دانشگاه خوارزمی زمین شناسی مهندسی 2228-6837 12 5 2018 12 22 Prediction of Tunnelling-Induced Surface Settlement with Artificial Neural Networks, Case Study: Mashhad Subway Tunnel پیش‌بینی نشست سطحی ناشی از حفر تونل با استفاده از شبکه های عصبی مصنوعی؛ مطالعۀ موردی: تونل متروی مشهد 135 158 10903 10.18869/acadpub.jeg.12.5.159 FA حمید مهرنهاد دانشگاه یزد، دانشکدۀ مهندسی عمران مهدی خلق ذکرآباد دانشگاه یزد، دانشکدۀ مهندسی عمران Journal Article 2018 08 18 In urban areas, it is essential to protect the existing adjacent structures and underground facilities from the damage due to tunneling. In order to minimize the risk, a tunnel engineer needs to be able to make reliable prediction of ground deformations induced by tunneling. Numerous investigations have been conducted in recent years to predict the settlement associated with tunneling; the selection of appropriate method depends on the complexity of the problems. This research intends to develop a method based on Artificial Neural Network (ANN) for the prediction of tunnelling-induced surface settlement. Surface settlements above a tunnel due to tunnel construction are predicted with the help of input variables that have direct physical significance. The data used in running the network models have been obtained from line 2 of Mashhad subway tunnel project. In order to predict the tunnelling-induced surface settlement, a Multi-Layer Perceptron (MLP) analysis is used. A three-layer, feed-forward, back-propagation neural network, with a topology of 7-24-1 was found to be optimum. For optimum ANN architecture, the correlation factor and the minimum of Mean Squared Error are 0.963 and 2.41E-04, respectively. The results showed that an appropriately trained neural network could reliably predict tunnelling-induced surface settlement. هنگام حفر تونل در فضاهای شهری، جلوگیری از آسیب و تخریب سازه­های مجاور اهمیت ویژه‌ای دارد. برای کاهش این آسیب­ها باید از نشست سطحی زمین جلوگیری کرد. در سال­های اخیر بررسی‌های گسترده­ای در زمینۀ پیش­بینی نشست سطحی زمین در اثر حفر تونل انجام شده است. انتخاب روش مناسب به عوامل مختلفی بستگی دارد. نشست سطحی ناشی از حفر تونل با کمک متغیرهای ورودی که تأثیر فیزیکی چشم‌گیری بر نشست دارند، پیش­بینی شده است. برای ساخت مدل­ شبکه­های عصبی از داده­های به­دست آمده از حفر تونل خط 2 متروی مشهد استفاده شده است. نتایج نشان داد که شبکه عصبی پیش­خور که با استفاده از الگوریتم پس انتشار خطا آموزش دیده است و دارای سه لایه با معماری 1-24-7 است، شبکۀ عصبی بهینه ایت. شبکۀ عصبی بهینه دارای ضریب هم‌بستگی و میانگین مربعات خطا برابر با 963/0 و 4-10×41/2 است. هم‌چنین نتایج نشان داد که این شبکۀ عصبی آموزش دیده شده می­تواند برای پیش­بینی نشست سطحی ناشی از حفر تونل به­صورت موفقیت­آمیزی استفاده شود. https://jeg.khu.ac.ir/article_10903_b4337d69a5afc0c2ff74d7c95065edf3.pdf