تعداد نشریات | 39 |
تعداد شمارهها | 1,115 |
تعداد مقالات | 8,121 |
تعداد مشاهده مقاله | 6,014,381 |
تعداد دریافت فایل اصل مقاله | 3,276,272 |
توسعه مدلی جامع بهمنظور ارزیابی میزان مصرف فوم و نرخ پیشروی در ماشین حفار EPB | ||
علوم و فنون سازندگی | ||
دوره 3، شماره 1 - شماره پیاپی 7، فروردین 1401، صفحه 41-56 اصل مقاله (1.01 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
وحید امیرکیایی* 1؛ سهراب داودی2 | ||
1کارشناس ارشد مکانیک سنگ، دانشگاه صنعتی اصفهان | ||
2دانشجو دکتری تکتونیک، دانشگاه علوم و تحقیقات | ||
تاریخ دریافت: 29 مرداد 1401، تاریخ پذیرش: 29 مرداد 1401 | ||
چکیده | ||
در این مطالعه بهمنظور بررسی و ارزیابی عملکرد ماشین حفار از پارامترهای نرخ پیشروی و میزان مصرف فوم بهمنظور بهسازی زمین استفادهشده است. جهت بررسی عملکرد ماشین حفار EPB در این پژوهش، از 4 مجموعه پایگاه داده، شامل اطلاعات حفاری پروژه خط یک مترو قم، پروژه خط یک مترو شیراز (تونل شرقی و غربی)، پروژه خط دو مترو اصفهان و پروژه خط یک مترو اصفهان که با استفاده از ماشین حفار EPB حفاریشدهاند، استفاده شد. بر اساس این مجموعه پایگاه داده مدلهایی با تکیهبر تکنیک های آماری شامل آنالیز رگرسیون (رگرسیون ساده، چند متغیره خطی (MLR) و غیرخطی (MNLR)) و الگوریتم حداقل مربعات ماشین بردار پشتیبان (LS-SVM) بهمنظور پیشبینی میزان مصرف عامل کفساز و نرخ پیشروی توسعه داده شدند. سپس بهمنظور بررسی دقیق تر و ارزیابی بهتر مدل های تجربی و هوشمند ارائهشده جهت پیش بینی میزان مصرف عامل کفساز و نرخ پیشروی شاخص های آماری ضریب تعیین (R2)، مقادیر آماری جذر میانگین مربعات خطای نرمال شده (NRMSE) و واریانس خطا (VAF) برای هر مدل توسعهیافته با استفاده از مجموعه داده های آزمون محاسبه شدند. مقایسه مقادیر محاسبهشده R2، VAF و NRMSE برای مدلهای توسعهیافته جهت پیش بینی میزان مصرف عامل کف ساز و نرخ پیشروی نشان دادند که مدل ارائهشده بر اساس الگوریتم LS-SVM نسبت به سایر مدل ها، دقت فراوانی در پیش بینی میزان مصرف عامل کفساز و نرخ پیشروی ماشین حفار EPB دارد که مقادیر شاخصهای R2، VAF و NRMSE برای مدل توسعهیافته جهت پیشبینی میزان مصرف فوم برابر با 945/0، 356/94 و 237/0 و برای مدل توسعهیافته جهت پیشبینی نرخ پیشروی برابر با 741/0، 071/74 و 149/0 می باشند. شایانذکر است با توجه بهدقت بالای پیشبینی میزان مصرف عامل کفساز (Qt) و نرخ پیشروی (AR)، مدلهای توسعهیافته بر اساس الگوریتم LS-SVM می توانند بهعنوان مدل های کاربردی در صنعت حفاری مکانیزه نقش قابلتوجهی ایفا کنند. | ||
کلیدواژهها | ||
حفاری مکانیزه؛ ماشین حفار EPB؛ آنالیز رگرسیون؛ نرخ پیشروی؛ میزان مصرف فوم | ||
مراجع | ||
B. Maidl, M, Herrenknecht, L, Anheuser, “Mechanized Shield Tunnelling”, Ernst and Sohn, ISBN: 3- 433-01292-X, 427 p, 1996.## JSCE, Japan Society of Civil Engineers, “Standard Specification for Tunnelling Shield Tunnels”, ISBN: 978-4-8106-0568-6, 270 p, 2006.## H. Copur, 2012. “Mechanical Excavation and Mechanization in Soft Ground” Graduate Class Notes. Istanbul Technical University, Mining Engineering Department, 2012.## S. Psomas, “Properties of foam/sand mixtures for tunnelling applications”, 2001.## D. Peila, A. Picchio, and A. Chieregato, “Earth pressure balance tunnelling in rock masses: Laboratory feasibility study of the conditioning process”, Tunnelling and Underground Space Technology, 35, 55-66, 2013.## M. Khosravi, K. Shahriar, M. Manjezi and M. Khosrotash, “Investigation of the relationship between bitumen injection of soil processing agent and penetration rate in TBM-EPB of Tehran Metro Line 7”, the first Asian conferences and the 9th National Tunnel Conference, 2012, (In persian). ##D. Peila, C, Oggeri, and R. Vinai, “Screw conveyor device for laboratory tests on conditioned soil for EPB tunneling operations.”, Journal of Geotechnical and Geoenvironmental Engineering, 133(12), 1622-1625, 2007.## H. Copur, E. Avunduk, D. Tumac, C, Balci, N. Bilgin, A.S. Mamaghani, S. Tolouei, G. Erkuş, S. Acun, and U. Ates, “Effect of Soil Conditioning on Performance of an EPB TBM: from Laboratory to MahmutbeyMecidiyekoy Metro Tunnels in Istanbul”, ITA-AITES- WORLD TUNNEL CONGRESS, 2018. ##E. Avunduk, and H. Copur, “Effect of Clogging on EPB TBM Performance: A Case Study in Akfirat Waste Water Tunnel, Turkey”, Geotechnical and Geological Engineering, 2019, 37(6), 4789-4801, 2019.## M.A. Grima, P.A. Bruines, and P.N.W. Verhoef, “Modeling tunnel boring machine performance by neuro-fuzzy methods” Tunnelling and underground space technology, 15(3), 259-269, 2000.## A.G. Benardos, and D.C. Kaliampakos, “Modelling TBM performance with artificial neural networks,” Tunnelling and Underground Space Technology, 19(6), 597-605, 2004.## K, Elbaz, S.L. Shen, A. Zhou, D.J. Yuan, and Y.S. Xu, “Optimization of EPB shield performance with adaptive neuro-fuzzy inference system and genetic algorithm”, Applied Sciences, 9(4), 780, 2019.## K. Elbaz, S.L. Shen, W.J. Sun, Z. Yin, and A. Zhou, “Prediction model of shield performance during tunneling with AI via incorporating improved PSO into ANFIS”, IEEE Access, 2020.## S. Mokhtari, and M.A. Mooney, “Predicting EPBM advance rate performance using support vector regression modeling”, Tunnelling and Underground Space Technology, 104, 103520, 2020. ##C. Cortes, and V. Vapnik, “Support-vector networks. Machine learning”, 20(3), 273-297, 1995. ## N. Cristianini, and J. Shawe-Taylor, “An introduction to support vector machines and other kernel-based learning methods”, Cambridge university press, 2000.## S. Aboutaleb, M. Behnia, R. Bagherpour, and B. Bluekian, “Using non-destructive tests for estimating uniaxial compressive strength and static Young’s modulus of carbonate rocks via some modeling techniques”, Bulletin of Engineering Geology and the Environment, 77(4), 1717-1728, 2018.##J.A. Suykens, T. Van Gestel, and J. De Brabanter, “Least squares support vector machines,” World scientific, 2002.## A. Seifi, “Developing of expert system to prediction of dailyevapotranspiration by support vector machine and compare results to ANN, ANFIS and experimental method”, M.Sc. Thesis, Department of WaterEngineering, Tarbiat Modarres University, Tehran, Iran, 2020.## M. Yurdakul, and H. Akdas, “Modeling uniaxial compressive strength of building stones using non-destructive test results as neural networks input parameters”, Construction and Building Materials, 47, 1010-1019, 2013. | ||
آمار تعداد مشاهده مقاله: 91 تعداد دریافت فایل اصل مقاله: 77 |