پيش‌بيني نرخ نفوذ TBM با استفاده از روش شبكه عصبي‌ مصنوعي(مطالعه موردي مترو تبريز)

Predicting of TBM penetration rate using the artificial neural networks (case study- Tabriz subway)

امروزه ماشين‎هاي تونل‎بري TBM‎ به‌طور وسيعي در حفر تونل‎ها به‌خصوص تونل‎هاي شهري استفاده مي‎شوند. اين ماشين‎ها بر اساس روش نگه‌داري سينه‌كار و ديواره‌هاي تونل، داراي انواع مختلفي هستند. يكي از انواع اين ماشين‌ها، سپرهاي تعادلي فشار زمين EPB2 است كه براي حفاري خط 1 متروي تبريز استفاده مي‌شود.. عوامل مختلفي نظير شرايط زمين‎شناسي، خصوصيات توده سنگ، شيب مسير و هم‌چنين مشخصات ماشين به‌كار رفته بر ميزان كارآيي اين ماشين‎ها تاثير مي‎گذارد. از راه‌هاي پيش‎بيني ميزان كارآيي اين ماشين‎ها، تخمين نرخ نفوذ آن‌ها است. در اين تحقيق ميزان نرخ نفوذ TBM در خط 1 متروي تبريز به‌وسيله شبكه عصبي مصنوعي پيش‌بيني گرديده است. پيش‌بيني اين پارامتر، كمك شاياني در انجام مراقبت و دقت بيش‌تر در برخورد با مناطق دردسرساز با دانستن زمان برخورد به اين مناطق و هم‌چنين استفاده از فشار EPB مناسب در آن‌ها مي‌كند. از نتايج مهم اين تحقيق مي‌توان به پيش‌بيني ميزان نرخ نفوذ با دقت قابل قبول و هم‌چنين تعيين پارامترهاي موثر به‌وسيله آناليز حساسيت صورت گرفته توسط شبكه عصبي اشاره كرد.

Tunnel boring machines (TBM) are widely used in excavating urban tunnels. These kinds of machines have different types based on supporting faces and tunnel walls. One type of these machines, is the Earth Pressure Balance (EPB) type that was used in excavating the Line 1 Tunnel of Tabriz Metro. Different parameters such as geological conditions, rock mass properties, dip and machine specifications affect the efficiency of the machine. One method of predicting the efficiency of these machines is to estimate their penetration rates. In this study the value of TBM penetration rates are predicted by an artificial neural network. Predicting of this parameter is so effective for conducting in high risk regions by understanding the time of facing to these regions. The main result of this study is to forecast the penetration rate with an acceptable accuracy and to determine the effective parameters through sensitivity analysis measured by an artificial neural network.