دسته بندی:

عمران - سازه - Civil Engineering - Structures

---

سال انتشار:

2016

---

ترجمه فارسی عنوان مقاله:

امکان‌سنجی مدل PSO-ANN برای پیش‌بینی میزان نشست سطحی ناشی از تونل زنی

---

عنوان انگلیسی مقاله:

Feasibility of PSO‑ANN model for predicting surface settlement caused by tunneling

---

منبع:

Engineering with Computers DOI 10:1007/s00366-016-0447-0

---

نویسنده:

Mahdi Hasanipanah1 · Majid Noorian‑Bidgoli2 · Danial Jahed Armaghani3 · Hossein Khamesi1

---

چکیده انگلیسی:

The potential surface settlement, especially in urban areas, is one of the most hazardous factors in subway and other infrastructure tunnel excavations. Therefore, accurate prediction of maximum surface settlement (MSS) is essential to minimize the possible risk of damage. This paper presents a new hybrid model of artificial neural network (ANN) optimized by particle swarm optimization (PSO) for prediction of MSS. Here, this combination is abbreviated using PSO-ANN. To indicate the performance capacity of the PSO-ANN model in predicting MSS, a pre-developed ANN model was also developed. To construct the mentioned models, horizontal to vertical stress ratio, cohesion and Young’s modulus were set as input parameters, whereas MSS was considered as system output. A database consisting of 143 data sets, obtained from the line No. 2 of Karaj subway, in Iran, was used to develop the predictive models. The performance of the predictive models was evaluated by comparing performance prediction parameters, including root mean square error (RMSE), variance account for (VAF) and coefficient correlation (R2). The results indicate that the proposed PSO-ANN model is able to predict MSS with a higher degree of accuracy in comparison with the ANN results. In addition, the results of sensitivity analysis show that the horizontal to vertical stress ratio has slightly higher effect of MSS compared to other model inputs.

---

چکیده فارسی:

نشست سطحی احتمالی، به‌ویژه در نواحی شهری، یکی از خطرسازترین عوامل در مترو و دیگر حفاری‌های زیر بنایی است. بنابراین، پیش‌بینی دقیق حداکثر نشست سطحی (MSS) نقش مهمی در به حداقل رساندن ریسک احتمالی وارد آمدن صدمات دارد. در این مقاله یک مدل ترکیبی جدید از شبکه عصبی مصنوعی (ANN) بهینه‌شده توسط الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای پیش‌بینی MSS ارائه شد. در اینجا، این ترکیب با استفاده از PSO-ANN مختصر می‌شود. به‌منظور نشان دادن عملکرد مدل PSO-ANN پیشنهادی در پیش‌بینی MSS، یک مدل ANN از قبل موجود استفاده شد. برای ایجاد مدل‌های موردنظر، نسبت تنش افقی به عمودی، چسبندگی و مدول¬های یانگ به‌عنوان پارامترهای ورودی انتخاب شدند، درحالی‌که MSS به‌عنوان خروجی سیستم در نظر گرفته شد. یک پایگاه داده متشکل از 143 مجموعه داده حاصل از خط شماره 2 مترو کرج، برای ایجاد مدل‌های پیش‌بینی مورداستفاده قرار گرفت. عملکرد مدل‌های پیش‌بینی با مقایسه پارامترهای پیش‌بینی عملکرد، شامل خطای جذر میانگین مربعات (RMSE)، حساب واریانس برای (VAF) و ضریب همبستگی (R2) مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که مدل پیشنهادی PSO-ANN قادر به پیش‌بینی MSSبا میزان دقت بالاتر در مقایسه با نتایج ANN است. علاوه بر این، نتایج تجزیه‌وتحلیل حساسیت نشان می‌دهد که نسبت تنش افقی به عمودی اثر بیشتری بر MSS در مقایسه با سایر مدل‌های ورودی دارد.

---

---

---

---

حجم فایل: 636 کیلوبایت

---

قیمت: 34320 تومان   

---

توضیحات اضافی: نظر

---

---

---