CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Prediction of TBM Penetration Rate with Generalized Regression Neural Network in Hard Rock Condition

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۴۷۶ | نظرات: ۰
سال انتشار: ۱۳۸۸
کد COI مقاله: ICCE08_067
زبان مقاله: انگلیسی
حجم فایل: ۱۹۶.۰۴ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Prediction of TBM Penetration Rate with Generalized Regression Neural Network in Hard Rock Condition

  REZA MIKAEIL - Faculty of mining , Petroleum & Geophysics, Shahrood University of tech, Daneshgah Blvd, shahrood, Iran
  Omid Frough - Faculty of mining , Petroleum & Geophysics, Shahrood University of tech, Daneshgah Blvd, shahrood, Iran
  Reza Khalokakaie - Faculty of mining , Petroleum & Geophysics, Shahrood University of tech, Daneshgah Blvd, shahrood, Iran
  Mohammad Ataei - Faculty of mining , Petroleum & Geophysics, Shahrood University of tech, Daneshgah Blvd, shahrood, Iran

چکیده مقاله:

The prediction of performance of tunnel boring machines (TMB) penetration rate is important for project planning and selection of economic tunneling methods.This paper presents an attempt to predict penetration rate of TBM with a generalized regression neural network. The Queens Water tunnel data have been used to develop this network which includes three layers (input, hidden and output layers). The compressive trength, peak slope index, distance between planes of weakness and orientation of discontinuities in rock mass are chosen as input data penetration rata of TBM as output data. The results show that develop network is capable of predicting TBM penetration rata with correlation coefficient of 0.911. It was concluded that the penetration rata can be reliably estimated using the generalized neural network.

کلیدواژه‌ها:

Tunnel Boring Machine ; Penetration Rata ; Generalized Regression Network ; Queens Water Tunnel

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICCE08-ICCE08_067.html
کد COI مقاله: ICCE08_067

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
MIKAEIL, REZA; Omid Frough; Reza Khalokakaie & Mohammad Ataei, ۱۳۸۸, Prediction of TBM Penetration Rate with Generalized Regression Neural Network in Hard Rock Condition, هشتمین کنگره بین المللی مهندسی عمران, شیراز, دانشگاه شیراز, https://www.civilica.com/Paper-ICCE08-ICCE08_067.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (MIKAEIL, REZA; Omid Frough; Reza Khalokakaie & Mohammad Ataei, ۱۳۸۸)
برای بار دوم به بعد: (MIKAEIL; Frough; Khalokakaie & Ataei, ۱۳۸۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Alber, M., (1996).، Prediction _ penetration, utilization for hard rock ...
  • Barton N. (2000), ،، TBM tunnelling in jointed and faulted ...
  • Bruland A. (1998), ،Hard rock tunnel boring . Doctoral thesis, ...
  • Cheema S. (1999), «Development of a rock mass boreability index ...
  • Farmer IW, Glossop NH. (1980), ،، Mechanics of disc cutter ...
  • Gong Q.M, Zhao J, (2008), «Development of a rock mass ...
  • Graham PC. (1976), ،Rock exploration for machine _ ufacturers'. In: ...
  • Grima MA, Bruines PA, Verhoef PNW. (2000), «Modeling tunnel boring ...
  • Yagiz, S., (2002). «Development of rock fracture and brittleness indices ...
  • Yagiz, S., (2008). «Utilizing rock mass properties for predicting TBM ...
  • 1. Innaurato N, Mancini R, Rondena E, Zaninetti A. (1991), ...
  • McFeat- Smith I. (1999), ،Mechanised tunnelling for Asia?. Workshop manual, ...
  • Nelson PP. (1983), ،، Tunnel boring machine performance in sedimentary ...
  • Nelson PP, Yousof A Al-Jalil, Laughton C. (1999), «'Improved strategies ...
  • O'Rourke JE, Spring JE, Coudray SV. (1994), _، Geotechnical parameters ...
  • Rostami J. (1997), «Development of a force estimation model for ...
  • ' International Congress on Civil Engineering, May 11-13, 2009, Shiraz ...
  • May 11-13, 2009, Shiraz University, Shiraz, Iran ...
  • Sapigni M, Berti M, Bethaz E, Busillo A, Cardone G. ...
  • Sundaram NM, Rafek AG, Komoo I. (1998), ، The influence ...
  • Specht, D.F., (1991), ،A General Regression Neural Network?, IEEE Transactions ...
  • Hagan, M. T., H. B. Demuth, and M. H. Beale, ...
  • ' International Congress on Civil Engineering, May 11-13, 2009, Shiraz ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۶۸۹۰
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.