توسعه یک رابطه تجربی جدید بین سیستم‌های طبقه‌بندی توده‌سنگ Q و RMR

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی معدن، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

2 دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

چکیده

طبقه‌بندی توده‌سنگ یکی از معیارهای مهم و کاربردی در طراحی حفریات زیرزمینی و تخمین سیستم‌های نگهداری مربوطه است. دو سیستم Q و RMR از کاربردی‌ترین سیستم‌های طبقه‌بندی توده‌سنگ هستند که برای تعیین دقیق مقدار عددی آنها، بررسی‌های زمین‌شناسی و مطالعات مکانیک سنگی مختلف لازم می‌باشد. با توجه به اهمیت این دو سیستم طبقه‌بندی، پرهزینه و زمان‌بر بودن جمع‌آوری داده‌های لازم به‌منظور تعیین پارامترهای مورد نیاز برای محاسبه آنها، توسعه روابط تجربی معتبر بین دو سیستم مذکور ضروری است. در این تحقیق ابتدا بر اساس تحلیل آماری داده‌های اندازه‌گیری شده در تونل آب‌بر سد آزاد مریوان، روابط تجربی مختلفی به‌صورت خطی، چند جمله‌ای، نمایی، لگاریتمی و توانی بین دو سیستم Q و RMR ارائه شده است. سپس بر اساس شاخص ضریب تصمیم‌گیری، سطح معنی‌داری و آزمون فیشر (F) در تحلیل واریانس (ANOVA)، رابطه لگاریتمی به‌عنوان رابطه معتبر پیشنهاد شده است. رابطه پیشنهادی مشابه با رابطه بینیاوسکی می‌باشد با این تفاوت که در ضرایب آن اصلاحاتی به‌منظور محلی‌سازی رابطه و به‌دست آوردن نتایج بهتر انجام گرفته است. در نهایت، اعتبارسنجی نتایج حاصله با استفاده از شاخص‌های آماری نشان داد که دقت رابطه پیشنهادی در این تحقیق بالاتر از روابط قبلی بوده و تطابق آن با داده‌های واقعی بیشتر می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of a new empirical relation between RMR and Q rock mass classification systems

نویسندگان [English]

  • Mohammad Rezaei 1
  • Shima Latifi 2
1 Asistant Professor, Department of mining engineering, Faculty of engineering, University of Kurdistan, Sanandaj, Iran
2 Department of mining engineering, Faculty of engineering, University of Kurdistan, Sanandaj, Iran
چکیده [English]

Rock mass classification is one of the most important and practical criteria in designing of underground excavations and estimating the related support systems. RMR and Q classifications are the most utilized rock mass classification systems in which different geological surveys and rock mechanics studies have been required for precise determination of their numeric values. Considering the significance of these two classification systems, costly and time-consuming process of data collection in order to determine the required parameters to calculate these systems, development of valid relations between the above classification systems is essential. In this research, different empirical relations in the forms of linear, polynomial, exponential, logarithmic and power equations between the RMR and Q classification systems are firstly developed based on the measured data in the several parts of the Marivan Azad dam tailrace. Then, the logarithmic relation is proposed as the most precision and reliable empirical relation between the above classification systems based on the determination coefficient criterion, significance level and F-test in the ANOVA. Proposed relation is similar to the Bieniawski equation but some modifications have been made in its coefficients for localization and obtaining the better results. Finally, results verification using the evaluation performance indices showed that estimation accuracy of the proposed relation and its conformity with the measured values are better than those of the previous relations and has the higher conformity with the measured data.

کلیدواژه‌ها [English]

  • "Azad dam"
  • "Rock mass classification"
  • "Statistical analysis"
  • "Empirical relation"

شرکت بین­المللی استراتوس.، 1387. گزارش بررسی­های ژئوتکنیکی و تحلیل پایداری دیواره معدن مصالح سنگی (منبع قرضه) سد آزاد. تهران.

معینی رودبالی، ه.، کتیبه، ه.، گلابتونچی، ا.، 1390. تحلیل نشت مخزن ذخیره آب نیروگاه تلمبه ذخیره­ای سد آزاد و گزینش روش بهینه آب­بندی. نشریه مهندسی عمران امیرکبیر، دوره 4، شماره 2، صفحات 41-35.

Aalianvari, A., Katibeh, H., Sharifzadeh, M., 2010. A new approach for computing permeability of fault zones case study: the upper reservoir of Azad pumped-storage power station in Iran. Arch. Min. Sci. 55(3): 605–621.

Abad, J., Caleda, B., Chacon, E., Gutierrez, V., Hidlgo, E., 1984. Application of geomechanical classification to predict the convergence of coal mine galleries and to design their supports. In: 5th Int. Congress on Rock Mech, Melbourne, Australia, p. 15–19.

Barton, N., 2002. Some new Q-value correlations to assist site characteristics and tunnel design. Int. J Rock Mech. Min. Sci. 39: 185–216.

Barton, N., Lien, R., Lunde, J., 1974. Engineering classification of rock masses for the design of tunnel support. Rock Mech. 6(4): 189–236.

Bieniawski, Z.T., 1973. Engineering Classification of Jointed Rock Masses. South African Institution of Civil Engineers, Kelvin House, 75 Marshall Street Johannesburg, South Africa, p. 335-344.

Bieniawski, Z.T., 1989. Engineering Rock Mass Classifications. John Wiley & Sons, New York.

Cameron-Clarke, I.S., Budavari, S., 1981. Correlation of rock mass classification parameters obtained from bore core and insitu observations. Eng Geol. 17: 19–53.

 Castro-Fresno, D., Diego-Carrera, R., Ballester-Munoz, F., alvez-Garcia. J., 2010. Correlation between Bieniawski’s RMR and Barton’s Q Index in Low-Quality Soils. Revista de la Construcción, 9(1): 107-119.

ISRM., 2007. The Complete ISRM Suggested Methods for Rock Characterization, Testing and Monitoring: 1974-2006. Suggested Methods Prepared by the Commission on Testing Methods, International Society for Rock Mechanics, R. Ulusay and J.A. Hudson (Eds.), Compilation Arranged by the ISRM Turkish National Group, Ankara, Turkey.

Khoshjavan, S., Mazlumi, M., Rezai, B., Rezai, M. 2010. Estimation of hardgrove grindability index (HGI) based on the coal chemical properties using artificial neural networks. Orient j. chem. 26(4): 1271-1280.

Laderian, A., Abaspoor, M. A., 2012. The Correlation Between RMR and Q-systems in Parts of Iran. Tunn Undergr Sp Tech. 27: 149-158.

Milne, D., Hadjigeorgiou, J., Pakalnis, R.., 1989. Rock mass characterization for underground hard rock mines. Tunn Undergr Sp Tech. 13(40): 383–391.

Milne, D., Potvin, Y., 1992. Measurement of Rock Mass Properties for Mine Design. ISRM Symposium, Eurock '92, Thomas Telford, London, p. 245–250.

Moreno Tallon, E., 1980. Application de Las Classificaciones Geomechnicas a Los Tuneles de Parjares, II Cursode Sostenimientos Activosen galeriasy Tunnels. Foundation Gomez-Parto, Madrid (Singh and Goel, 1999).

Rezaei, M., Asadizadeh, M., Majdi, A., Hossaini, M. F., 2015. Prediction of representative deformation modulus of longwall panel roof rock strata using Mamdani fuzzy system. Int. J. Min. Sci. Technol. 25(1): 23-30.

Rutledge, J. C., Perston, R. L., 1978. Experience with engineering classifications of rock. In: Proc. Int. Tunnelling Sym, Tokyo, p. A3.1–A3.7.

Sayadi, A.R, Tavassoli, S.M.M., Monjezi, M., Rezaei, M., 2014. Application of neural networks to predict net present value in mining projects. Arab. J. Geosci. 7(3): 1067-1072.

Sayeed, I., Khanna, R., 2015. Empirical correlation between RMR and Q systems of rock mass classification derived from Lesser Himalayan and Central crystalline rocks. International Conference on Engineering Geology in New Millennium, New Delhi, India.

Singh, B., Goel, R.K., 1999. Rock Mass Classification, A Practical Approach for Civil Engineering. first ed. Elsevier Science, ISBN 0080430139.

Soufi, A., Bahi, L., Ouadif, L., Kissai, J.E., 2018. Correlation between Rock mass rating, Q-system and Rock mass index based on field data. MATEC Web of Conferences, 149, 02030: 1-7.

Tajeri, S., Sadrossadat, E., BolouriBazaz, J., 2015. Indirect estimation of the ultimate bearing capacity of shallow foundations resting on rock masses. Int. J Rock Mech. Min. Sci. 80: 107–117.

Zhang, L., 2004. Drilled Shafts in Rock Analysis and Design. A. A. Balkema Pub., Taylor & Francis Group Plc.