| کاربرد هوش مصنوعی (AI) در پیشبینی و مدیریت اثرات ورود آب زیرزمینی در پروژههای تونلسازی |
| کد مقاله : 1042-NIEGC2025 |
| نویسندگان |
|
بهار مزارعی *1، مسعود مرسلی2 1دانشجوی کارشناسی ارشد آبزمینشناسی، گروه زمینشناسی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران 2استادیار، گروه زمین شناسی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران |
| چکیده مقاله |
| با گسترش ساختوسازهای زیرزمینی در شهرها، تونلسازی با ماشین حفار (TBM) به دلیل محدودیت فضاهای سطحی اهمیت زیادی پیدا کرده است. تونلسازی در محیطهای ژئوتکنیکی پیچیده، بهویژه در مناطق غنی از آب مانند کارست با چالشهای جدی مانند هجوم آب (Water Inrush) و افت سطح آبزیرزمینی (GWL) مواجه بوده که میتوانند منجر به عواقب زیستمحیطی (مانند تخریب پوشش گیاهی) و ناپایداری سازه (مانند نشست و ریزش) شوند. روشهای تحلیلی سنتی، بهویژه در محیطهای کارستی با وجود جریان غیر-دارسی (Non-Darcy Flow)، دقت لازم برای پیشبینی را ندارند. هدف این مقاله؛ مرور نظاممند کاربرد هوشمصنوعی (AI) و یادگیری ماشین (ML) در پیشبینی و مدیریت اثرات ورود آب زیرزمینی در پروژههای تونلسازی و چالشهای استفاده ازآنها میباشد. فرایند شناسایی مقالات براساس چارچوب PRISMA 2020 و غربالگری تخصصی صورت گرفتهاست. در پروسه غربالگری، از 50 مقاله اولیه 19مقاله منطبق با معیارهای پژوهش انتخاب شد. نتایج حاکی از عملکرد برتر مدلهای هوشمصنوعی، بهویژه یادگیری عمیق و مدلهای ترکیبی نسبت به روشهای آماری را نشان میدهد. توانایی مدلها در شناسایی الگوهای پیچیده و روابط غیرخطی از نقاط قوت آنها میباشد. همچنین میزان ضریب تعیین بدست آمده (R^2 ,Root Mean Square Error ) از مدل بهنه سازی شده BO-XGBoost، دقت بالای مدل را برای پیشبینی هجوم آب (Water Inrush) به تونلها را نشان میدهد. نتایج نشان میدهد هوشمصنوعی، راهکاری مؤثر برای غلبه بر چالشهای موجود ازجمله مدیریت ریسک و توسعه سیستمهای پیشرفته در تونلسازی آینده میباشد. |
| کلیدواژه ها |
| هوش مصنوعی ، یادگیری ماشین ، تونلسازی ، سطح آب زیرزمینی، هجوم آب |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |