پارامترهای توده سنگ موجود، مانند مقاومت فشاری تک محوری (UCS)، تعیین کیفیت سنگ (RQD)، و فاصله بین سطوح ضعیف (DPW)، به طور گسترده در پیش بینی عملکرد TBM در شرایط مختلف سنگ سخت استفاده می شوند. در این مقاله، این عوامل به عنوان پارامترهای ورودی برای تخمین میزان نفوذ (ROP) بر اساس 180 داده گردآوری شده از دو پروژه شامل تونل آبی کوئینز قطعه 3 فاز 2 در آمریکا و تونل انتقال آب کرج-تهران در ایران در نظر گرفته شده است. هدف این مطالعه ارزیابی تاثیر پارامترهای توده سنگ بر عملکرد TBM و توسعه یک معادله تجربی جدید برای تخمین ROP با استفاده از تحلیل رگرسیون چند متغیره و الگوریتم های هوش مصنوعی است. در این راستا، با بهره گیری از الگوریتم های یادگیری ماشین، از دو نوع تکنیک هوش مصنوعی شامل بهینه سازی ازدحام ذرات (PSO) و شبکه تابع پایه شعاعی (RBF) برای توسعه شبکه های پیش بینی کننده برای تخمین عملکرد TBM استفاده شده است. برای توضیح روابط بین پارامترهای توده سنگ و ROP و ارائه معادلات تجربی جدید، از تحلیل رگرسیون نیز استفاده شده است. مدل های پیشنهادی بر اساس توابع مختلف از دست دادن یادگیری ماشین از جمله MAD، RRSE، rRMSE، MSE، MAPE و تحلیل حساسیت اعتبارسنجی شده اند. نتایج به دست آمده نشان می دهد که مقادیر محاسبه شده مطابقت خوبی با داده های واقعی دارند.متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.