• ورود کاربران دانشگاهی

  • ثبت نام(مطالعه آنلاین پایان نامه ها)

  • سپندا

    کاربر مهمان
    سه شنبه 30 آبان 1396| 54.80.33.183 :Your IP
    سامانه پایان نامه های دانشگاه اصفهان (سپندا)



    عنوان :
    ارزیابی ارتباط پارامترهای ژئوتکنیکی سنگ‌های مسیر تونل نوسود با پارامترهای مرتبط با ماشین حفاری با استفاده از روش شبکه عصبی
    انتشارات : دانشگاه اصفهان
    سال :1393
    زبان : Persian
    شماره سند : 11693
    موضوع :زمین شناسی گرایش مهندسی
    پژوهشگر : حسین ابوالحسینی
    توصیفگر لاتین : geological engineering ? Nosoud Tunnel ? full section drilling machine ? penetration rate ? neural network ? statistical model
    توصیفگر فارسی : زمین شناسی مهندسی ◄ تونل نوسود ◄ ماشین حفاری تمام مقطع ◄ نرخ نفوذ ◄ شبکه عصبی ◄ مدل آماری
    دانشکده : دانشکده علوم، گروه زمین شناسی
    مقطع : کارشناسی ارشد

    استاد راهنما : رسول اجل لوئیان
    استاد مشاور : کمال گنجعلی پور
    سال دفاع : 1393
    شماره رکورد : 11693
    شماره راهنما : GEOL2 404
    فهرست : فهرست مطالب
    عنوان صفحه
    فصل اول :کلیات
    1-1- مقدمه 1
    1--2موقعیت جغرافیایی 2
    1-3- راه¬های دسترسی به منطقه 4
    1-4- آب و هوای منطقه 4
    1-5-اهداف پژوهش 5
    1-6-مراحل پژوهش 5
    1-7- فرضیه یا سوالات تحقیق 6
    1-8- محدودیت پژوهش 6
    فصل دوم :زمین‌شناسی منطقه
    2-1- مقدمه 7
    2-1- 1-زمین‌شناسی عمومی منطقه 7
    2-2- زمین‌شناسی منطقه 8
    2-3- چینه شناسی منطقه 10
    2-3- 1-سازندهای موجود در منطقه 12
    2-3-1-1 سازند پابده 12
    2-3-1-2 سازند گورپی 12
    2-3-1-3- سازند ایلام 12
    2-3-1-4-آهک¬های کرتاسه 13
    2-3-1-5- گروه خامی 13
    2-3-1-6- سازند سورمه 13
    2-4-زمین ساخت منطقه 14
    2-4-1 گسل¬های اصلی موجود در منطقه 14
    2-4-1-1- گسل بلند زاگرس 15
    2-4-1-2- گسل مرواید 16
    2-4-1-3 گسل دینور- صحنه 16
    2-4-1-4- گسل جوانرود 17

    عنوان صفحه
    2-4-1-5- گسل پیرانشهر 17
    2-4-1-6- گسل دماله 18
    2-4-1-7- گسل کوزان 18
    2-4-2- ژئومورفولوژی 18
    2-4-3- چین‌خوردگی¬ها 21
    2-4-3-1-تاقدیس ازگله 21
    2-4-3-2- تاقدیس مره‌خیل 21
    2-5- وضعیت آب زیرزمینی 21
    فصل سوم: مروری بر متون گذشته
    3-1- مقدمه 23
    3-2-خصوصیات ماده سنگ 24
    3-3- خصوصیات توده سنگ 24
    3-4-مطالعات آزمایشگاهی 26
    3-4-1- مقاومت فشاری تک محوری(UCS) 26
    3-4- 2-آازمون مقاومت کششی 28
    3-4-3-آزمون سرشار(CAI) 29
    3-4-4- آزمون شاخص پانچ 31
    3-5- ره بندی شرایط زمین از نظر تونلسازی مکانیزه 31
    3-6- طبقه‌بندی مهندسی سنگ 32
    3-6-1- طبقه‌بندی ماده سنگ 33
    3-6-2- طبقه‌بندی مهندسی توده سنگ 33
    3-6-2-1-شاخص کیفیت سنگ 34
    3-6-2- 2-طبقه‌بندی ژئومکانیکی 36
    3-6-2-3سیستم طبقه‌بندی کیفیت توده سنگ(Q) 37
    3-6-2-4-شاخص مقاومت زمین‌شناسی (GSI) 39
    3-6-2-5-سیستم طبقه‌بندی شاخص توده سنگ RMi 40
    3-6-2-6-رده‌بندی بر اساس ساختار سنگ(RSR) 41
    3-7-دستگاه حفر تونل تمام جبهه 42
    3-7-1- تاریخچه ماشین‌های حفاری تمام مقطع 42
    3-7-2- محاسن ماشین¬های تمام مقطع 44
    عنوان صفحه
    3-7-3-معایب ماشین‌های تمام مقطع 44
    3-7-4- بخش‌های مختلف ماشین حفار تمام مقطع (TBM) 45
    3-7-4-1- کله حفار 45
    3-7- 4-2 ابزار برش 45
    3-7-4-3- لبه‌های برشی 45
    3-7-4-4- دندانه‌ها و ناخن‌های برشی 46
    3-7- 4-5 سرمته های برشی 46
    3-7-4-6- ریپرها (خراش دهنده‌ها 47
    3-7-4-7- دیسک کاترها 47
    3-7- 4-8 کفشک ها یا چنگک¬ها 49
    3-7-4-9-سیستم نصب سگمنت 49
    3-7- 4-10 سیستم بارگیری وتخلیه مواد 50
    3-7-5- پارامترهای موثر بر عملکرد TBM 51
    3-7-5-1- نرخ نفوذ 51
    3-7- 5-2 بهره‌وری ماشین 51
    3-7-5-3- نرخ پیشروی 52
    3-7-5-4- نیروی پیشران 53
    3-7-5-5- گشتاور دستگاه 54
    3-7-6-محاسبه و پیش‌بینی عمر دیسک کاترها 54
    3-7-6-1- CLIاندیس عمر دیسک کاتر 55
    3-7- 6-2- مقاومت توده سنگ(SIGMA) 56
    3-7-7-روش‌های پیش‌بینی عملکرد TBM 56
    3-7-7-1 مدل گراهام 57
    3-7-7-2- مدل CSM 58
    3-7-7-3- مدل فارمرو گلوسوپ 59
    3-7-7- 4-مدل کاسینلی 60
    3-7-7-5- مدل بامفورد 60
    3-7-7-6- مدلQTBM 60
    3-7-7-7-مدلNTH 61
    3-7-7-8- مدل رمضان زاده 64
    عنوان صفحه
    3-7-7-9- مدل اینارتو 64
    3-8- شبکه عصبی مصنوعی 64
    3-8- 1- مقدمه 64
    3-8- 2- تاریخچه و شرح شبکه عصبی مصنوعی 65
    3-8- 3- معایب استفاده از شبکه‌های عصبی مصنوعی 68
    3-8- 4- شناخت شبکه عصبی مصنوعی 68
    3-8- 5- انواع شبکه عصبی مصنوعی 74
    فصل چهارم: روش تحقیق
    4-1- مقدمه 76
    4-2- مطالعات دفتری 77
    4-3-مطالعات صحرایی 77
    4-3-1- مطالعات زمین‌شناسی منطقه 77
    4-3-2- حفاری اکتشافی 77
    4-3-3- آزمون های صحرایی 77
    4-3-4-مطالعات آزمایشگاهی 77
    4-3-4-1- آزمایش مقاومت تراکمی تک محوری 77
    4-3-4-1-آزمون مقاومت کششی(برزیلی) 78
    4-3-4-3-آزمون سرشار(CAI) 78
    4-3-4-4-سایر آزمون ها 78
    4-3- 5- تجزیه وتحلیل داده‌ها 78
    4-3-6- نرم‌افزار های مورد استفاده 78
    4-3-6-1-مبانی نرم‌افزار SPSS 78
    4-3-6-1- 1-رگرسیون ساده(SR) 79
    4-3-6-1- 2-رگرسیون چندگانه(MLR) 79
    5-6- شبکه عصبی مصنوعی 80
    فصل پنجم: نتایج وبحث
    5-1- مقدمه 82
    5-2- بررسی وضعیت تحت‌الارضی مسیر تونل 83
    5-3- تفکیک واحدهای زمین‌شناسی مهندسی 85
    5-4- برآورد پارامترهای مقاومتی 86
    عنوان صفحه
    5-4-1- آزمون مقاومت تراکمی تک محوری 86
    5-4-2-آزمون مقاومت کششی 87
    5-4-3- نتایج طبقه‌بندی مهندسی توده سنگ 88
    5-4-3-1-طبقه‌بندی RMR 89
    5-4-3-2-طبقه‌بندی Q 92
    5-4-3-3-طبقه‌بندی GSI 94
    5-4-3-4-طبقه‌بندی RMi 97
    5-4-3-5-طبقه‌بندی RSR 98
    5-4- 4- رده‌بندی شرایط زمین از نظر تونل سازی مکانیزه 98
    5-5- مدل‌سازی و پیش‌بینی میزان نرخ نفوذ TBM، به روش آماری 99
    5-5-1- رگرسیون ساده 99
    5-5-2- رگرسیون چند متغییره(MLR) 103
    5-6-مدل سازی و پیش‌بینی نرخ نفوذ TBM با استفاده از شبکه عصبی مصنوعی 108
    5-6-1-شبکه عصبی با ورودی های مکانیکی سنگ بکر 108
    5-6-2-شبکه عصبی با ورودی های شامل ترکیبی از پارامترهای مکانیکی سنگ بکر و رده‌بندی های توده سنگ 109
    5-6-2-1- تعیین باند خطا 110
    5-6-2-2- آنالیز حساسیت 111
    5-6-2-3- مقایسه رگرسیون چند متغییره و شبکه عصبی با ورودی‌های شامل ترکیبی از پارامتر¬های مکانیکی سنگ بکر و رده‌بندی‌های توده سنگ 112
    5-6-2-4- روش اینارتو 112
    5-6-2-5- مدل NTH 115
    5-6-2-6- مقایسه شبکه عصبی با روش NTH و اینارتو 117
    فصل ششم: نتیجه¬گیری و پیشنهادات
    6-1- نتیجه¬گیری 120
    6-2- پیشنهادات 123


    چکیده :
    چکیده ماشین حفاری تمام مقطع یکی از مناسب¬ترین تجهیزات موجود در صنعت تونل¬سازی می¬باشد. ماشین¬های مدرن تونل¬زنی کاربردهای فراوانی دارند و به شکل مطلوبی در شرایط ژئوتکنیکی مختلف مورد استفاده قرار گرفته¬اند. تاکنون تحقیقات فراوانی برای پیش¬بینی نرخ نفوذ و پیش¬بینی و ارتباط آن‌ها با پارامترهای زمین¬شناسی و دستگاه انجام پذیرفته است. اگرچه تا کنون مدل¬های ارائه شده، در پیش¬بینی نرخ نفوذ و پیشروی TBM دستگاه تا حدی موفق بوده¬اند، اما هر یک از آن‌ها تنها برخی از پارامترهای مؤثر بر نفوذ TBM را مد¬نظر قرار داده¬اند. این تحقیق در راستای بررسی تأثیر پارامترهای مختلف زمین¬شناسی تونل نوسود بر نرخ پیشروی TBM انجام شده است. در این تونل عمده حفاری صورت گرفته در لایه¬های آهکی، شیلی- آهکی، شیلی - مارنی می-باشد. در ادامه واحدهای سنگی مسیر تونل، به 3 واحد اصلی تفکیک شده و نتایج پیش¬بینی نرخ نفوذ حاصل از روش¬های مختلف، با مقادیر عملی به دست آمده مقایسه گردید. از لحاظ کمترین اختلاف با نرخ پیشروی واقعی، مدل¬ شبکه عصبی در همه واحدهای سنگی بهترین حالت و مدل اینارتو بدترین حالت را دارند. با توجه به پیش¬بینی نرخ نفوذ، به روش آماری (رگرسیون ساده وچند متغییره) ، در مقایسه با پیش¬بینی نرخ نفوذ با استفاده از شبکه عصبی، نشان از کارایی بالای شبکه عصبی، با مقدار خطای پایین می¬باشد. همچنین نتایج تحلیل¬ها نشان می¬دهد که ارتباط نسبتا معقولی میان برخی پارامترهای زمین¬شناسی و ژئومکانیکی با پارامترهای عملیاتی ماشین وجود دارد. از میان این پارامترها UCS بهترین تطابق را با پارامترهای عملیاتی نشان می¬دهد. در ادامه بر مبنای نتایج حاصل از گمانه¬های اکتشافی و مطالعات صحرایی، مقطع زمین¬شناسی مهندسی تونل، ترسیم گردیده و قسمت¬های مختلف آن بر اساس طبقه¬بندی مهندسی سنگ، پهنه¬بندی گردید. طبقه¬بندی مهندسی سنگ¬ها نشان می‌دهد که کیفیت لایه‌های آهکی، شیلی- آهکی، شیلی – مارنی، زون‌های خرد شده به ترتیب خوب، متوسط، ضعیف و خیلی ضعیف می‌باشد. واژگان کلیدی: زمین¬شناسی مهندسی، تونل نوسود، ماشین حفاری تمام مقطع، نرخ نفوذ، شبکه عصبی ، مدل آماری.

    چکیده انگلیسی :
    Abstract Full interval drilling machines are one of the most appropriate equipment in tunneling industry. Modern tunneling machines are widely applied and have favorable efficiency in various geotechnical qualifications. Today comprehensive studies are presented to predict the penetration rate and its relation with geological parameters and using machine. Although proposed models in predicting the penetration rate and TBM machine progression has succeeded partly, each model considered just some of effective parameters in TBM progression. The aim of this study is to survey various parameters effect on TBM progression in Nosoud Tunnel. Drilling in the tunnel is mostly occurred in limestone, limestone-shale and shale-marl lithologies. Later, lithological units of tunnel are categorized in three main sets to compare results of penetration rate prediction to real drilling values. Neural network model presented the best relation with real values, whereas Inarto Model have resulted the worst values for progression prediction. Based on the statistical methods (simple and multivariate regression), neural network model showed a suitable accuracy and low error value which indicate the method proficiency. Based on the analyses, an almost logical relationship between some geological and geomechanical parameters with operational parameters is recorded. Among these parameters, Ucs presented the best relation to operational parameters. In the following, based on exploration bores and field studies, geological section of the tunnel is traced and its different parts are categorized using rock engineering classification. Rocks engineering classification shows limestone, limestone-shale, shale-marl and crushed zones layers present good, moderate, weak and very weak quality. Keywords: geological engineering, Nosoud Tunnel, full section drilling machine, penetration rate, neural network, statistical model.


    کلید واژه ها :
    زمین شناسی مهندسی ◄ تونل نوسود ◄ ماشین حفاری تمام مقطع ◄ نرخ نفوذ ◄ شبکه عصبی ◄ مدل آماری,geological engineering ◄ Nosoud Tunnel ◄ full section drilling machine ◄ penetration rate ◄ neural network ◄ statistical model

    تیر1393
    0

    صفحه اول : University of Isfahan Faculty of Science Department of Geology M.Sc. Thesis Evaluation of relation between Geotechnical parameters of Nosoud tunnel and the parameters of the TBM using Neural Network techniques Supervisor: Dr. Rasoul Ajalloeian Advisor: Kamal Ganjali Pour By: Hossein Abolhosseini June 2014
    فصل اول : 1-6
    فصل دوم : 7-22
    فصل سوم : 23-75
    فصل چهارم : 76-81
    فصل پنجم : 82-119
    فصل ششم : 120-130