خروجي مدل پيش‌بيني نرخ نفوذ با مقادير اندازه‌گيري شده ضريب همبستگي بالايي برابر 0.81 بدست مي‌دهد (ضريب ضريب همبستگي در مدل رگرسيون غيرخطي 0.6 است) كه نشان‌دهنده قابليت پيش‌بيني بسيار خوب اين شبكه است. بر خلاف ساير شبكه‌هاي عصبي كه خروجي آن‌ها اغلب به صورت جعبه سياه است، در مدل پيشنهادي خروجي نهايي به صورت تابع بازگشتي صريح بين ورودي‌ها و خروجي ارايه شد. اين ويژگي منحصر به فرد شبكه عصبي GMDH امكان استفاده مستقيم از روابط ارايه شده در ساير پروژه‌ها و يا تحقيقات آينده را فراهم مي‌سازد.