پیش بینی پایداری فضاهای زیرزمینی با استفاده از روش های یادگیری ماشین در مقایسه با روش های عددی

چکیده معمولاً پیش بینی پایداری در فضاهای زیرزمینی، از طریق ارزیابی تغییرات تنش و کنترل جابه جایی های پیرامون سازه انجام می شود. جابه جایی دیواره ها و سقف یا همگرایی، تأثیر زیادی بر روی پایداری فضاهای زیرزمینی در طول حفاری و حتی پس از آن دارد؛ به طوری که یکی از پارامترهای مفید برای ارزیابی فشار اعمالی به سیستم نگهداری محسوب می شود. همچنین با ثبت تغییراتِ نرخ همگرایی و کنترل آن، از بروز ناپایداری در طول عملیات حفاری جلوگیری می شود. بنابراین با پیش بینی همگرایی در طول عملیات حفاری و پس از نصب سیستم نگهداری می توان پایداری فضاهای زیرزمینی را پیش بینی نمود. همگرایی از طریق کنترل رفتار وابسته به زمان توده سنگ و ثبت تاریخچه تغییرات جابه جاییِ سقف و دیواره ها، در طول حفاری و پس از آن محاسبه می شود. امروزه تونل ها به عنوان یکی از فضاهای زیرزمینی، برای کاربردهای مختلفی در سراسر جهان حفاری می شوند. در حفاری تونل به روش مکانیزه، همگرایی بیش از حد، سبب گیرکردن ماشین حفاری شده و این پدیده نرخ پیشروی را کاهش داده و با توقف عملیات حفاری، سبب افزایش هزینه ها می شود. در این تحقیق کاربرد روش های عددی و یادگیری ماشین در پیش بینی همگرایی در تونل انتقال آب قمرود بررسی شده است. تونل قمرود بخشی از سیستم انتقال آب از سرشاخه های دز به سد گلپایگان بوده و حد فاصل شهرهای الیگودرز و گلپایگان حفاری شده است. محدوده مورد مطالعه در زون سنندج-سیرجان واقع شده و به علت وجود گسل ها و چین خوردگی های متقارن، مقاومت توده سنگ های منطقه عمدتاً ضعیف می باشد. در این تونل ماشین حفاری چندین بار در اثر همگرایی تونل و ناپایداری دیواره ها در شرایط نامناسب زمین گیر کرده و سبب توقف عملیات حفاری شده است. برای پیش بینی همگرایی در این تونل، از دو روش یادگیری ماشین به نام های شبکه های عصبی پرسپترون چند لایه و رگرسیون بردار پشتیبان استفاده شده است. به این ترتیب که با استفاده از این دو الگوریتم رابطه غیرخطی بین همگرایی به عنوان متغیر وابسته و پارامترهای ژئومکانیکی به عنوان متغیر مستقل تخمین زده شده است. به طور همزمان، حداکثر بردار جابه جایی در مقاطع مختلف این تونل با استفاده از روش عددی تفاضل محدود (نرم افزار flac) محاسبه شده و نتایج حاصل با روش های یادگیری ماشین مقایسه شده است. طبق نتایج حاصل از این تحقیق، همگرایی پیش بینی شده با روش های یادگیری ماشین همخوانی زیادی با مقادیر واقعی نشان می دهد. در روش های عددی به علت ساده سازی های زیاد و عدم استفاده از اطلاعات زمین شناسی، نتایج حاصل دقت کمی داشته و حتی در برخی مقاطع همگرایی پیش بینی شده با مقادیر واقعی اختلاف زیادی داشته است. همچنین روش های یادگیری ماشین محدودیت های روش های عددی را نداشته و علاوه بر تونل ها، توانایی پیش بینی همگرایی در سایر فضاهای زیرزمینی از جمله معادن زیرزمینی، مغارها و غیره را نیز دارا می باشند.