توضیحات
خلاصه
ماشین هاي حفار تمام مقطع از مهمترین ماشین هاي حفاري در تونل ها و فضاهاي زیرزمینی به شمار میروند. به دلیل قیمت بالاي ماشین ارزیابی عملکرد در این روش حفاري از اهمیت ویژه اي برخوردار است. بدین منظور مهمترین شاخص ارزیابی عملکرد ماشین حفر تونل نرخ نفوذ این دستگاه میباشد. روش هاي متنوعی براي پیش بینی نرخ نفوذ وجود دارد که می توان به سه دسته روش هاي تحلیلی، آماري و هوش مصنوعی تقسیم بندي نمود. روش هاي رگرسیون خطی چند متغیره( از زیر مجموعه هاي روش آماري) و سیستم استنتاج تطبیقی فازي عصبی ( از زیرمجموعه هاي روش هاي هوش مصنوعی) دو رویکرد با کارایی بالا در مدل سازي و تشخیص الگو در داده ها می باشند. در این تحقیق با به کار گیري روش رگرسیون خطی و سیستم استنتاج تطبیقی فازي عصبی به پیش بینی نرخ نفوذ ماشین حفر تونل براي تونل انتقال آب کوئینز در نیویورك پرداخته است. نتایج نشان از آن دارد که مدل استخراج شده از متدولوژي سیستم استنتاج تطبیقی فازي عصبی داراي ضریب همبستگی 0/98و روش رگرسیون خطی چند متغیره داراي ضریب همبستگی 0/62میباشد.
مقدمه
حفاري با استفاده از ماشین هاي حفاري تمام مقطع ،(Tunnel Boring Machine) یکی از روش هاي مرسوم در حفر تونل هاي معدنی و عمرانی است. هزینه هاي بالاي مورد نیاز براي خرید دستگاه، راه اندازي و نگهداري از مهمترین مواردي هستند که در هنگام انتخاب آن باید مورد توجه قرار گیرند. لذا انتخاب سیستم حفاري جهت آماده سازي معدن سهم بسزایی بر روي مطالعات فنی و اقتصادي خواهد داشت. مهمترین شاخص ارزیابی عملکرد TBMنرخ نفوذ این دستگاه میباشد. براي پیش بینی کردن نرخ نفوذ TBMروش هاي متنوعی وجود دارند که می توان در سه دسته تقسیم بندي نمود؛ روش هاي تجربی , روش هاي آماري و روش هاي هوش مصنوعی. به خاطر اهمیت همین موضوع تا به حال مطالعات مختلفی بر روي پیش بینی نرخ نفوذ صورت گرفته است. و دیگران (2010)با استفاده از مدل (Rock mass rating) RMRمدلی براي پیش بینی اجراي TBMتحت شرایط سنگ سخت را مورد بررسی قرار دادند (2007) Gong & Zhao . تاثیر شکنندگی سنگ را بر روي نرخ نفوذ TBMرا آنالیز کردند .(2008) Yagiz با استفاده از مدل رگرسیون به پیش بینی نرخ نفوذ TBMپرداخت. Sapigni و دیگران (2002) به پیش بینی اجراي TBMبا استفاده از طبقه بندي توده سنگ پرداختند. رمضان زاده و دیگران (1382)مدل هاي پیش بینی اجراي TBMرا مورد بررسی قرار دادند.
ABSTRACT
All-round digging machines are among the most important digging machines in tunnels and underground spaces. Due to the high price of the machine, performance evaluation in this method is very important for drilling. For this purpose, the most important indicator of the performance of the tunnel machine is the penetration rate of the machine. There are various ways to predict the penetration rate, which can be divided into three groups of analytical, statistical and artificial intelligence methods. Multivariate linear regression (from the subsystems of the statistical method) and the fuzzy adaptive inference system (from the subsets of artificial intelligence methods) are two high-performance approaches in modeling and pattern recognition in the data. In this study, using the linear regression and non-fuzzy adaptive inference system to predict the penetration rate of the tunneling machine for the Queens Water Transfer Tunnel in New York City. The results indicate that the extracted model has a correlation coefficient of 0.98 and a multivariate linear regression method with a correlation coefficient of 62.0.
INTRODUCTION
Drilling using all-section drilling machines (Tunnel Boring Machine) is one of the most commonly used methods for excavating mineral and construction tunnels. The high costs needed to buy a device, start up and maintain are the most important things that should be considered when choosing it. Therefore, the choice of drilling system to prepare the mine will have a significant impact on technical and economic studies. The most important performance evaluation indicator for TBM is the penetration rate of this device. To predict the TBM penetration rate, there are a variety of methods that can be categorized into three categories: empirical methods, statistical methods, and artificial intelligence methods. Due to the importance of this issue, various studies have been carried out on the prediction of penetration rates. And others (2010), using the Rock mass rating (RMR), examined a model for predicting the implementation of TBM under hard rock conditions (2007) Gong & Zhao. Analyze the impact of rock fragility on the TBM penetration rate (2008). Yagiz used a regression model to predict the TBM penetration rate. Sapigni et al. (2002) predicted the implementation of TBM using rock mass classification. Ramezanzadeh and others (2003) examined the models for predicting the implementation of TBM.
Year: 2011
Publisher : Sixth National Congress on Civil Engineering
By : Abdolreza Yazdani Chmoseini , Seyyed Mohammad Hashemi Rizi , Mohammad Hossein Basiri
File Information: English Language/ 8 Page / size: 1.240 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1390
ناشر : ششمین کنـگره ملی مهنـدسی عمـران
کاری از : عبدالرضا یزدانی چمزینی ، سید محمد هاشمی ریزي ، محمد حسین بصیري
اطلاعات فایل : زبان فارسی / 8 صفحه / حجم : KB 1,240
نقد و بررسیها
هنوز بررسیای ثبت نشده است.