نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد استخراج معدن، دانشکده معدن، نفت و ژئوفیزیک، دانشگاه شاهرود؛

2 استاد دانشگاه صنعتی شاهرود

3 استاد دانشکده معدن، نفت و ژئوفیزیک، دانشگاه شاهرود؛

چکیده

  با توجه به نیازهای بشر مانند تأمین مواد معدنی، حمل و نقل، ذخیره‌سازی زیرزمینی و غیره، حفر تونل به یک امر بدیهی در جهان امروز تبدیل شده است. پدیده پس‌شکست یکی از پدیده‌های نامطلوبی است که در حین حفر تونل‌ها  به‌ویژه هنگامی که از روش چالزنی و انفجار استفاده می‌شود، ایجاد می‌شود. پدیده‌ی پس‌شکست باعث کاهش ایمنی محیط کار و افزایش هزینه‌های عملیاتی می‌شود. اولین قدم در فرآیند کنترل و کاهش آثار زیان‌بار این پدیده، پیش‌بینی آن در فرآیند حفر تونل‌ها است. عوامل تأثیرگذار بر پدیده پس‌شکست به دو دسته اصلی قابل کنترل(پارامترهای انفجار) و غیرقابل کنترل(پارامترهای زمین‌شناسی) تقسیم‌بندی می‌شوند. این عوامل به‌صورت غیر خطی به یکدیگر وابسته هستند. در این مطالعه، با به‌کارگیری 20 دسته از داده‌های عوامل تأثیرگذار و پس‌شکست به‌عنوان داده‌های ورودی و خروجی، مدل‌های پیش‌بینی کننده با روش‌های رگرسیون چندگانه خطی و غیر خطی، شبکه عصبی مصنوعی، منطق فازی و سیستم استنتاج فازی- عصبی تطبیقی ساخته شدند. نتایج مدل‌های پیش‌بینی کننده و مقدار میانگین مربعات خطای آن‌ها، نشان دهنده‌ی آن است که روش‌های منطق فازی و سیستم استنتاج فازی- عصبی تطبیقی توانسته‌اند پیش‌بینی بهتری را نسبت به سایر روش‌ها انجام دهند. با توجه به نتایج مشخص است که مدل‌ها توانایی پیش‌بینی پس‌شکست را دارند. با آگاهی از وقوع پس‌شکست، می‌توان روش‌های کنترلی و جلوگیری کننده‌ای را برای کاهش آثار زیان بار این پدیده به‌کار گرفت و باعث بهبود عملکرد پروژه شد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Prediction of over break phenomenon in tunnel excavation using intelligent optimization methods, Case study: Tazare coalmine

نویسندگان [English]

  • adel motahedi 1
  • mohamad ataei 3

چکیده [English]

Knowadays tunnel excavation is an evident need according to the human requirement such as mineral supplement, transportation, underground storage etc. Over break is one of the unfortunate phenomenon’s that could be encountered in tunneling, particularly in the drill and blast tunneling method. Over break phenomenon, reduce the safety of the working environment and increase the operational costs. Over break prediction is the first step to decrease the damaging effects of this phenomenon in the tunnel construction process. The causing factors of over break are classified into two groups of uncontrollable factors (geological parameters) and controllable factors (blasting parameters) and all of the factors are nonlinearly correlated. In this study, 52 sets of causing factors and over break data were applied to the multiple linear and nonlinear regression, Artificial Neural Network (ANN), Fuzzy logic and Adaptive Network-based Fuzzy Inference System (ANFIS) to predict over break as output parameter. The determination coefficient (R2) values of multiple linear and nonlinear regression, Artificial Neural Network, Fuzzy and Adaptive Network-based Fuzzy Inference System Models have been calculated as 0.71, 0.73, 0.80, 0.95 and 0.91, respectively. The results of the prediction models illustrate that the fuzzy and ANFIS models, have done more appropriate prediction than other prediction models. Also, sensitivity analysis showed that burden value is the most effective parameter on the over break. With awareness of the over break occurrence, we can use controlling and preventing methods to reduce the harmful effects of this phenomenon, and ultimately improve project performance.

کلیدواژه‌ها [English]

  • over break
  • tunnel linear and nonlinear multiple regression artificial neural network fuzzy logic
  • ANFIS