نوع مقاله: علمی - پژوهشی

نویسندگان

دانشگاه تربیت مدرس

چکیده

هدف اصلی در این مطالعه، بررسی کاربرد شبکه عصبی در تخمین خرج ویژه بهینه بر اساس یک‌ سری ازمشاهدات و محاسبات عددی می‌باشد. پارامترهای ورودی مورد نیاز جهت مدلسازی، شامل 12 ویژگی زمین‌شناسی و ژئومکانیکی می‌باشد. اطلاعات مورد نیاز برای این تحقیق از تونل سرریز سد کوثر جمع آوری شده است. شبکه عصبی طراحی شده در این مطالعه توسط داده‌های آموزشی و آزمایشی مورد ارزیابی قرار می‌گیرد. نتایج به دست آمده نشان می‌دهد که مدل عصبی بهینه به خوبی قادر به تخمین مقادیر خرج ویژه در تمام قسمت‌های تونل مورد مطالعه بوده و شبکه عصبی قادر به درک روابط موجود بین خرج ویژه و پارامترهای ورودی آن می‌باشد. علاوه بر این در این تحقیق، رابطه بین خرج ویژه  و پارامترهای ورودی با سه روش آنالیز حساسیت یعنی آنالیزهای تاثیر مقاومت نسبی، روش میدان کسینوسی و طراحی فاکتوریل شکست مورد تحلیل و بررسی قرار گرفته است. در این آنالیزها نه تنها عوامل تاثیرگذار بر میزان خرج ویژه مشخص می‌شود، بلکه تعاملات صورت گرفته بین آنها نیز به خوبی قابل پیش‌بینی است.
 

کلیدواژه‌ها

عنوان مقاله [English]

Determining of Optimal Powder Factor in Tunnel Blasting Using Neural Network Systems

نویسندگان [English]

  • M Saemi
  • S.O Gilani

Tarbiat Modarres University

چکیده [English]

The principal aim of present study was the application of the Artificial Neural Network (ANN) system to the determination of the optimal powder factors, based on a series of observations and numerical experiments. The input parameters were 12 geological conditions. The data for the NN application in this study were collected in the spillway tunnel of Kosar Dam, which located in West south of Iran. An optimum NN model was determined by training and testing models with the collected data. It was shown that the NN model could predict the powder factor depending upon the selected input parameters. In addition, the strength of the relationship between the powder factor and the 14 input parameters was evaluated by three different sensitivity analysis methods, i.e. the analysis of relative strength effect, the cosine amplitude method and the fractional factorial design. From these analyses, not only the dominant factors among the input parameters, but also their interactions could be determined.
 
 

کلیدواژه‌ها [English]

  • Powder factor
  • Neural network
  • Tunnel blasting
  • Relative strength effect
  • Cosine amplitude method
  • fractional factorial design