TY - JOUR ID - 34841 TI - کمینه سازی اضافه حفاری ناشی از انفجار در تونل ها با استفاده از روش های هوشمند JO - نشریه مهندسی معدن JA - IJME LA - fa SN - 1735-7616 AU - کوپی علی پور, محمدرضا AU - نوروزی قالینی, ابراهیم AU - مدنی, حسن AD - تونلسازی،دانشکده مهندسی معدن، دانشگاه امیرکبیرتهران، ایران AD - استخراج معدن، مهندسی معدن و متالوژی، دانشگاه صنعتی امیرکبیر، تهران، ایران AD - استادیار دانشکده مهندسی معدن و متالورژی، دانشگاه امیرکبیر تهران، ایران Y1 - 2018 PY - 2018 VL - 13 IS - 40 SP - 118 EP - 129 KW - تونل KW - اضافه‌حفاری مقطع تونل KW - شبکه‌های عصبی مصنوعی KW - الگوریتم زنبور عسل DO - 10.22034/ijme.2018.34841 N2 - ایجادپدیده‌ی حفر بیش از اندازه مقطع تونل یا همان اضافه‌حفاری مقطع تونل در مراحل اجرایی پروژه‌های تونل‌سازی، همواره از مهم‌ترین مسائلی است که ذهن متصدیان فنی و اجرایی این پروژه‌ها را به خود معطوف داشته است. امروزه با توجه به پیشرفت صنعت و ورود فنّاوری‌های نوین به صنعت تونل‌سازی و پذیرفته شدن تدریجی، روش های جدیدی جایگزین روش های سنتی (حفاری و آتشکاری) شده است. اگرچه تا حد زیادی مسئله ایجاد حفاری خارج از طرح و نقشه، به کنترل اجراکنندگان پروژه درآمده، ولی هیچ‌گاه وجود این مسئله مهم و اساسی در پروژ‌ه‌های تونلی به‌طورکلی حذف نشده است. در این تحقیق با استفاده از شبکه‌های هوشمند پیش بینی و بهینه سازی اضافه-حفاری مورد بحث قرار گرفت. پس از انتخاب بهترین مدل براساس امتیاز دهی، مدل منتخب برای بهینه سازی مورد استفاده قرار گرفت. مقادیر شاخص های آماری ضریب تعیین (R2) و مجذور میانگین مربعات خطا (RMSE) مدل منتخب به ترتیب برای آموزش و آزمایش برابر با ۹۲۱/۰، ۴۰۲۸/۰ و ۹۲۳/۰ و ۴۲۷۷/۰ بود. الگوریتم زنبور عسل که یکی از الگوریتم‌های جدید بهینه سازی است برای بهینه سازی این پارامترهای الگوی انفجار استفاده شد. با توجه به اینکه اضافه حفاری از مشکلات اصلی در حفر تونل می‌باشد، کاهش این مقدار می‌تواند کمک به سزایی برای تونل و پایداری آن داشته باشد. پس از ساختن چندین مدل بهینه سازی و تغییرات وزن‌های آن، مقدار بهینه آن برای اضافه حفاری مقطع تونل ۶۳/۱ مترمربع بدست آمد که نسبت به کمترین مقدار تجربه شده در اجرا (۰۵۵/۳ مترمربع) ۴۷ درصد کاهش یافته است. UR - https://ijme.iranjournals.ir/article_34841.html L1 - https://ijme.iranjournals.ir/article_34841_caed34018ccc58d1cf227cc51aa8793c.pdf ER -