تخمین حفاری ویژه انفجار در تونلهای کوچک مقطع با استفاده از ماشین بردار پشتیبان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی معدن دانشگاه صنعتی ارومیه

2 دانشگاه صنعتی ارومیه

3 گروه مهندسی معدن، دانشگاه صنعتی همدان

چکیده

روش سنتی چالزنی و انفجار با توجه به انعطاف پذیری زیاد آن، مناسب ترین انتخاب به منظور حفاری تونل‌های کوتاه و مقاطع متغیر می باشد. یکی از پارامترهای مهم در طراحی و اجرای الگوهای آتشکاری تونل‌، تعیین حفاری ویژه آن است؛ حفاری ویژه، به متراژ حفاری لازم برای حفر واحد حجم سنگ اطلاق می شود؛ ارائه ی مدل مناسب تخمین حفاری ویژه در تکمیل طراحی الگوی چالزنی و انفجار و در کنترل و مدیریت پروژه حایز اهمیت است. در تحقیق حاضر بر مبنای نتایج ثبت شده از 41 سری داده مربوط به حفر چهار رشته تونل در کشور هند، اقدام به مدل سازی تخمین حفاری ویژه صورت گرفته است؛ برای این منظور از رگرسیون چند متغیره خطی و الگوریتم ماشین بردار پشتیبان مبتنی بر تابع کرنل چندجمله ای ساده، به عنوان ابزارهای کاربردی استفاده شده است. در مدلسازی پیشنهادی، شاخص کیفیت توده سنگ، سرعت امواج طولی در سنگ، سطح مقطع تونل، ماکزیمم طول چال‌ انفجاری و شاخص جفت شدگی چال انفجاری، به عنوان پارامترهای مستقل (ورودی مدل) در نظر گرفته شده‌اند. نتایج مدلسازی عملکرد ماشین بردار پشتیبان، با حداقل خطا را تائید میکند؛ مقادیر ضریب تعیین R2 برای هردو سری داده آموزش و آزمون ماشین بردار پشتیبان، برابر 0/98 بدست آمده است؛ این ضریب برای رگرسیون خطی نیز برابر 0/91 حاصل شده است. علی رغم برتری نسبی ماشین بردار پشتیبان، نتایج روش رگرسیون نیز کارا بوده و رابطه‌ی‌ مبتنی بر آن نیز به عنوان یک گزینه ی دردسترس پیشنهاد می شود.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Specific Drilling in Small Tunnel by Using SVM

نویسندگان [English]

  • Aref Alipour 1
  • Mojtaba Mokhtarian-Asl 2
  • Mostafa Asadizadeh 3
1 Mining Engineering Urmia University of Technology
2 Faculty of Mining and Metallurgical Engineering, Urmia University of Technology, Urmia, P.O. Box 57166-17165, Iran
3 Hamedan university of Technology
چکیده [English]

Drilling and Blasting method is the controlled use of explosives to break rocks for excavation. It is practiced most often in mining and civil engineering. Basically short tunnels are usually constructed by drilling and blasting method. The value of specific drilling in tunnel blasting processes considerably affects the efficiency of the blasting. Specific drilling affects costs of drilling and blasting, specific charge, fragmentation size, muck pile shape, over break profile shape. In this paper, we present an application of Support Vector Machine (SVM) to the calculation of the specific drilling for small size tunnel blasting. Certain small size tunnel blast tests in four case studies have been used to present the SVM-based model. Among available existing parameters in the literature, some of the most influencing parameters are selected. These models are based on seismic wave velocity (P-wave), Rock Quality Designation (RQD), coupling ratio of explosive charge, maximum depth of blast hole and tunnel area. Evaluation of the numerical measures of the goodness of the statistical fit clearly indicated that corresponding SVM model is more acceptable than multiple linear regression model for estimating specific drilling.

کلیدواژه‌ها [English]

  • Tunnel
  • Drilling and Blasting
  • Specific Drilling
  • Support Vector Machine
Alipour, A. , A. Jafari, and S. M. F.  Hossaini, 2012, Application of ANNs and MVLRA for Estimation of Specific Charge in Small Tunnel, International Journal of Geomechanics, 12 (2):189-192. doi: doi:10.1061/(ASCE)GM.1943-5622.0000125.
Chakraborty, A. K., and J. L. Jethwa, 1994, Tunnel blasting techniques in difficult ground conditions,  Geotechnical & Geological Engineering, 12 (4):219-239. doi: 10.1007/bf00427054.
Chakraborty, A. K., J. L. Jethwa, and B. B. Dhar, 1997, Predicting powder factor in mixed-face condition: development of a correlation based on investigations in a tunnel through basaltic flows,  Engineering Geology, 47 (1):31-41. doi: https://doi.org/10.1016/S0013-7952(96)00117-2.
Chakraborty, A. K., P. Pal Roy, J. L. Jethwa, and R. N. Gupta, 1998, Blast performance in small tunnels - a critical evaluation in underground metal mines, Tunnelling and Underground Space Technology, 13 (3):331-339. doi: https://doi.org/10.1016/S0886-7798(98)00059-5.
Chakraborty, A. K., A. K. Raina, M. Ramulu, P. B. Choudhury, A. Haldar, P. Sahoo, and C. Bandopadhyay, 2004, Development of rational models for tunnel blast prediction based on a parametric study, Geotechnical & Geological Engineering 22 (4):477-496. doi: 10.1023/B:GEGE.0000047042.90200.a8.
Cortes, Corinna, and Vladimir Vapnik. 1995, Support-vector networks,  Machine learning, 20 (3):273-297.
Cristianini, Nello, and John Shawe-Taylor, 2000, An introduction to support vector machines and other kernel-based learning methods, Cambridge university press.
Dibike, Yonas B, Slavco Velickov, Dimitri Solomatine, and Michael B Abbott, 2001, Model induction with support vector machines: introduction and applications,  Journal of Computing in Civil Engineering, 15 (3):208-216.
Du Pont, EI, 1977,Blasters handbook,  Du Pont Tech Serv Section, Explosives Product Div., Wilmington.
Goh, Anthony T. C., and S. H. Goh, 2007, Support vector machines: Their use in geotechnical engineering as illustrated using seismic liquefaction data, Computers and Geotechnics, 34 (5):410-421. doi: https://doi.org/10.1016/j.compgeo.2007.06.001.
Hagan, TN, 1992, Safe and cost-efficient drilling and blasting for tunnels, caverns, shafts and raises in India,  Proc. of a Workshop on Blasting Technology for Civil Engineering Projects.
Hall, Mark, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, and Ian H Witten, 2009, The WEKA data mining software: an update,  ACM SIGKDD explorations newsletter, 11 (1):10-18.
Jimeno, E Lopez, C Lopez Jimino, and Ayala Carcedo, 1995, Drilling and blasting of rocks, CRC Press.
Jong, Yong-Hun, and Chung-In Lee, 2004, Influence of geological conditions on the powder factor for tunnel blasting,  International Journal of Rock Mechanics and Mining Sciences, 41:533-538. doi: https://doi.org/10.1016/j.ijrmms.2004.03.095.
Kahriman, A., Ş G. Özkan, Ö L. Sül, and A. Demirci. 2001, Estimation of the powder factor in bench blasting from the Bond work index,  Mining Technology, 110 (2):114-118. doi: 10.1179/mnt.2001.110.2.114.
Khandelwal, M., P. K. Kankar, and S. P. Harsha. 2010, Evaluation and prediction of blast induced ground vibration using support vector machine, Mining Science and Technology (China), 20 (1):64-70. doi: https://doi.org/10.1016/S1674-5264(09)60162-9.
Langefors, Ulf, and Björn Kihlström, 1978, The modern technique of rock blasting, Wiley.
Latham, J. P., and Ping Lu, 1999, Development of an assessment system for the blastability of rock masses,  International Journal of Rock Mechanics and Mining Sciences, 36 (1):41-55. doi: https://doi.org/10.1016/S0148-9062(98)00175-2.
Lilly, Peter, 1986, An empirical method of assessing rock mass blastability,  The Aus.
Longjun, Dong, Li Xibing, Xu Ming, and Li Qiyue, 2011, Comparisons of Random Forest and Support Vector Machine for Predicting Blasting Vibration Characteristic Parameters,  Procedia Engineering, 26:1772-1781. doi: https://doi.org/10.1016/j.proeng.2011.11.2366.
Olofsson, Stig O., 1990, Applied explosives technology for construction and mining, Applex.
Person, P-A, Roger Holmberg, and Jaimin Lee, 1995, Rock blasting and explosives engineering, International Journal of Rock Mechanics and Mining Sciences and Geomechanics Abstracts.
Pesaran, Bahram, and M Hashem Pesaran, 2010, Time series econometrics using Microfit 5.0, A user's manual: Oxford University Press, Inc.
Pokrovskiı̆, Nikolaĭ Mikhaĭlovich, 1980, Driving Horizontal Workings and Tunnels: Underground Structures and Mines, Construction Practices, Mir Publishers.
Shi, Xiu-zhi, Jian Zhou, Bang-biao Wu, Dan Huang, and Wei Wei, 2012, Support vector machines approach to mean particle size of rock fragmentation due to bench blasting prediction,  Transactions of Nonferrous Metals Society of China, 22 (2):432-441. doi: https://doi.org/10.1016/S1003-6326(11)61195-3.
Smola, Alex J, and Bernhard Schölkopf, 2004, A tutorial on support vector regression,  Statistics and computing, 14 (3):199-222.
Üstün, B., W. J. Melssen, and L. M. C. Buydens, 2006, Facilitating the application of Support Vector Regression by using a universal Pearson VII function based kernel,  Chemometrics and Intelligent Laboratory Systems, 81 (1):29-40. doi: https://doi.org/10.1016/j.chemolab.2005.09.003.
Widzyk-Capehart, E., and P. Lilly, 2002, A Review of General Considerations for Assessing Rock Mass Blastability and Fragmentation,  Fragblast 6 (2):151-168. doi: 10.1076/frag.6.2.151.8667.
Yu, Hwanjo, and Sungchul Kim. 2012, SVM tutorial—classification, regression and ranking, In Handbook of Natural computing, 479-506. Springer.
Zou, Dingxiang, 2017, Mechanisms of Rock Breakage by Blasting, In Theory and Technology of Rock Excavation for Civil Engineering, 205-233. Springer.