Prediction of Tunnelling-Induced Surface Settlement with Artificial Neural Networks, Case Study: Mashhad Subway Tunnel. Journal of Engineering Geology 2018; 12 (5) :135-158
URL:
http://jeg.khu.ac.ir/article-1-2810-fa.html
مهرنهاد حمید، خلق ذکرآباد مهدی. پیشبینی نشست سطحی ناشی از حفر تونل با استفاده از شبکه های عصبی مصنوعی؛ مطالعۀ موردی: تونل متروی مشهد. نشریه زمین شناسی مهندسی. 1397; 12 (5) :135-158
URL: http://jeg.khu.ac.ir/article-1-2810-fa.html
1- دانشگاه یزد، دانشکدۀ مهندسی عمران ، Hmehrnahad@yazd.ac.ir
2- دانشگاه یزد، دانشکدۀ مهندسی عمران
چکیده: (5192 مشاهده)
هنگام حفر تونل در فضاهای شهری، جلوگیری از آسیب و تخریب سازههای مجاور اهمیت ویژهای دارد. برای کاهش این آسیبها باید از نشست سطحی زمین جلوگیری کرد. در سالهای اخیر بررسیهای گستردهای در زمینۀ پیشبینی نشست سطحی زمین در اثر حفر تونل انجام شده است. انتخاب روش مناسب به عوامل مختلفی بستگی دارد. نشست سطحی ناشی از حفر تونل با کمک متغیرهای ورودی که تأثیر فیزیکی چشمگیری بر نشست دارند، پیشبینی شده است. برای ساخت مدل شبکههای عصبی از دادههای بهدست آمده از حفر تونل خط 2 متروی مشهد استفاده شده است. نتایج نشان داد که شبکه عصبی پیشخور که با استفاده از الگوریتم پس انتشار خطا آموزش دیده است و دارای سه لایه با معماری 1-24-7 است، شبکۀ عصبی بهینه ایت. شبکۀ عصبی بهینه دارای ضریب همبستگی و میانگین مربعات خطا برابر با 963/0 و 4-10×41/2 است. همچنین نتایج نشان داد که این شبکۀ عصبی آموزش دیده شده میتواند برای پیشبینی نشست سطحی ناشی از حفر تونل بهصورت موفقیتآمیزی استفاده شود.
نوع مطالعه:
مقاله پژوهشی |
موضوع مقاله:
ژئوتکنیک (مکانیک خاک و سنگ) دریافت: 1397/5/27 | پذیرش: 1397/5/27 | انتشار: 1397/5/27