ارائه رابط هی جدید برای پی شبینی نرخ نفوذ ماشین حفاری تی بی ام ( TBM ) سنگ

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی )ره(، قزوین، ایران

چکیده

ماشینهای حفار تمام مقطع (TBM) از مهم ترین ماشینهای حفاری در تونلها به شمار می روند. بدلیل قیمت بالای ماشین، ارزیابی عملکرد در حفاری با استفاده از این ماشینها از اهمیت ویژه ای برخوردار است. یکی از شاخص ارزیابی عملکرد ماشین حفر تونل، پیش بینی نرخ نفوذ این دستگاه می باشد. روشها و روابط متنوعی برای پیش بینی نرخ نفوذ وجود دارد که هر کدام ویژگیهای خاص خود را دارد و بر اساس پارامترهای مربوط به توده سنگ و مشخصات ماشین ارائه شده اند. روشهای رگرسیون خطی چند متغیره، شبکه عصبی و سیستم استنتاجی تطبیقی فازی عصبی از روشهای با کارایی بالا در مدل سازی و تشخیص الگو در داده ها می باشند. در این تحقیق با بکارگیری روش رگرسیون خطی چند متغیره و با در نظر گرفتن پارامترهای کلیدی توده سنگ و ماشین حفر تونل (TBM) روابطی برای پیش بینی نرخ نفوذ در تونل زاگرس 1 ارائه گردید و بر اساس تحلیلهای آماری بهترین رابطه انتخاب گردید. برای بررسی اعتبار سنجی، نرخ نفوذ در بعضی مقاطع تونل قمرود توسط رابطه پیشنهادی محاسبه شد. نتایج محاسبات در مقایسه با مقادیر واقعی و نتایج سایر مدلها نشان می دهد مقادیر پیش بینی شده نرخ نفوذ توسط رابطه پیشنهادی از دقت قابل قبولی برخوردار است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Introducing New Equation for Predicting Penetration Rate of Tunnel Boring Machine

نویسندگان [English]

  • M. Hosseini
  • S. J. Hosseini
Department of Mining Engineering, Imam Khomeini International University, Qazvin, Iran
چکیده [English]

Tunnel Boring Machines (TBM) is among the most important machines for tunnel excavation purposes. Evaluation of the performance of these machines for excavation is of special importance due to the high cost of these machines. Prediction of the penetration rate is one of the indicators in evaluation of TBMs. There are various methods and equations for predicting the penetration rate, which are based on parameters related to the rock mass and specifications of the machine, and each of them has its own particular characteristics. Multivariable linear regressions, artificial neural networks, and adaptive neuro-fuzzy inference systems are among the highly efficient modeling and data pattern recognition methods. In this research, some equations have been proposed for predicting the penetration rate in Zagros I Tunnel by employing multivariable linear regression method and by considering the key parameters of the rock mass and the specifications of the TBM; the best equation was selected according to the results of statistical analysis. For verifying the validity of this equation, the penetration rate was calculated at certain parts of Ghomrood Tunnel. In comparison with the real values and results of other models, the outcomes of calculations indicate that predicted values for the penetration rate are of acceptable accuracy.

کلیدواژه‌ها [English]

  • Penetration Rate
  • TBM
  • Rock
  • Water conveyance tunnel
  • Zagros I
[1] Foroughi, M., (2005). The Effect of Geotechnical Parameters of Tunnel Route on TBM Performance, master’s thesis in mining engineering, Shahid Bahonar University of Kerman, (in Persian).
[2] Salehi B. (2007). "Tunneling with TBM", Sanei Publication, (in Persian).
[3] Tarkoy P.J (1973). “Prediction TBM penetration rate in selected Rock types”. Ninth Canadian Rock Mechanic.
[4] Farmer, I. and N. Glossop (1980). "Mechanics of disc cutter penetration" Tunnels and Tunnelling 12(6): 22-25.
[5] Cassinelli, F., et al. (1983). Power consumption and metal wear in tunnel-boring machines: analysis of tunnel-boring operation in hard rock: In: Tunneling 82, Proceedings of the 3rd International Symposium, Brighton, 7–11 June 1982, P73–81. Publ London: IMM, 1982. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, Pergamon.
[6] Lislerud, A. (1988). "Hard rock tunnel boring: prognosis and costs." Tunnelling and Underground Space Technology 3(1): 9-17.
[7] Innaurato, N., et al. (1991). “Forecasting and effective TBM performances in a rapid excavation of a tunnel in Italy”. 7th ISRM Congress, International Society for Rock Mechanics.
[8] Barton, N. (1999). "TBM PREDICTIONS-TBM performance In rock using QTBM-The author, Technical adviser, NGI, has developed a new method for predicting penetration rate and advance rate for TBM tunnelling.The method." Tunnels and Tunnelling 31(9): 30-35.
[9] Ribacchi, R. and A. L. Fazio (2005). "Influence of rock mass parameters on the performance of a TBM in a gneissic formation (Varzo Tunnel)." Rock mechanics and rock engineering 38(2): 105-127.
[10] Bieniawski Z. T., C. B., Galera J. M., Bieniawski Z.T., Celada B., Galera J. M., (2007). “Predicting TBM excavability-part I”. Tunnels Tunnell Int.: 32-35.
[11] Hassanpour, J., et al. (2010). "TBM performance analysis in pyroclastic rocks: a case history of Karaj water conveyance tunnel." Rock mechanics and rock engineering 43(4): 427-445.
[12] Hamidi, J. K., et al. (2010). "Performance prediction of hard rock TBM using Rock Mass Rating (RMR) system." Tunnelling and Underground Space Technology 25(4): 333-345.
[13] Moshaver Sahel Engineering Institute, G. S. K. A. P.(2011). "Workshop Report for Boring and Engineering Services of Nowsud Water Transfer Project, Area 1-A-Zagros 1 tunnel", (in Persian).
[14] Curlinger Phedazar,. (2009). "Multivariate Regression in Behavioral Research" (Vol. 2), Translated by Dr. Hasan Pasha Sharifi,Avaya Noor Publication, (in Persian).
[15] Shariat Alavi, H., and Kakaei, R., (2010). ""Calculation of Utilization Factor and Rate of Advance of Hard Rock TBM, Case study: Ghomroud Water Transfer Project, Area 1"." Iranian Journal of Mining Engineering 5(9),(in Persian).