توسعه ی مدل های تجربی جهت برآورد پارامترهای اپراتوری ماشین EPB در سنگ های آهکی مستحکم

برآورد صحیح پارامترهای راهبری ماشین حفار تونل، جهت تعیین شرایط بهینه عملکرد ماشین و افزایش راندمان پروژه های تونلسازی مکانیزه امری ضروری است. در این مطالعه با استفاده از روش های شبکه عصبی مصنوعی پرسپترون چند لایه (ANN-MLP) و رگرسیون چند متغیره (MVR) مدل هایی تجربی برای تخمین پارامترهای راهبری ماشین حفار EPB، شامل گشتاور کله حفار و نیروی رانش، در بخشی از پروژه توسعه جنوبی خط ۶ متروی تهران توسعه داده شده است که حفاری در سنگ آهک مستحکم توسط ماشین EPB و با ابزار برشی از نوع دیسک کاتر صورت گرفته است. حفاری در چنین شرایطی با این نوع ماشین معمول نمی باشد. پارامترهای مورد استفاده جهت توسعه مدل‎ها شامل پارامترهای اپراتوری و عملکردی ماشین حفار نظیر نفوذ کاترهد، فشار جبهه کار، سرعت چرخش کاترهد و بار کاتر می باشند. مقایسه نتایج بدست آمده از روش ANN-MLP با داده های واقعی اندازه گیری شده ی ماشین حفار توسط توابع خطا در یادگیری عمیق، موید دقت و صحت قابل قبول نتایج حاصل از مدل می باشد. مقادیر تابع خطا میانگین قدر مطلق تفاضل (MAE) برای گشتاور در مرحله آموزش و صحت سنجی به ترتیب ۰.۰۰۰۱۰ و ۰.۰۰۵ محاسبه گردیدند. همچنین مقادیر تابع MAE در برآورد نیروی رانش بر اساس داده های آموزش و آزمایش به ترتیب ۰.۰۰۰۱۶ و ۰.۰۱۰ برآورد شدند. مقایسه مابین نتایج روش MVR با داده های واقعی اندازه گیری شده توسط ماشین حفار نیز بیانگر صحت روابط توسعه داده شده است، به صورتیکه مقدار تابع خطا MAE در برآورد گشتاور ۰.۰۰۱۸ و برای نیروی رانش ۰.۰۰۱۰ بدست آمد.

کلیدواژه ها:

Deep Learning ، Mechanized Excavation ، Operating parameters ، Cutterhead torque ، EPB machine