اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 306 |
| تعداد مقالات | 2,517 |
| تعداد مشاهده مقاله | 2,765,988 |
| تعداد دریافت فایل اصل مقاله | 2,102,115 |
تحلیل حساسیت مدل‌های پیش‌بینی عملکرد ماشین حفر تمام مقطع در تونل انتقال آب لار-کلان | ||
| نشریه مهندسی منابع معدنی | ||
| مقاله 4، دوره 5، شماره 4 - شماره پیاپی 18، دی 1399، صفحه 53-71 اصل مقاله (1.56 M) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2020.11452.1314 | ||
| نویسندگان | ||
محسن سرداری1؛ شکراله زارع  2؛ مسعود مزرعه لی 3
| ||
| 1کارشناسی ارشد، دانشکده مهندسی معدن، دانشگاه صنعتی شاهرود، شاهرود | ||
| 2دانشیار، دانشکده مهندسی معدن، دانشگاه صنعتی شاهرود، شاهرود | ||
| 3دانشجوی دکترا، دانشکده مهندسی معدن، دانشگاه صنعتی شاهرود، شاهرود | ||
| تاریخ دریافت: 05 شهریور 1398، تاریخ بازنگری: 25 شهریور 1399، تاریخ پذیرش: 25 شهریور 1399 | ||
| چکیده | ||
| در بیشتر پروژه‌های تونل‌سازی از ماشین‌های حفر تمام مقطع تونل(TBM) استفاده می‌شود. ارزیابی عملکرد این ماشین‌ها در تخمین میزان هزینه و زمان حفر تونل بسیار مهم است. نرخ نفوذ، یکی از شاخصهای مهم در ارزیابی عملکرد ماشین است که با روش‌‍‌های مختلف برآورد می‌شود. تحلیل حساسیت یک مدل، برای بررسی تاثیرپذیری متغیر خروجی از متغیرهای ورودی انجام می‌شود. در این مطالعه، سه مدل اصلی QTBM، NTNU، CSM و دو مدل حسن‌پور و فرخ براساس اطلاعات مربوط به شرایط زمین‌شناسی و اطلاعات حفاری تونل انتقال آب لار-کلان، مورد تحلیل حساسیت قرار گرفته و تاثیر تغییرات عوامل ورودی مدل‌ها بر تغییرات نرخ نفوذ بررسی شده است. نتایج کلی بهاین صورت است که افزایش نیروی پیشران، CLI، RPM، تخلخل و شاخص خردشدگی و کاهش Q، محتوای کوارتز، مقاومت فشاری تک‌محوره، مقاومت کششی، تنش مماسی و RQD، باعث افزایش نرخ نفوذ می‌شوند. تحلیل حساسیت، براساس دو نمودار گردبادی و عنکبوتی، مورد ارزیابی قرار گرفته و برای مدل‌های مختلف، تاثیر تغییرات شاخص‌ها بر روی تغییرات نرخ نفود، بررسی و عواملی که بیشترین تاثیر را بر نرخ نفود دارند، مشخص شده‌اند؛ از عوامل مربوط به شرایط زمین‌شناسی تغییرات Q، تخلخل، مقاومت فشاری تک‌محوره و RQD و از شاخصهای مربوط به ماشین حفر تونل، تغییرات نیروی پیشران و RPM ، بیشترین تاثیر را بر تغییرات نرخ نفوذ در تونل مورد مطالعه داشتند. | ||
| کلیدواژه‌ها | ||
| ماشین حفر تمام مقطع؛ نرخ نفوذ؛ تحلیل حساسیت؛ نمودار گردبادی؛ نمودار عنکبوتی | ||
| عنوان مقاله [English] | ||
| Sensitivity Analysis of Tbm Performance Prediction Models in Lar-Kalan Water Conveyance Tunnel | ||
| نویسندگان [English] | ||
| M. Sardari1؛ Sh. Zare2؛ M. Mazraeli3 | ||
| 1M.Sc, Dept. of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology, Shahrood, Iran | ||
| 2Associate Professor, Dept. of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology, Shahrood, Iran | ||
| 3Ph.D Student, Dept. of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology, Shahrood, Iran | ||
| چکیده [English] | ||
| Evaluation of TBM performance is very important in estimating the cost and time of a tunnel project. Sensitivity analysis of a model is performed to examine the influence of the input variables on the output variables. In this study, results variability of main models of TBM penetration rate (PR) prediction have been investigated based on the geological and field performance data at Lar-Kalan water conveyance tunnel. The overall results indicate that increase of thrust force, CLI, RPM, porosity, and fracturing factor and the decrease of Q value, quartz content, unconfined compressive strength, tensile strength, induced biaxial stress on tunnel face, and RQD increases the PR. Sensitivity analysis has been evaluated on the basis of the two Tornado and Spider charts for different models, and the effect of the input parameters variation on the variation of the PR have been investigated and the parameters that have the greatest influence on the PR were specified. Among the geological conditions, the variation of the Q value, porosity, UCS, RQD and among the machine parameters, variation of the thrust force and RPM have the greatest impact on the variation of the penetration rate in the project. | ||
| کلیدواژه‌ها [English] | ||
| TBM, Sensitivity analysis, Tornado chart, Spider chart | ||
| مراجع | ||
|
[1] Roxborough, F., and Phillips, H. (1975). “Rock excavation by disc cutter”. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, 12(12): 361-366. [2] Sanio, H. P. (1985). “Prediction of the performance of disc cutters in anisotropic rock”. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, 22(3): 153-161. [3] Sato, K. (1991). “Prediction of disc cutter performance using a circular rock cutting rig”. In Proceedings of the First International symposium on Mine Mechanization, Golden, Colorado, 1: pp. 1-31. [4] Snowdon, R. A., Ryley, M. D., and Temporal, J. (1982). “A study of disc cutting in selected British rocks”. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, 19(3): 107-121. [5] Boyd, R. J. (1986). “Hard rock continuous mining machine: Mobile Miner MM-120”. In Rock Excavation Engineering Seminar, Department of Mining and Metallurgical Engineering, University of Queensland. [6] Ozdemir, L. (1977). “Development of Theoretical Equations for Predicting Tunnel Borability”. PhD Thesis, Colorado School of mines, Golden, Colorado, pp. 14-87. [7] Grima, M., Alvarez, M., Bruines, P. A., and Verhoef, P. (2000). “Modeling tunnel boring machine performance by neuro-fuzzy methods”. Tunnelling and Underground Space Technology, 15(3): 259-269. [8] Armaghan, D. J., Mohamad, E. T., Narayansamy, M. S., Narita, N., and Yagiz, S. (2017). “Development of hybrid intelligent models for predicting TBM penetration rate in hard rock condition”. Tunnelling and Underground Space Technology, 63: 29-43. [9] Mikaeil, R., Naghadehi, M., and Sereshki, F. (2009). “Multifactorial fuzzy approach to the penetrability classification of TBM in hard rock conditions”. Tunnelling and Underground Space Technology, 24(5): 500-505. [10] Blindheim, O. T. (1979). “Boreability predictions for tunneling”. Ph.D Thesis, Department of Geological Engineering, The Norwegian Institute of Technology. [11] Ramezanzadeh, A. (2005). “Perforamnce analysis and development of new models for performance prediction of hard rock TBM in rock mass”. PhD Thesis, INSA, Lyon. [12] Hassanpour, J., Rostami, J., and Zhao, J. (2011). “A new hard rock TBM performance prediction model for project planning”. Tunnelling and Undergound Space Technology, 26(5): 595-603. [13] Farrokh, E., Rostami, J., and Laughton, C. (2012). “Study of various models for estimation of penetration rate of hard rock TBMs”. Tunneling and. Underground Spaces Technology, 30: 110-123. [14] Palmström, A. (1995). “RMi- A rock mass characterization system for rock engineeringpurposes”. chapter 7, PhD thesis, Oslo University, Norway. [15] Barton, N. (2000). “TBM tunnelling in jointed and faulted rock”.CRC Press, 1: pp. 39-99. [16] Bieniawski, Z. T. (2006). “Rock Mass Excavability (RME) index”. In Proceedings of the ITA World Tunnelling Congress, Seoul, 1: pp. 1118-1130. [17] Zoorabadi, M., S., Saydam, S., and Hebblewhite, B. (2013). “Parameter Study on Prediction Methods for TBM Penetration Rate”. Geotechnical and Geological Engineering, 31(2):783-791. [18] Macias, F. (2016). “Hard rock tunnel boring: performance predictions and cutter life assessments”. PhD Thesis, Faculty of Engineering Science and Technology, Norwegian University of Science and Technology. [19] Fatemi, A., Ahmadi, M., and Rostami, J. (2018). “Evaluation of TBM performance prediction models and sensitivity analysis of input parameters”. Bulletin of Engineering Geology and the Environment, 77(2): 501-513. [20] Ko, Y., Son, S. M., and Kim, T. K. (2017). “Comparative study of TBM performance prediction models”. Advances In Structural Engineering and Mechanics (ASEM17), IIsan (Seoul), Korea, 17: 1-11. [21] فاطمی، س. ا. ا.؛ 1395؛ "پیش‌بینی نرخ نفوذ ماشین حفر تمام مقطع حفر تونل با استفاده از سیستم رده‌بندی توده‌سنگ". رساله دکتری تخصصی، دانشگاه تربیت مدرس. [22] Barton, N. (1999). “TBM performance estimation in rock using QTBM”. Tunnels Tunneling International, 31(9): 30-34. [23] Ozdemir, L., Miller, R., and Wang, F. D. (1978). Mechanical tunnel boring prediction and machine design. Final project to NSF APR73-07776-A03, Colorado School of Mines, Golden, See also URL http://ui.adsabs.harvard.edu. [24] Rostami, J., and Ozdemir, L. (1993). “A New Model for Performance Prediction of Hard Rock TBMs”.In Rapid Excavation & Tunneling Conference, 793-809. [25] Rostami, J. (1997). “Development of a force estimation model for rock fragmentation with disc cutters through theoretical modelling and physical measurement of crushed zone pressure”. PhD thesis, Colorado School of Mines. [26] Yagiz, S., Rostami, J., and Ozdemir, L. (2012). “colorado school of mines approach for predicting TBM performance”. In ISRM International Symposium, EuROCK 2012, pp. 1-9. [27] Cheema, S. N. (1999). “Development of a rock mass boreability index for the performance of tunnel boring machines”.PhD Thesis, Colorado School of Mine. [28] Yagiz, S. (2002). “Development of rock fracture and brittleness indices to quantify the effects of rock mass features and toughness in the CSM Model basic penetration for hard rock tunneling machines”. PhD Thesis, Colorado School of Mine. | ||
|
آمار تعداد مشاهده مقاله: 261 تعداد دریافت فایل اصل مقاله: 404 |
||
