پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 705 |
| تعداد مقالات | 10,149 |
| تعداد مشاهده مقاله | 71,507,413 |
| تعداد دریافت فایل اصل مقاله | 63,219,324 |
بررسی عددی نشست سطح زمین در تونل زنی دایره ای تحت اثر همزمان تغییرات مشخصات هندسی تونل و مکانیکی خاک در محیط اشباع و پیش بینی آن در شبکه عصبی مصنوعی | ||
| مدل سازی در مهندسی | ||
| دوره 19، شماره 64، اردیبهشت 1400، صفحه 27-39 اصل مقاله (2.77 M) | ||
| نوع مقاله: مقاله عمران | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2019.18022.1735 | ||
| نویسندگان | ||
| واحد قیاسی* 1؛ مهدی کوشکی2 | ||
| 1گروه مهندسی عمران دانشگاه ملایر ملایر استان همدان ایران | ||
| 2گروه مهندسی عمران ، دانشکده عمران و معماری، دانشگاه ملایر، ملایر، ایران | ||
| تاریخ دریافت: 27 خرداد 1398، تاریخ بازنگری: 21 مهر 1398، تاریخ پذیرش: 14 آبان 1398 | ||
| چکیده | ||
| ساخت تونل های زیرزمینی، مشکلات ایجاد شده به سبب این ساخت وساز، در اطراف تونل و یا نزدیک به سطح زمین همواره مورد توجه بوده است. تغییرشکل و نشست سطح زمین به سبب عملیات تونل زنی و همچنین جابجایی تاج، دیواره ها و کف تونل از جمله عوامل ناپایدارکننده تونل به حساب می آیند. با توجه به اهمیت موضوع، محققین زیادی بر روی شکل و نوع جابجایی سطح زمین و مقدار آن با توجه به عوامل مختلف بحث نموده اند، با این وجود هنوز رابطه ای دقیق برای پیش بینی نشست سطح زمین با در نظر گرفتن تمامی پارامترهای موثر از جمله پارامترهای هندسی تونل و مکانیکی خاک، ارائه نشده است. در این پژوهش به بررسی عددی و پارامتریک نشست سطح زمین، در محیط خاک اصطکاکی- چسبنده و در محیط اشباع صورت می گیرد، با بهره گیری از روش تحلیل المان محدود در نرم افزار ABAQUS، پرداخته شده است. با در نظر گرفتن مقادیر مختلف عمق به قطر تونل در شرایط مختلف برای چسبندگی خاک، زوایای اصطکاک داخلی و ضرایب نفوذپذیری و تغییرات همزمان آنها ، تاثیر این متغیرها روی نشست سطح زمین مورد بررسی قرارگرفته است. سپس با استفاده از ایجاد شبکه عصبی مصنوعی از نوع پرسپترون چندلایه در نرم افزار MATLAB، و با استفاده از نتایج تحلیل نرم افزار آباکوس به عنوان ورودی شبکه، به پیشبینی مقادیر نشست سطح زمین در سایر حالات پرداخته شده است. در نهایت، پتانسیل قابل توجه شبکه عصبی با مقدار ضریب همبستگی 98/0 در پیش بینی مقادیر نشست نشان داده شده-است. | ||
| کلیدواژهها | ||
| پیش بینی نشست سطح زمین؛ تحلیل المان محدود تونل؛ شبکه عصبی مصنوعی-پرسپترون | ||
| عنوان مقاله [English] | ||
| Numerical investigation of ground surface settlement due to circular tunnelling influenced by variations of geometric characteristics of tunnel and mechanical properties of saturated soil and its prediction in the artificial neural network | ||
| نویسندگان [English] | ||
| vahed ghiasi1؛ Mehdi Koushki2 | ||
| 1Department of Civil Engineering, coolege of civil eng, malayer university, malayer, Iran | ||
| 2Department of civil engineering, Faculty of civil and architecture engineering, Malayer University, Malayer, Iran | ||
| چکیده [English] | ||
| The settlement of the ground surface due to tunneling are considered as tunnel instability factors, as well as the displacement of the crown of the tunnel. Considering the importance of the subject, numerous research have been discussed but not considered on the effect of shape and type of ground surface settlement and its magnitude with respect to different factors. However, there is still no accurate equation to predict ground surface settlement, considering all effective parameters, including geometrical parameters of tunnel section and soil mechanical properties. In this paper, some numerical and parametric analysis of circular tunneling in frictional-cohesive saturated soil has been investigated using 2D FEM by ABAQUS. The behavior of ground surface, considering to change the different values of depth to diameter ratio(H/D), soil cohesion, internal friction angle and permeability coefficient, and the influence of these variables on settlement of surface in each model have been separately evaluated. Then, a multi-layer perception (MLP) artificial neural network is designed to predict the ground surface settlement. MLP is a type of feedforward artificial neural network utilizing back propagation technique for training phase and the Levenberg-Marquardt method are used to reduce the errors and distance between the network outputs and finite element method results. There are four independent variables in the input layer and a dependent variable in the output layer. The middle layer consists of 7 neurons. Finally, the high potential of the artificial neural network with a correlation coefficient of 0.98 is shown in the prediction of ground surface settlement. | ||
| کلیدواژهها [English] | ||
| Ground surface settlement, finite element method, Multi-layer perceptron artificial neural network | ||
| مراجع | ||
|
[1] F. Martos, "Concerning an approximate equation of the subsidence trough and its time factors", Proc Int Strata Control Congress, Leipzig, 1958, pp.191-205. [2] R. Peck, "Deep excavations and tunnelling in soft ground", Proc 7th International Conference on Soil Mechanics and Foundation Engineering, Mexico, Mexico City, 1969, pp. 225-290. [3] M. O’Reilly and B. New, "Settlements above tunnels in the United Kingdom, their magnitude and prediction", Proc Tunnelling ‘82 Inst of Mining & Metallurgy, Brighton, 1982, pp 173-181. [4] S. Suwansawat and H.H. Einstein, "Describing settlement troughs over twin tunnels using a superposition technique", J Geotech Geoenviron Eng, Vol. 133, 2007, pp. 445- 468. [5] X. Yang, J. Wang, "Ground movement prediction for tunnels using simplified procedure", Tunn Undergr Space Technol, Vol. 26, 2014, pp. 462-471. [6] Y. Fang, C. Wu, S. Chen and C. Liu, "An estimation of subsurface settlement due to shield tunneling", Tunnelling and underground space technology, Vol. 44, 2014, pp. 121-9. [7] K. Park, "Analytical solution for tunnelling-induced ground movement in clays", Tunneling and Underground Space Technology, Vol. 20, 2005, pp. 249-261. [8] X. Yang and J.M. Wang, "Ground movement prediction for tunnels using simplified procedure", Tunneling and Underground Space Technology, Vol. 26, 2011, pp. 462-471. [9] R. Saeid and E. Dindarloo, "Maximum surface settlement based classification of shallow tunnels in soft ground", Tunnelling and Underground Space Technology, Vol. 378, No. 19, 2015, pp. 4-5. [10] W. Abdellah, MA. Ali and H-S. Yang, "Studying the effect of some parameters on the stability of shallow tunnels", Journal of Sustainable Mining, Vol. 17,No. 1, 2018, pp. 20-33. [11] G. Idinger, P. Aklik, W. Wu and R.I. Borja, "Centrifuge model test on the face stability of shallow tunnel", Acta Geotech, Vol. 6, 2001, pp. 105-117. [12] D. Chapman, C.D.F. Rogers and D.V.L. Hunt, "Predicting the settlements above twin tunnels constructed in soft ground" ,Tunnelling and Underground Space Technology, Vol. 378, No. 19, 2004, pp. 4-5. [13] C. Ng, Y. Hong and M. Soomro, "Effects of piggyback twin tunnelling on a pile group: 3D centrifuge tests and numerical modelling", Geotechnique. Vol. 65. No. 1, 2015, pp. 38-51. [14] A. Kirsch, "Experimental investigation of the face stability of shallow tunnels in sand", Acta Geotech. Vol. 5, No. 1, 2010, pp. 43–62. [15] S. Divall, R. Goodey and R. Taylor, "Ground movements generated by sequential twin-tunnelling in over-consolidated clay" ,Geotechnical Engineering Research Group, City University London, 2012. [16] M. Sams, "Numerical and physical modelling of a 2D tunnel heading at collapse", University of Southern Queensland, Bachelor Research Project. 2013. [17] H. Mödlhammer, "Numerical methods for tunneling using ABAQUS and investigations of long-time-effects of the shotcrete shell and its impact on the combined support system", Master Thesis, MIT, 2010. [18] M. Karakus, "Appraising the methods accounting for 3D tunnelling effects in 2D plane strain FE analysis", Tunnelling and Underground Space Technology, Vol. 22, No. 1, 2007, pp. 47-56. [19] M. Karakus and R.J. Fowell, "Back analysis for tunnelling induced ground movements and stress redistribution", Tunnelling and Underground Space Technology, Vol. 20, No. 6, 2005, pp. 514-24. [20] I. Shahrour and H. Mroueh, "Three-dimensional non linear analysis of a closely twin tunnels", Sixth international symposium on numerical models in geomechanics, (NUMOG VI), 1997. [21] T. Addenbrooke, D.M. Potts and A.M. Puzrin, "The influence of pre-failure soil stiffness on the numerical analysis of tunnel construction", Geotechnique, Vol. 47, No. 3,1997, pp. 693–712. [22] M.S. Pakbaz, S. Imanzadeh and K.H. Bagherinia, "Characteristics of diaphragm wall lateral deformations and ground surface settlements: Case study in Iran-Ahwaz metro", Tunneling and Underground Space Technology, Vol 35, 2013, PP 109-121. [23] M. Baziar, M. Rabeti Moghadam, Y. Choo and D. Kim, "Tunnel flexibility effect on the ground surface acceleration response", Earthquake Engineering and Engineering Vibration, Vol 15, No. 3, 2016, pp 457–476 [24] K. Priddy and PE. Keller, Artificial neural networks: an introduction, SPIE press, 2005. [25] M. Koopialipoor, EN. Ghaleini, H. Tootoonchi, DJ. Armaghani, M. Haghighi and A, Hedayat, "Developing a new intelligent technique to predict overbreak in tunnels using an artificial bee colony-based ANN", Environmental Earth Sciences, Vol. 78, No. 5, 2019, pp. 165. [26] M. Hajihassani, DJ. Armaghani, H. Sohaei, ET. Mohamad and A. Marto, "Prediction of airblast-overpressure induced by blasting using a hybrid artificial neural network and particle swarm optimization", Applied Acoustics, Vol. 80, 2014, pp. 57-67. [27] S. Suwansawat and H.H. Einstein, "Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling", Tunnelling and Underground Space Technology, Vol. 21, No. 2 2006, pp. 133–150. [28] K. Yamamoto, A.V. Lyamin, D.W. Wilson, S.W. Sloan and A.J. Abbo, "Stability of a circular tunnel in cohesive-frictional soil subjected to surcharge loading", Computers and Geotechnics, Vol. 38, No. 4, 2011, pp. 504-514. [29] J. Shiau, M. Sams, J. Zhang and R. Kemp, "Settlement analyses of underground circular tunneling in soft clay", Geotechnical aspects of underground construction in soft ground, 2014, pp. 347-52. [30] فاطمه کریمیزاد گوهری و اکبر شاهسوند، «مقایسة نتایج حاصل از شبکههای عصبی MLP و RBF در پیشبینی نتایج حاصل از همزمانی پدیدههای انتقال جرم و انتقال حرارت»، مجلة مدلسازی در مهندسی، دورة 11، شمارة 33، 1392، صفحة 27-43. [31] علیرضا مرتضایی و علی خیرالدین، «مدلسازی و تخمین طول مفصل پلاستیک ستونهای بتنآرمه به کمک شبکههای عصبی مصنوعی»، مجلة مدلسازی در مهندسی، دورة 10، شمارة 29، 1391، صفحة 1-17. [32] حمید پورباقری، افشین پورتقی و پیام اشتری، «پیشبینی پاسخ دینامیکی سیال در مخازن هوایی آب با استفاده از شبکة عصبی»، مجلة مدلسازی در مهندسی، دورة 15، شمارة 48، 1396، صفحة 139-150. | ||
|
آمار تعداد مشاهده مقاله: 911 تعداد دریافت فایل اصل مقاله: 505 |
||