چکیده مقاله
علیرغم استفاده گسترده از TBM در صنعت تونل سازی، برآورد دقیق عملکرد ماشین به ویژه در شرایط پیچیده زمین شناسی هنوز هم میتواند یک چالش باشد هدف از این مطالعه، بررسی امکان استفاده از سیستمهای طبقه بندی توده سنگ معمول برای تخمین عملکرد ماشین TBM در انواع مختلف سنگ، با استفاده از الگوریتمهای یادگیری ماشین است بدین منظور داده های حفاری از ۹ پروژه تونل سازی در یک پایگاه داده جامع با حدود ۴۰۰ مقطع تونل در انواع سنگ جمع آوری و برای توسعه روابط جدید برای تخمین FPI بر اساس پارامترهای ورودی سیستم طبقه بندی RMR استفاده شد از آنجا که انواع مختلف سنگها، فابریک بافت و ساخت متفاوتی دارند و به نیروهای برشی ماشین پاسخ متفاوتی میدهند، ترکیب اثرات نوع سنگ در مدلهای پیشبینی عملکرد میتواند دقت تخمینها را بهبود بخشد، به همین دلیل پارامتر سنگشناسی RTC نیز به مدل اضافه و روابط جدیدی توسعه داده شده است این روابط به ویژه در مرحله طراحی و برنامه ریزی یک پروژه تونل سازی، میتواند مفید واقع شود
کلیدواژهها
نویسندگان
آمنه دردشتی
دانشجوی دکتری زمین شناسی مهندسی، دانشکده علوم، دانشگاه اصفهان
رسول اجل لوئیان
استاد زمین شناسی مهندسی، دانشکده علوم، دانشگاه اصفهان
جمال رستمی
دانشیار مکانیک سنگ، دانشکده معدنColorado School of Mines
جعفر حسن پور
دانشیار زمین شناسی مهندسی، دانشکده علوم، دانشگاه تهران
علیرضا سلیمی
دکترای مهندسی ژئوتکنیک/تونل زنی و مهندسی سنگ در FELDHAUS Bergbau GmbH & Co KG، مونیخ، آلمان؛
شیوه ارجاع
�ردشتی، آمنه و اجل لوئیان، رسول و رستمی، جمال و حسن پور، جعفر و سلیمی، علیرضا،1402،توسعه مدلی برای پیشبینی نرخ نفوذ TBM در سنگ با استفاده از پارامترهای سیستم طبقه بندی RMR،چهاردهمین کنفرانس تونل ایران،تهران
ارائهشده در
مجموعه مقالات چهاردهمین کنفرانس تونل ایران1 خرداد 1402 · تهران