پیش بینی نرخ نفوذ ماشین تونلزنی با استفاده از دسته بندی گروهی داده های شبکه عصبی

پیش بینی نرخ نفوذ ماشین حفر تونل (TBM) در سنگ های سخت از مهم ترین عوامل تاثیرگذار در برآورد هزینه و زمان اتمام حفاری تونل است. در این پژوهش از شبکه عصبی دسته بندی گروهی داده ها (GMDH) برای پیش بینی نرخ نفوذ ماشین حفاری در قطعه جنوبی تونل انتقال آب کرمان استفاده شده است. پس از تشکیل پایگاه داده با استفاده از اطلاعات ژیومکانیکی توده سنگ و داده های عملکرد واقعی ماشین حفاری، ابتدا با انجام رگرسیون چندمتغیره خطی و غیرخطی همبستگی بین ده پارامتر مختلف بررسی شده و روابطی تجربی برای پیش بینی نرخ نفوذ ماشین توسعه داده شد. برای طراحی بهینه ساختار شبکه عصبی از الگوریتم ژنتیک چند هدفی در قالب بهینه سازی دو هدفی استفاده شد به طوری که داده های ورودی به دو دسته آموزش (70 درصد داده ها) و پیش بینی (30 درصد داده ها) تقسیم و خطای آموزش و خطای پیش بینی نیز به عنوان دو تابع هدف انتخاب شد. پس از تعیین ساختار بهینه شبکه، تابع نرخ نفوذ ماشین حفاری به صورت چند جمله ای های چند لایه بر حسب چهار پارامتر با قویترین همبستگی با نرخ نفوذ یعنی مقاومت فشاری توده سنگ، محتوای کوارتز، زاویه صفحات ناپیوستگی با راستای تونل و نیروی قایم اعمالی بر هر تیغه برش ارایه شد. در این مقاله از پارامتر ترکیبی مقاومت فشاری توده سنگ استفاده شد که ضمن کاهش تعداد پارامترهای دخیل در مدل ، منجر به ساده تر شدن آن شد. مقایسه مقادیر خروجی مدل پیش بینی نرخ نفوذ با مقادیر اندازه گیری شده ضریب همبستگی بالایی برابر 81/0 بدست می دهد (ضریب ضریب همبستگی در مدل رگرسیون غیرخطی 6/0 است) که نشان دهنده قابلیت پیش بینی بسیار خوب این شبکه است. بر خلاف سایر شبکه های عصبی که خروجی آن ها اغلب به صورت جعبه سیاه است، در مدل پیشنهادی خروجی نهایی به صورت تابع بازگشتی صریح بین ورودی ها و خروجی ارایه شد. این ویژگی منحصر به فرد شبکه عصبی GMDH امکان استفاده مستقیم از روابط ارایه شده در سایر پروژه ها و یا تحقیقات آینده را فراهم می سازد.