TY - JOUR T1 - Prediction of Tunnelling-Induced Surface Settlement with Artificial Neural Networks, Case Study: Mashhad Subway Tunnel TT - پیش‌بینی نشست سطحی ناشی از حفر تونل با استفاده از شبکه های عصبی مصنوعی؛ مطالعۀ موردی: تونل متروی مشهد JF - jeg JO - jeg VL - 12 IS - 5 UR - http://jeg.khu.ac.ir/article-1-2810-fa.html Y1 - 2019 SP - 135 EP - 158 KW - Surface Settlement KW - Artificial Neural Network KW - Mashhad Subway Tunnel KW - Prediction of Settlement N2 - 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. M3 10.18869/acadpub.jeg.12.5.159 ER -