اصلاح مدل CSM برای پیش‌بینی نرخ نفوذ ماشین حفر تونل در سنگ‌های درزه‌دار با استفاده از داده‌های حاصل از پروژه‌های تونل‌سازی در ایران

کد مقاله : 1106-NIEGC2025

نویسندگان

فاطمه زارعی * خیر

چکیده مقاله

مدل CSM به‌عنوان یکی از پرکاربردترین مدل‌های تجربی در پیش‌بینی عملکرد TBM شناخته می‌شود، اما در برخورد با توده سنگ‌های درزه‌دار از دقت کافی برخوردار نیست. هدف این پژوهش، ارزیابی میزان دقت مدل CSM در پروژه‌های تونل‌سازی ایران و بهبود آن با بهره‌گیری از شاخص‌های ژئوتکنیکی - زمین‌شناسی مهندسی و الگوریتم‌های یادگیری ماشین است. در این مطالعه، داده‌های مربوط به سه پروژه‌ی تونل انتقال آب کرج، زاگرس و قمرود گردآوری شد. پس از محاسبه‌ی نرخ نفوذ با مدل CSM و مقایسه‌ی نتایج آن با داده‌های واقعی، دو شاخص RQD و GSI به‌عنوان مهم‌ترین پارامترهای توده سنگ تأثیرگذار بر نرخ نفوذ ماشین حفار انتخاب گردید. داده‌ها پس از پاک‌سازی و نرمال‌سازی، در مدل‌های ترکیبی به کار گرفته شدند. سه الگوریتم شامل شبکه‌ی عصبی پیش‌خور با روش SCG، ماشین بردار پشتیبان بهینه‌سازی شده با PSO و الگوریتم XGBoost بهینه‌سازی شده با PSO مورداستفاده قرار گرفتند. نتایج نشان داد که مدل اولیه CSM در شرایط موردبررسی دقت پایینی دارد، بااین‌حال، افزودن شاخص RQD موجب افزایش چشمگیر دقت پیش‌بینی شد و افزودن GSI نیز بهبود خوبی ایجاد کرد. در میان الگوریتم‌ها، مدل PSO-SVM بالاترین دقت را ارائه داد، درحالی‌که PSO-XGBoost پایداری بیشتری در کل داده‌ها نشان داد. به‌طورکلی یافته‌های این پژوهش بیانگر آن است که مدل CSM در حالت اولیه برای شرایط سنگ‌های درزه‌دار ناکافی است و افزودن شاخص‌های RQD و GSI به همراه به‌کارگیری الگوریتم‌های یادگیری ماشین، می‌تواند دقت پیش‌بینی نرخ نفوذ TBM را به طور قابل‌توجهی ارتقا دهد.

کلیدواژه ها

حفاری مکانیزه، نرخ نفوذ، مدل CSM، یادگیری ماشین، GSI، RQD

وضعیت: پذیرفته شده برای ارائه شفاهی