دکتر امیر حسن رضایی فرعی، آقای مسعود مصطفایی، آقای سید کاظم رضوی،
جلد 13، شماره 4 - ( 10-1398 )
چکیده
حفر تونل‌های طویل غالباً به‌صورت مکانیزه و با ماشین حفاری تونل TBM انجام میشود. یکی از عوامل مهم در حفاری این تونلها اثر سایندگی خاک و سنگدانهها بر ابزارهای برشی و سایر بخشهای دستگاه حفار تونل است که باعث کاهش چشم‌گیری در راندمان حفاری پروژه میشود. محققان عوامل مختلفی که باعث ایجاد سایش در ابزار حفاری می‌شوند را بررسی کرده‌اند. در تحقیق حاضر 32 نمونه از سنگدانههای مسیر تونل خط دو مترو تبریز انتخاب شده و میزان سایندگی و شکنندگی این سنگدانهها برای بخشهای مختلف مسیر تعیین شده است. همچنین از بین مهم‌ترین عوامل مؤثر، تأثیر پارامترهای وجود و میزان آب، جنس، اندازه و شکل سنگدانهها، نوع و میزان فوم حفاری بر میزان ضریب سایندگی و شکنندگی سنگدانههای مسیر بررسی شده، قرار گرفته است. بدین‌منظور نیز حدود 130 نمونه از سنگدانهها شامل 20 نمونه برای بررسی تأثیر وجود و میزان آب، 15 نمونه برای جنس، 20 نمونه برای اندازۀ دانهها، 30 نمونه برای شکل و 42 نمونه برای تأثیر نوع و میزان فوم مصرفی تهیه شده است. روشهای زیادی برای آزمایش سایندگی خاک و خرده سنگها در بخشهای حفاری به‌وسیلۀ محققان ارایه شده است که یکی از معتبرترین و متداول‌ترین این آزمایش‌ها آزمون LCPC است. بر اساس نتایج حاصل برای بررسی تأثیر میزان آب بر سایندگی، روی سه جنس آندزیت، ماسه سنگ و کنگلومرای مسیر از حالت خشک تا وجود آب به میزان 30% وزنی نمونه آزمایش انجام شده است که در دو جنس ماسه سنگ و کنگلومرا با افزایش میزان آب سایندگی بیش‌تر شده ولی در آندزیت از 20% به بعد کاهش سایندگی مشاهده میشود، میزان ضریب شکنندگی نیز در کل با افزایش میزان آب کاهش مییابد. از لحاظ سنگ‌شناسی بیش‌ترین تأثیر بر سایندگی را کنگلومرا داشته و از نظر شکنندگی هم آندزیت شکنندهترین است. در تأثیر اندازۀ دانهها، با افزایش اندازۀ دانهها سایش زیادتر و شکنندگی کم‌تر میشود. تأثیر فوم بر سایندگی به این صورت است که تا حد خیس‌شدگی سایندگی کاهش یافته و بیش‌تر از آن باعث افزایش سایندگی میشود. از بین فوم‌های مختلف آزمایش‌شده نیز فوم شیمی بتن دارای حداقل سایندگی است.
آقا فرهاد ملائی، دکتر رضا محبیان، دکتر علی مرادزاده،
جلد 18، شماره 3 - ( 9-1403 )
چکیده
شاخص شکنندگی یکی از پارامترهای مهم در بررسی و مدلسازی‌های ژئومکانیکی است. روشهای زیادی برای تخمین شاخص شکنندگی ارائه شده است. یکی از روش‌هایی که امروزه زیاد مورد استفاده قرار می‌گیرد روشهای هوشمند است. در این مطالعه هدف ارائه الگوریتمی جدید با استفاده از الگوریتم‌های یادگیری عمیق جهت پیشبینی شاخص شکنندگی در یکی از چاه‌های میدان هیدروکربنی در جنوب غرب ایران می‌باشد. در این مقاله ابتدا پارامترهای موثر برای ورودی الگوریتمها با استفاده از ضریب همبستگی پیرسون مشخص گردید و در ادامه با استفاده از (شبکه عصبی بازگشتی + شبکه عصبی پرسپترون چندلایه) (LSTM+MLP) و (شبکه عصبی تبدیلی + شبکه عصبی بازگشتی) (CNN+ LSTM) شاخص شکنندگی تخمین زده شد و مقدار خطا (MSE) و ضریب تعیین (R2) برای داده‌های آموزش و تست محاسبه گردید که برای داده‌های آموزش و تست هر دو الگوریتم دارای ضریب تعیین نزدیک به 1 و خطای بسیار کم به دست آمده است. همچنین جهت اطمینان از نتایج الگوریتمها بخشی از داده به عنوان داده کور کنار گذاشته شد و خطا و ضریب تعیین برای این داده‌ها نیز محاسبه گردید که خطا (MSE CNN+LSTM =26.0425, MSE LSTM+MLP =32.075) به دست آمده است و ضریب تعیین
( R2 CNN+LSTM =0.8064, R2 LSTM+MLP =0.7615) به دست آمده است. نتایج بیانگر کارآیی الگوریتم‌های یادگیری عمیق معرفی شده به عنوان روشی
جدید در پیشبینی شاخص شکنندگی می‌باشد که در مقایسه دو الگوریتم ارائه شده،الگوریتم (CNN+LSTM) دارای دقت بالاتر و خطای کمتری می‌باشد.
