مقاله

پیش بینی نرخ پیشروی tbm با استفاده از رویکرد سیستم های مهندسی سنگ

چکیده

یکی از مسایل مهم در حفاری مکانیزه، پیش بینی نرخ پیشروی (advance rate) است. شـناخت عوامل تاثیرگذار بر بهره وری از این نظر حایز اهمیت اسـت که به وسیله ی آن می توان تخمین دقیق تری از زمان های توقف و حفاری و در نتیجه هزینه های اجرایی به دست آورد. مدل های زیادی برای پیش بینی عملکرد tbm توسعه یافته اند که بسیاری از آن ها تنها مدلی برای پیش بینی نرخ نفوذ بوده است. در این مقاله با استفاده از رویکرد سیستم های مهندسی سنگ (res: rock engineering systems)، تاثیر پارامترهای توده سنگ بر نرخ پیشروی tbm مورد ارزیابی قرارگرفته و مدلی برای پیش بینی نرخ پیشروی با استفاده ی توام از رویکرد سیستم های مهندسی سنگ و تحلیل رگرسیون ارایه شده است. برای این منظور تونل های انتقال آب کرج، قطعه ی اول و دوم و تونل انتقال آب قمرود، قطعه ی سوم و چهارم با مجموع طول 45 کیلومتر، شامل 22 واحد توده سنگ گوناگون که با استفاده از ds-tbm، حفاری شده اند، مورد مطالعه قرار گرفته است. در نهایت یک گزاره ی درجه ی دو بر مبنای اندیس پیشروی حاصل از روش سیستمی با استفاده از تحلیل رگرسیون ارایه شده است.

اسناد مشابه

  • پیش بینی نرخ نفوذ tbm با استفاده از روش شبکه عصبی مصنوعی(مطالعه موردی مترو تبریز)

    مقالهزمین شناسی مهندسیحسین اینانلو عربی شاد، دانشگاه آزاد اسلامی واحد تهران جنوب غلامرضا لشکری پور، gholam lashkaripour دانشگاه فردوسی مشهد .مجید اکبری، m akbari دانشگاه آزاد

    امروزه ماشین‎های تونل‎بری tbm‎ (tunnel boring machine) بطور وسیعی در حفر تونل‎ها بخصوص تونل‎های شهری استفاده می‎شوند. این ماشین‎ها بر اساس روش نگهداری سینه کار و دیواره های تونل، دارای انواع مختلفی می باشند. یکی از انواع این ماشین ها، سپرهای تعادلی فشار زمین epb (earth pressure b

  • پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مطالعه موردی: سیستم های بالاسری تقطیر نفت خام

    مقاله۲۰۰۶مطالعات مدیریت صنعتیسید امیر رضا ابطحی، محمود البرزی

    هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فراین

  • پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مطالعه موردی: سیستم های بالاسری تقطیر نفت خام

    مقالهمطالعات مدیریت صنعتیمحمود البرزی، استادیار گروه مدیریت صنعتی دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران، ایران سید امیر رضا ابطحی، دانش آموخته کارشناسی ارشد مدیریت صنعتی از دانشگاه آزاد اسلامی واحد علوم تخقیقات تهران، ایران

    هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فراین

  • کاربرد روش آنالیز مؤلفه های اصلی در پیش بینی نرخ نفوذtbm با استفاده از شبکه های عصبی مصنوعی

    مقاله۲۰۱۴روش های تحلیلی و عددی در مهندسی معدنمحمد مختاریان، مصلح افتخاری، علیرضا باغبانان

    از فاکتورهای مهم در پیش بینی عملکرد tbm، تعیین نرخ نفوذ حفاری و نرخ پیشروی است. هدف اصلی از این مطالعه، بررسی استفاده از آنالیز مؤلفه های اصلی در پیش بینی نرخ نفوذ tbmبا استفاده از روش شبکه های عصبی مصنوعی است. یکی از بخش های مهم در استفاده از روش شبکه های عصبی به منظور پیش بینی،

  • بررسی ارتباط هیجانات و احساسات معامله گران بر پیش بینی نرخ ارز با استفاده از روش ACD

    مقاله۲۰۲۵نشریه علمی رویکردهای پژوهشی نوین مدیریت و حسابداریمحمدرضا طلیم خانی، محمود خدام

    مساله اصلی مورد بررسی در پژوهش حاضر ، بررسی ارتباط هیجانات و احساسات معامله گران بر پیش بینی نرخ ارز با استفاده از روش ACD می باشد. برای این منظور و به پیروی از کتاب معامله گر منطقی مارک فیشر در ابتدا رابطه بین هیجانات و احساسات معامله گران و پیش بینی نرخ ارز و روش ACD بررسی شد و

  • مدل پیش بینی جریان رودخانه با استفاده از سیستم فازی fis و الگوریتم بهینه سازی pso

    مقاله۲۰۱۳فصلنامه علمی- پژوهشی آب و فاضلابمحمود محمد رضاپور طبری، جابر سلطانی

    هدف از این مطالعه پیش بینی رواناب به صورت مکانی با استفاده از اطلاعات ایستگاههای هیدرومتری و هواشناسی بود. بررسی ها نشان می دهد که معمولاً ارتباطات مشخصی بین داده های هواشناسی و هیدرومتری بالادست حوضه با میزان رواناب تولیدی در خروجی حوضه وجود دارد و چنانچه بتوان قوانین نهفته در س