انجمن زمین شناسی مهندسی ایران زمین شناسی مهندسی ایران 2228-5245 16 4 2024 07 22 Predicting the penetration rate of TBM in Cretaceous limestone of the south of Tehran by machine learning method پیش‌بینی نرخ نفوذ ماشین حفر تونل در سنگ‌آهک کرتاسه جنوب تهران به‌روش یادگیری ماشین 51 70 177744 FA آمنه دردشتی دانشگاه اصفهان رسول اجل لوئیان استاد گروه زمین شناسی، گرایش زمین شناسی مهندسی دانشگاه اصفهان 0000-0001-9770-1695 جمال رستمی استاد دانشکده معدن Colorado School of Mines، کلرادو، آمریکا جعفر حسن‌پور عضو هیات علمی گروه زمین‌شناسی، دانشکده علوم پایه، دانشگاه تهران 0000-0002-6909-2439 علیرضا سلیمی دکترای مهندسی ژئوتکنیک/تونل زنی و مهندسی سنگ در FELDHAUS Bergbau GmbH & Co. KG، مونیخ، آلمان Journal Article 2022 07 23 Much research has been done so far in predicting the performance of tunnel boring machines in rock, but previous studies have often been conducted in conditions where chipping is the dominant mode, and machine performance prediction models have also been developed in these conditions. When, for any reason, the thrust force is not enough to penetrate the rock and the cutting is not complete, the efficiency of the existing models reduces, and new models should be provided for grinding conditions. In this study, the data obtained from the southern extension of Tehran subway Line 6 (SEL6), which part of its route was located in the Cretaceous limestone units and due to the insufficient disc cutter thrust, grinding was the dominant mode, was evaluated. The purpose of implementing different machine learning algorithms is to predict the penetration rate of cutterhead in studied limestone in grinding conditions. So, different linear and non-linear regression algorithms have been implemented and finally, the results have been compared. Since some of these algorithms are among the latest machine learning approaches, the prediction error is much less than in conventional regression methods. تاکنون تحقیقات زیادی در زمینه پیش‌بینی عملکرد ماشین حفر تونل در سنگ صورت‌گرفته است ولی مطالعات قبلی اغلب در شرایطی صورت‌گرفته‌اند که خردایش (Chipping) فرآیند غالب در حفاری بوده و مدل‌های پیش‌بینی عملکرد ماشین نیز در این شرایط توسعه یافته‌اند. در مواقعی که به هر دلیلی نیروی تراست دیسک کاتر برای نفوذ در سنگ کافی نباشد و خردایش کامل نشود، کارایی مدل‌های موجود کم می‌شود و بایستی مدل‌های جدیدی برای شرایط آسیاب‌کاری (Grinding) ارائه گردد. در این مطالعه داده‌های بدست‌آمده در حین اجرای تونل پروژه توسعه جنوبی خط 6 مترو تهران، که بخشی از مسیر آن در واحدهای سنگ آهک کرتاسه قرار داشته و به دلیل عدم کفایت نیروی تراست دیسک کاترها، آسیاب‌کاری فرایند غالب حفاری بوده است، مورد ارزیابی قرار گرفته است. هدف پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین برای پیش‌بینی پارامتر نفوذ کله حفاری در هر دور چرخش در شرایط آسیاب کاری در سنگ آهک مورد مطالعه ‌است. به همین منظور الگوریتم‌های مختلف رگرسیون خطی و غیرخطی پیاده‌سازی و درنهایت نتایج با هم مقایسه شده‌است. ازآن‌جا‌که تعدادی از این الگوریتم‌ها جزء جدیدترین رویکردهای یادگیری ماشین هستند، خطای پیش‌بینی بسیار کم‌تر از روش‌های مرسوم رگرسیون می‌باشد. https://www.jiraeg.ir/article_177744_8bcb8681ec8021064c7c87bcf24ff66f.pdf