تخمین مقدار تغییر شکل در اطراف تونل و تاثیر نسبی پارامترهای ژئومکانیکی بر آن با استفاده از شبکه مصنوعی

یکی از مسائلی که در تحلیل برگشتی اهمیت بسزائی دارد، تحلیل تغییر شکل های اندازه گیری شده و نحوه رفتار تونل های حفر شده در سنگ است. روش متداول در این گونه موارد تحلیل عددی سازه زیرزمینی است. به عنوان یک روش مناسب جایگزین، شبکه عصبی آموزش دیده بر مبنای الگوهای تحلیل شده توسط روش های عددی، علاوه بر این که به دقت مورد نیاز در روش های عددی می رسد، سادگی و سهولت استفاده از آن از سایر روش ها بیشتر بوده و نیازی به یادگیری نرم افزار و نیز دانش روش های عددی نداشته و سرعت آن نیز بالاتر است. در این تحقیق مدلی مبتنی بر شبکه عصبی چند لایه پرسپترون برای پیش بینی رفتار تونل، پس از حفر ارائه شده است. متغیرهای ورودی در نظر گرفته شده مدول الاستیک، نسبت پواسون، مقاومت کششی، چسبندگی و زاویه اصطکاک داخلی توده سنگ، مقدار تنش اولیه قائم و نسبت تنش افقی به قائم می باشند. برای آموزش شبکه از بانک اطلاعاتی بدست آمده از 183 آنالیز پایداری تونل توسط نرم افزار FLAC استفاده شد. سپس با توجه به رفتار شبکه در آموزش و آزمون مقادیر مناسبی برای تعداد لایه های میانی، تعداد نرون ها و توابع فعالیت آنها بدست آمد. به این ترتیب مدلی مبتنی بر شبکه عصبی ساخته شد که بدون داشتن دانشی از نحوه رفتار سنگ قادر به پیش بینی رفتار آن بود. در ادامه با استفاده از روابط موجود در شبکه عصبی، فاکتوری به نام RSE معرفی شده که تاثیر نسبی پارامتر i در ورودی بر پارامتر k در خروجی را نشان می دهد. با مطالعه RSE می توان نتیجه گرفت که هر پارامتر سهم خاصی بر رفتار توده سنگ دارد و برخی پارامترها در هر حال تاثیر کمی دارند. لذا بهتر است در انجام تحلیل های آنالیز برگشتی و یا تحلیل فضاهای زیرزمینی در ابتدا توجه بیشتری به پارامترهای تاثیرگذارتر نمود. در انجام عملیات ژئوتکنیکی نیز با توجه به این مساله و دانستن مقدار اهمیت هر پارامتر می توان حجم عملیات مختلف را به صورت بهینه تعیین کرد.