زمین شناسی مهندسی

زمین شناسی مهندسی

پیش‌بینی نشست زمین در تونل‌سازی مکانیزه با استفاده از مدل شبکه عصبی مصنوعی-الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی و انفیس مبتنی بر روش‌های خوشه‌بندی

نویسندگان
دانشگاه صنعتی اراک، استادیار دانشکده مهندسی معدن
چکیده
بیشینۀ نشست سطح زمین یکی از پارامترهای مهم در عملیات حفاری مکانیزه از نوع متعادل‌کنندۀ فشار زمین (EPB) است که قبل از حفاری باید تعیین شود. زمانی‌که مدل‌سازی بسیار پیچیده‌ می‌شود، روش‌های هوش مصنوعی به‌عنوان یک راه‌حل استفاده می‌شوند. این روش‌ها در ابتدا با استفاده از داده‌های واقعی آموزش می‌بینند و سپس به پردازش اطلاعات ناشناخته می‌پردازند. در این پژوهش برای پیش­بینی نشست زمین در تونل‌سازی مکانیزه از نوع EPB از روش‌های هوش مصنوعی سیستم استنتاج تطبیقی عصبی- فازی (انفیس) و ترکیب شبکۀ عصبی مصنوعی با الگوریتم بهینه­سازی مبتنی بر جغرافیای زیستی استفاده شده است. در این پژوهش دو مدل انفیس شامل انفیس- خوشه‌بندی کاهشی و انفیس- خوشه‌بندی C-means فازی استفاده شده است. برای اثبات توانایی روش‌های مذکور از داده‌های پروژه مترو بانکوک، تایلند استفاده شده است. در این مدل‌ها پارامترهای عمق، فاصله تا سینه کار، سطح آب زیرزمینی، متوسط فشار پشت کاتر، متوسط نرخ نفوذ، زاویه‌ای که درزه‌ها با سینه کار می‌سازند، فشار تزریق و درصد پرشدگی تزریق به‌عنوان ورودی و بیشینۀ نشست سطح زمین به‌عنوان خروجی درنظر گرفته شده است. برای بررسی عملکرد مدل‌ها از دو شاخص آماری ضریب تعیین (R2) و میانگین مربعات خطا استفاده شده است که نهایتاً انفیس- خوشه‌بندی کاهشی بهترین عملکرد را در بین سایر مدل‌ها داشته است.
کلیدواژه‌ها

1. Huayong Y., Hu S., Guofang G., Guoliang H., "Electro-hydraulic proportional control of thrust system for shield tunneling machine. Automat Constr 18 (7) (2009) 950-956.## 2. Peila D., Picchio A., Chieregato A., "Earth pressure balance tunnelling in rock masses: Laboratory feasibility study of the conditioning process", Tunn Undergr Sp Tech 35 (2013) 55-66. ## 3. Shao C., Lan D., "Optimal control of an earth pressure balance shield with tunnel face stability", Automat Constr 46 (2014) 22-29. ## 4. Hu S., Guofang G., Huayong Y., "Control model of earth pressure balance for shield tunneling", J China Coal Society 33 (3) (2008) 343-346. ## 5. Finno R. J., Clough G. W., "Evaluation of soil response to EPB shield tunneling" J Geotech Eng 111 (2) (1985) 155-173. ## 6. Clough G. W., Leca E., "EPB shield tunneling in mixed face conditions", J Geotech Eng 119 (10) (1993) 1640-1656. ## 7. Suwansawat S., Einstein H. H., "Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling", Tunn Undergr Sp Tech 21 (2) (2006) 133-150. ## 8. Boyacioglu M. A., Avci D., "An adaptive network-based fuzzy inference system (ANFIS) for the prediction of stock market return: the case of the Istanbul stock exchange", Expert Syst Appl 37 (12) (2010) 7908-7912. ## 9. Avci E., "Comparison of wavelet families for texture classification by using wavelet packet entropy adaptive network based fuzzy inference system", Appl Soft Comput 8 (1) (2008) 225-231. ## 10. Avci E., Akpolat Z. H., "Speech recognition using a wavelet packet adaptive network based fuzzy inference system", Expert Syst Appl 31 (3) (2006) 495-503. ## 11. Avci E., Turkoglu I., Poyraz M., "Intelligent target recognition based on wavelet adaptive network based fuzzy inference system. In: Iberian Conference on Pattern Recognition and Image Analysis", Springer, (2005) 594-603. ## 12. Avci E., Hanbay D., Varol A., "An expert discrete wavelet adaptive network based fuzzy inference system for digital modulation recognition", Expert Syst Appl 33 (3) (2007) 582-589. ## 13. Jang J. S. R., "ANFIS: Adaptive-network-based fuzzy inference system", IEEE T Syst Man Cyb 23 (3) (1993) 665-685. ## 14. Chiu S. L., "Fuzzy model identification based on cluster estimation", J Intell Fuzzy Syst 2 (3) (1994) 267-278. ## 15. Jassar S., Liao Z., Zhao L., "Adaptive neuro-fuzzy based inferential sensor model for estimating the average air temperature in space heating systems", Build Environ 44 (8) (2009) 1609-1616. ## 16. Wei M., Bai B., Sung A. H., Liu Q., Wang J., Cather M. E., "Predicting injection profiles using ANFIS", Inform Sciences 177 (20) (2007) 4445-4461. ## 17. Bezdek J. C., "Fuzzy mathematics in pattern classification", Cornell university, Ithaca (1973). ## 18. Hornik K., Stinchcombe M., White H., "Multilayer feedforward networks are universal approximators", Neural Networks 2 (5) (1989) 359-366. ## 19. Ahmadi M. H., Aghaj S. S. G., Nazeri A., "Prediction of power in solar stirling heat engine by using neural network based on hybrid genetic algorithm and particle swarm optimization", Neural Comput Appl 22 (6) (2013) 1141-1150. ## 20. García-Pedrajas N., Hervás-Martínez C., Muñoz-Pérez J., "COVNET: a cooperative coevolutionary model for evolving artificial neural networks", IEEE T Neural Networ 14 (3) (2003) 575-596. ## 21. Hossein M., Ahmadi M. A., Ghare S. S., "Prediction of Power in Solar Stirling Heat Engine by Evolving Particle Swarm Optimization and Neural Network", Int J Comput Appl 34 (1) (2011). ## 22. Uzlu E., Kankal M., Akpınar A., Dede T., "Estimates of energy consumption in Turkey using neural networks with the teaching-learning-based optimization algorithm", Energy 75 (2014) 295-303. ## 23. Toğan V., "Design of planar steel frames using teaching–learning based optimization", Eng Struct 34 (2012) 225-232. ## 24. Togan V., "Design of pin jointed structures using teaching-learning based optimization", Structural Engineering and Mechanics 47 (2) (2013) 209-225. ## 25. Simon D., "Biogeography-based optimization", IEEE T Evolut Comput 12 (6) (2008) 702-713. ## 26. Zhang Y., Phillips P., Wang S., Ji G., Yang J., Wu J., "Fruit classification by biogeography‐based optimization and feedforward neural network", Expert Systems 33 (3) (2016) 239-253. ## 27. Hajihassani M., Armaghani D. J., Marto A., Mohamad E. T., "Ground vibration prediction in quarry blasting through an artificial neural network optimized by imperialist competitive algorithm", Bull Eng Geology Envir 74 (3) (2015) 873-886. ## 28. Tsou D., MacNish C., "Adaptive particle swarm optimisation for high-dimensional highly convex search spaces. In: Evolutionary Computation", CEC'03. The 2003 Congress on, IEEE, (2003) 783-789. ##