عنوان پایان‌نامه
شبیه سازی پیش بینی تغییر شکل تونلهای دوقلو بر اساس
- رشته تحصیلی
- مهندسی معدن-مکانیک سنگ
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 39577;کتابخانه پردیس 2 فنی شماره ثبت: 1448
- تاریخ دفاع
- ۰۹ مهر ۱۳۸۷
- دانشجو
- مرتضی بیکی
- استاد راهنما
- عباس مجدی
- چکیده
- در این تحقیق، میزان تغییرشکل‌پذیری تونلهای دوقلو با استفاده از برخی روش‌های هوش مصنوعی، نظیر شبکه‌های عصبی، سیستم‌های عصبی - فازی و برنامه‌نویسی ژنتیک، تخمین زده شد. این روش‌ها، جهت تخمین توابع، به بردارهای آموزشی، متشکل از پارامترهای ورودی و مقادیر هدف، نیاز دارند. داده‌های لازم جهت آموزش و تست این مدل‌ها با استفاده از نرم‌افزار FLAC فراهم گردید. این فایل‌ها یک به یک مورد تحلیل قرار گرفتند و مقادیر جابجایی‌ها در تاج، کف و دیواره‌های تونلهای دوقلو، به عنوان مقادیر هدف بردارهای آموزشی، ثبت گردید. به منظور تخمین تغییرشکل تونلهای دوقلو به وسیله مدل عصبی از دو شبکه پس‌انتشار خطا و رگرسیون عمومی، استفاده شد. نتایج تست این مدل‌ها با داده‌های جدید، همبستگی خوبی با داده‌های حاصل از نرم‌افزار دارا بودند. در ادامه با کمک وزن‌ها و بایاس‌های استخراج شده از شبکه پس‌انتشار و فاکتوری به نام شاخص دوام نسبی آثار RSE، میزان تاثیر پارامترهای ورودی بر تغییرشکل‌پذیری تونلهای دوقلو سنجیده شد. تحلیل آماری مقادیر RSE، نشان داد که دو پارامتر مقاومت کششی و ضریب پواسون تاثیر چندانی در جابجایی‌های رخ داده در تونلهای دوقلو ندارند. نتایج حاصل از آموزش مجدد شبکه‌های عصبی، بدون لحاظ کردن این دو متغیر به عنوان پارامترهای ورودی، نیز صحت این مطلب را اثبات نمود. یکی دیگر از روش‌های مورد استفاده در این تحقیق، سیستم‌های عصبی- فازی است که تلفیقی از شبکه‌های عصبی و منطق فازی می‌باشد. نوعی از این سیستم‌ها، سیستم عصبی- فازی انطباق‌پذیر است که از مدل استنتاج فازی سوگنو بهره می‌برد. این روش نیز همانند شبکه‌های عصبی نیاز به بردارهای آموزشی جهت تخمین توابع دارد. به همین منظور و با هدف کاهش در مدت زمان آموزش از نتایج حاصل از تحلیل آماری مقادیر RSE، (حذف پارامترهای مقاومت کششی و ضریب پواسون از متغیرهای ورودی) استفاده گردید. نتایج آموزش و تست مدل عصبی- فازی با به کارگیری این متغیرها، قابلیت این مدل را در پیش‌بینی تغییرشکل تونل‌ها اثبات کرد. در بخش پایانی تحقیق، با استفاده از روش برنامه‌نویسی ژنتیک، روابطی جهت پیش‌بینی جابجایی‌های به وجود آمده در تاج، کف و دیواره‌های دو تونل ارائه گردید. این روابط، علاوه بر آن که تا حد زیادی، دقت روش‌های عددی را دارا می‌باشند، سادگی و سهولت استفاده از آنها به مراتب بیشتر است. نتایج پیش‌بینی تغییرشکل تونلهای دوقلو با استفاده از این روابط در هماهنگی خوبی با نتایج نرم‌افزار FLAC، بودند. کلمات کلیدی: شبکه عصبی پس‌انتشار خطا، شبکه عصبی رگرسیون عمومی، سیستم‌های عصبی- فازی انطباق‌پذیر، برنامه نویسی ژنتیک
- Abstract
- Abstract In this research, deformability of twin tunnels by means of artificial intelligence methods such as neural network, neuro- fuzzy system, and genetic programming was estimated. For estimating a function by these methods, the training sample, input parameters and target values, are needed. The samples for training and test were prepared by FLAC software. The achieved displacements in the roof, floor and walls of twin tunnels by this software were used as output. For prediction of the deformability of twin tunnels using ANN, two neural network models named BPNN and GRNN were employed. The achieved results by new data had high correlation with FLAC results. Furthermore, using extracted weights and bias from BPNN and Relative Strength of Effect (RSE) index, the effect of each input on deformability of twin tunnels evaluated. Statistical analysis of RSE values proved that the poision ratio and tensile strength parameters had negligible effect on deformability. By omitting these two parameters, a new ANN was designed and the above result was demonstrated. Another method used in this study was neuro- fuzzy system which is the combination of neural network and fuzzy logic. Adaptive neuro- fuzzy system is a kind of these systems that utilizes fuzzy Soguno model. This method, the same as neural network, needs training sample to predict the functions; therefore, for shortening the training time, the results achieved by statistical analysis of RSE values were used. The training and test results of neuro- fuzzy model proved the capability of this method for predicting the twin tunnels deformability. Finally, using the genetic programming method, some closed form solutions for prediction of displacements in roof, floor, and walls of twin tunnels were proposed. The accuracy of the results obtained by the approach is comparable with results of numerical modeling as compared with the flac’s results. However the proposed method has the advantage of being much easier than the numerical models. Keywords: Back Propagation Neural Network, Generalized Regression Neural Network, Adaptive Neuro-Fuzzy Inference Systems, Genetic Programming
