پیش بینی نرخ نفوذ ماشین حفر تونل؛ مقایسه نتایج روش های رگرسیون خطی چند متغیره و سیستم استنتاج تطبیقی فازی عصبی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,168

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCE06_0980

تاریخ نمایه سازی: 28 مرداد 1390

چکیده مقاله:

ماشین های حفار تمام مقطع از مهمترین ماشین های حفاری در تونل ها و فضاهای زیرزمینی به شمار میروند. به دلیل قیمت بالای ماشین ارزیابی عملکرد در این روش حفاری از اهمیت ویژه ای برخوردار است. بدین منظور مهمترین شاخص ارزیابی عملکرد ماشین حفر تونل نرخ نفوذ این دستگاه میباشد. روش های متنوعی برای پیش بینی نرخ نفوذ وجود دارد که می توان به سه دسته روش های تحلیلی، آماری و هوش مصنوعی تقسیم بندی نمود. روش های رگرسیون خطی چند متغیره ( از زیر مجموعه های روش آماری) و سیستم استنتاج تطبیقی فازی عصبی (از زیرمجموعه های روش های هوش مصنوعی) دو رویکرد با کارایی بالا در مدل سازی و تشخیص الگو در داده ها می باشند. در این تحقیق با به کار گیری روش رگرسیون خطی و سیستم استنتاج تطبیقی فازی عصبی به پیش بینی نرخ نفوذ ماشین حفر تونل برای تونل انتقال آب کوئینز در نیویورک پرداخته است. نتایج نشان از آن دارد که مدل استخراج شده از متدولوژی سیستم استنتاج تطبیقی فازی عصبی دارای ضریب همبستگی 0/98و روش رگرسیون خطی چند متغیره دارای ضریب همبستگی 0/62 می باشد.

کلیدواژه ها:

پیش بینی نرخ نفوذ ، ماشین حفر تونل ، رگرسیون خطی چند متغیره ، سیستم استنتاج تطبیقی فازی عصبی ، تونل کوئینز

نویسندگان

عبدالرضا یزدانی چمزینی

دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه تربیت مدرس، تهران

سیدمحمد هاشمی ریزی

دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه تربیت مدرس، تهران

محمدحسین بصیری

استادیار و عضو هیئت علمی گروه معدن، دانشگاه تربت مدرس، تهران

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 :
  • صالحی، ب.، (1386). "ن تونل زنی با ."TBM انتشارات صانعی. ...
  • Hamidi, J. Kh., Shahriar, K., Rezai, B., Rostami, J., (2010). ...
  • Gong, Q.M., Zhao, J., (2007). :Influence of rock brittleness _ ...
  • Yagiz, S., (2008). "Utilizing rock masS properties for predicting TBM ...
  • Sapigni, M., Berti, M., Bethaz, E., Busillo, A., Cardone, G., ...
  • Ramezanzadel , A., Rostami, J., Kastner, R., (1382). :Performance Prediction ...
  • Jang, J.-S.R., C.T. Su and E. Mizutani (1 997) .Neuro-Fuzzy ...
  • R. Fuller, Neural Fuzzy Systems, ISBN: 951-650-624, ISSN: 0358-5654. April ...
  • R.Babuska, Fuzzy and Neural Control, Disc Course Lecture Notes (September ...
  • J. Radulovic, V. Rankovic, An Anfis Based Approach To Approximation ...
  • J.-S. Roger Jang, ANFIS: Adap tive -network-based fuzzy inference System, ...
  • H.R. Berenji, A reinforcemen learning-based architecture for fuzzy logic control, ...
  • Tran. C, Jain. _ and Abraham.A; Decision Support Systems using ...
  • نمایش کامل مراجع