Journal of Engineering Geology

en پیش‌بینی نشست زمین در تونل‌سازی مکانیزه با استفاده از مدل شبکه عصبی مصنوعی-الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی و انفیس مبتنی بر روش‌های خوشه‌بندی Forecasting Surface Settlement Caused by Shield Tunneling Using ANN-BBO Model and ANFIS Based on Clustering Methods ژئوتکنیک (مکانیک خاک و سنگ) Geotecnic بیشینۀ نشست سطح زمین یکی از پارامترهای مهم در عملیات حفاری مکانیزه از نوع متعادل‌کنندۀ فشار زمین (EPB) است که قبل از حفاری باید تعیین شود. زمانی‌که مدل‌سازی بسیار پیچیده‌ می‌شود، روش‌های هوش مصنوعی به‌عنوان یک راه‌حل استفاده می‌شوند. این روش‌ها در ابتدا با استفاده از داده‌های واقعی آموزش می‌بینند و سپس به پردازش اطلاعات ناشناخته می‌پردازند. در این پژوهش برای پیشبینی نشست زمین در تونل‌سازی مکانیزه از نوع EPB از روش‌های هوش مصنوعی سیستم استنتاج تطبیقی عصبی- فازی (انفیس) و ترکیب شبکۀ عصبی مصنوعی با الگوریتم بهینهسازی مبتنی بر جغرافیای زیستی استفاده شده است. در این پژوهش دو مدل انفیس شامل انفیس- خوشه‌بندی کاهشی و انفیس- <a href="http://www.civilica.com/Paper-PNUNCIT01-PNUNCIT01_107.html" title="بهبود الگوریتم خوشه بندی C‌-means فازی به کمک بهینه سازی گروه ذرات دو مرحله ای">خوشه‌بندی C-means فازی</a> استفاده شده است. برای اثبات توانایی روش‌های مذکور از داده‌های پروژه مترو بانکوک، تایلند استفاده شده است. در این مدل‌ها پارامترهای عمق، فاصله تا سینه کار، سطح آب زیرزمینی، متوسط فشار پشت کاتر، متوسط نرخ نفوذ، زاویه‌ای که درزه‌ها با سینه کار می‌سازند، فشار تزریق و درصد پرشدگی تزریق به‌عنوان ورودی و بیشینۀ نشست سطح زمین به‌عنوان خروجی درنظر گرفته شده است. برای بررسی عملکرد مدل‌ها از  دو شاخص آماری ضریب تعیین (R2)  و میانگین مربعات خطا استفاده شده است که نهایتاً انفیس- خوشه‌بندی کاهشی بهترین عملکرد را در بین سایر مدل‌ها داشته است.   Maximum surface settlement (MSS) is an important parameter for the design and operation of earth pressure balance (EPB) shields that should determine before operate tunneling. Artificial intelligence (AI) methods are accepted as a technology that offers an alternative way to tackle highly complex problems that can’t be modeled in mathematics. They can learn from examples and they are able to handle incomplete data and noisy. The adaptive network–based fuzzy inference system (ANFIS) and hybrid artificial neural network (ANN) with biogeography-based optimization algorithm (ANN-BBO) are kinds of AI systems that were used in this study to build a prediction model for the MSS caused by EPB shield tunneling. Two ANFIS models were implemented, ANFIS-subtractive clustering method (ANFIS-SCM) and ANFIS-fuzzy c–means clustering method (ANFIS-FCM). The estimation abilities offered using three models were presented by using field data of achieved from Bangkok Subway Project in Thailand. In these models, depth, distance from shaft, ground water level from tunnel invert, average face pressure, average penetrate rate, pitching angle, tail void grouting pressure and percent tail void grout filling were utilized as the input parameters, while the MSS was the output parameter. To compare the performance of models for MSS prediction, the coefficient of correlation (R2) and mean square error (MSE) of the models were calculated, indicating the good performance of the ANFIS-SCM model. بیشینۀ نشست سطح زمین, تونل سازی مکانیزه از نوع EPB, سیستم استنتاج تطبیقی عصبی-فازی, شبکه عصبی مصنوعی Maximum surface settlement, EPB shield, Shield tunneling, Adaptive network–based fuzzy inference system, Artificial neural network, Biogeography-based optimization algorithm. 55 84 http://jeg.khu.ac.ir/browse.php?a_code=A-10-807-1&slc_lang=en&sid=1 Hadi Fattahi هادی فتاحی h.fattahi@arakut.ac.ir 10031947532846004648 10031947532846004648 Yes Department of Mining Engineering, Arak University of Technology, Arak, Iran دانشگاه صنعتی اراک، استادیار دانشکده مهندسی معدن Zohreh Bayatzadehfard زهره بیات زاده فرد Iron.azar@gmail.com 10031947532846004649 10031947532846004649 No Department of Mining Engineering, Arak University of Technology, Arak, Iran دانشگاه صنعتی اراک، استادیار دانشکده مهندسی معدن