تعداد نشریات | 20 |
تعداد شمارهها | 348 |
تعداد مقالات | 2,871 |
تعداد مشاهده مقاله | 3,264,285 |
تعداد دریافت فایل اصل مقاله | 2,399,447 |
پیشبینی حداکثر نشست سطح زمین ناشی از عملیات تونلسازی در محیطهای شهری با مدل رگرسیون خطی چندگانه و الگوریتم جنگل تصادفی | ||
نشریه مهندسی منابع معدنی | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 آذر 1402 | ||
نوع مقاله: علمی-پژوهشی | ||
شناسه دیجیتال (DOI): 10.30479/jmre.2023.19111.1654 | ||
نویسندگان | ||
حسام دهقانی* 1؛ فریبرز متین پور2؛ شادمان محمدی بلبان اباد3؛ مسعود منجزی4 | ||
1عضو محترم هیات علمی دانشگاه صنعتی همدان | ||
2گروه مهندسی معدن، دانشگاه تهران | ||
3گروه مهندسی معدن، دانشگاه تربیت مدرس | ||
4عضو محترم هیئت علمی گروه معدن دانشگاه تربیت مدرس | ||
تاریخ دریافت: 05 مرداد 1402، تاریخ بازنگری: 17 آبان 1402، تاریخ پذیرش: 13 آبان 1402 | ||
چکیده | ||
در این مقاله، به منظور پیشبینی حداکثر نشست سطح زمین ناشی از عملیات حفاری تونلهای کم عمق در محیطهای شهری از دو روش رگرسیون خطی چندگانه (MLR) و الگوریتم جنگل تصادفی (RF) استفاده شده است. بدین منظور 9 پارامتر ورودی مؤثر بر حداکثر نشست سطح زمین از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W.T)، قطر تونل (D)، مدول الاستیسته خاک (E)، مقاومت برشی زهکشی نشده خاک (Su)، ضریب فشار زمین (K0)، وزن مخصوص خاک (γ)، پارامتر گَپ (g) و عدد پایداری (N) براساس 24 دسته داده مربوط به 14 پروژه مختلف تونلسازی انتخاب و سپس روشهای MLR و RF پیادهسازی گردیدند. به منظور ارزیابی کارایی مدلها در پیشبینی حداکثر نشست از 3 شاخص ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای دادههای آموزش و تست استفاده شد. مقادیر ضریب تعیین روشهای MLR و RF برای دادههای آموزش به ترتیب 814/0 و 957/0 و برای دادههای تست به ترتیب 793/0 و 96/0 بدست آمد که نشان دهنده کارایی بالای روش RF در مقایسه MLR میباشد. نتایج نشان داد که مقادیر شاخصهای RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم RF کمتر از روش MLR میباشند که بیانگر خطای کمتر الگوریتم RF و دقت بالاتر آن نسبت به روش MLR میباشد. به علاوه، نتایج نشان میدهد که از بین پارامترهای ورودی، پارامتر گَپ (g) و مقاومت برشی زهکشی نشده خاک (Cu) به ترتیب بیشترین و کمترین تأثیر را بر حداکثر نشست سطح زمین دارند. | ||
کلیدواژهها | ||
عملیات تونلسازی؛ حداکثر نشست سطح زمین؛ رگرسیون خطی چندگانه؛ الگوریتم جنگل تصادفی | ||
عنوان مقاله [English] | ||
Prediction of the Maximum Surface Settlement Induced by Urban Area Tunneling Using Multiple Linear Regression Model and Random Forest Algorithm | ||
نویسندگان [English] | ||
Hesam Dehghani1؛ Fariborz Matinpour2؛ shadman mohamadi bolban abad3؛ Masoud Monjezi4 | ||
1Mining faculty, Hamedan University of Technology, Hamedan, Iran | ||
2Department of Mining Engineering, Tehran University | ||
3Department of Mining Engineering, Tarbiat Modares University | ||
4Professor, Tarbiat Modares University | ||
چکیده [English] | ||
This paper uses multiple linear regression (MLR) model and random forest (RF) algorithm to predict the maximum surface settlement (Smax) due to shallow tunnel excavation. Nine input parameters, including the distance of the tunnel center from the ground surface (H), the height of the underground water level above the tunnel (W.T), the tunnel diameter (D), the elastic modulus of soil (E), undrained shear strength of soil (Su), earth pressure coefficient (K0), unit weight of soil (γ), gap parameter (g) and stability number (N), were selected from 24 data sets related to 14 tunneling projects. The MLR and RF techniques were then implemented for predicting Smax. Three performance indicators of coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (MAE), were employed for the training and test phases to evaluate the efficiency of the suggested models. The coefficient of determination values for MLR and RF for training data were 0.814 and 0.957, respectively, while for test data were 0.793 and 0.96, indicating that the RF approach is more efficient than MLR. Moreover, the findings reveal that the RF algorithm exhibits lower RMSE and MAE values in both the training and testing phases compared to the MLR method. This suggests that the RF algorithm exhibits reduced error and higher reliability and accuracy when compared to the MLR method. The outcomes also demonstrate that, among the input parameters, the gap parameter (g) and the undrained shear strength of soil (Su) have the greatest and least influence on Smax, respectively. | ||
کلیدواژهها [English] | ||
tunneling operations, maximum surface settlement, multiple linear regression (MLR) model, random forest (RF) algorithm | ||
آمار تعداد مشاهده مقاله: 117 |