en پیش‌بینی نشست سطحی ناشی از حفر تونل با استفاده از شبکه های عصبی مصنوعی؛ مطالعۀ موردی: تونل متروی مشهد ژئوتکنیک (مکانیک خاک و سنگ) Geotecnic مقاله پژوهشی Original Research <strong><span dir="RTL" lang="AR-SA" style="font-size: 11pt; font-family: 'B Lotus'; font-weight: normal;">هنگام حفر تونل در فضاهای شهری، جلوگیری از آسیب و تخریب سازه&shy;های مجاور اهمیت ویژه‌ای دارد. برای کاهش این آسیب&shy;ها باید از نشست سطحی زمین جلوگیری کرد. در سال&shy;های اخیر بررسی‌های گسترده&shy;ای در زمینۀ پیش&shy;بینی 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، پیش&shy;بینی شده است. برای ساخت مدل&shy; شبکه&shy;های عصبی از داده&shy;های به&shy;دست آمده از حفر تونل خط 2 متروی مشهد استفاده شده است. نتایج نشان داد که شبکه عصبی پیش&shy;خور 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</span></strong><span class="apple-converted-space"><b><span dir="RTL" lang="AR-SA" style="font-size: 11pt; font-family: 'Times New Roman', serif;">&nbsp;</span></b></span><strong>^{<span dir="RTL" lang="AR-SA" style="font-size: 11pt; font-family: 'B Lotus'; font-weight: normal;">4-</span>}</strong><strong><span dir="RTL" lang="AR-SA" style="font-size: 11pt; font-family: 'B Lotus'; font-weight: normal;">10&times;41/2 است. هم‌چنین نتایج نشان داد که این شبکۀ عصبی آموزش دیده شده می&shy;تواند برای پیش&shy;بینی نشست سطحی ناشی از حفر تونل به&shy;صورت موفقیت&shy;آمیزی استفاده شود.</span></strong><strong><span dir="RTL" lang="AR-SA" style="font-size: 11pt; font-weight: normal;">&nbsp;</span></strong> 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&nbsp;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. نشست سطحی, شبکۀ عصبی مصنوعی, تونل متروی مشهد, پیش‌بینی نشست Surface Settlement, Artificial Neural Network, Mashhad Subway Tunnel, Prediction of Settlement 135 158 http://jeg.khu.ac.ir/browse.php?a_code=A-10-1425-2&slc_lang=en&sid=1 حمید مهرنهاد Hmehrnahad@yazd.ac.ir 10031947532846004654 10031947532846004654 Yes دانشگاه یزد، دانشکدۀ مهندسی عمران مهدی خلق ذکرآباد 10031947532846004655 10031947532846004655 No دانشگاه یزد، دانشکدۀ مهندسی عمران