پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات تونلسازی در محیط‌های شهری با مدل رگرسیون خطی چندگانه و الگوریتم جنگل تصادفی

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی معدن، دانشکده مهندسی، دانشگاه صنعتی همدان، همدان

2 دانشجوی دکترا، گروه مهندسی معدن، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران

3 دانشجوی دکترا، گروه مهندسی معدن، دانشکده مهندسی، دانشگاه تربیت مدرس، تهران

4 استاد، گروه مهندسی معدن، دانشکده مهندسی، دانشگاه تربیت مدرس، تهران

چکیده

نشست ناشی از عملیات تونلسازی در محیط‌های شهری پدیده‌ای اجتناب‌ناپذیر است. پیش‌بینی و کنترل این پدیده آسیب‌های احتمالی به سازه‌های‌ سطحی و زیرساخت‌های مجاور را به طور قابل توجهی کاهش می‌دهد. در این مقاله، برای پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات حفاری تونل‌های کم‌عمق در محیط‌های شهری از دو روش رگرسیون خطی چندگانه (MLR) و الگوریتم جنگل تصادفی (RF) استفاده شده است. بدین منظور 9 پارامتر ورودی موثر بر حداکثر نشست سطح زمین از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W.T)، قطر تونل (D)، مدول الاستیسته خاک (E)، مقاومت برشی زهکشی نشده خاک (Cu)، ضریب فشار زمین (K0)، وزن مخصوص خاک (γ)، پارامتر گَپ (g) و عدد پایداری (N) بر اساس 24 دسته داده مربوط به 14 پروژه مختلف تونلسازی انتخاب و سپس روش‌های MLR و RF  پیاده‌سازی شدند. برای ارزیابی کارایی مدل‌ها در پیش‌بینی حداکثر نشست از 3 شاخص ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای داده‌های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش‌های MLR و RF برای داده‌های آموزش به ترتیب 814/0 و 957/0 و برای داده‌های تست به ترتیب 793/0 و 96/0 به دست آمد که نشان‌دهنده کارایی بالای روش RF در مقایسه با MLR است. به علاوه، نتایج نشان داد که مقادیر شاخص‌های RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم RF کمتر از روش MLR است که خطای کمتر الگوریتم RF و قابلیت اطمینان و دقت بالاتر آن نسبت به روش MLR نشان می‌دهد. همچنین، نتایج آنالیز اهمیت نشان می‌دهد که از بین پارامترهای ورودی، پارامتر گَپ (g) و مقاومت برشی زهکشی نشده خاک (Cu) به ترتیب بیشترین و کمترین تاثیر را بر حداکثر نشست سطح زمین دارند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Prediction of the Maximum Surface Settlement Induced by Urban Area Tunneling Using Multiple Linear Regression Model and Random Forest Algorithm

نویسندگان [English]

  • H. Dehghani 1
  • F. Matinpour 2
  • Sh. Mohammadi Bolbanabad 3
  • M. Monjezi 4
1 Associate Professor, Mining Engineering Faculty, Hamedan University of Technology, Hamedan, Iran
2 Ph.D Student, School of Mining Engineering, University College of Engineering, University of Tehran, Tehran, Iran
3 Ph.D Student, Faculty of Engineering, Tarbiat Modares University, Tehran, Iran
4 Professor, Faculty of Engineering, Tarbiat Modares University, Tehran, Iran
چکیده [English]

The occurrence of settlement induced by tunneling operations in urban environments is an inevitable phenomenon. The risk of damage to nearby infrastructures and surface structures can be greatly reduced by predicting and controlling this event. This paper uses multiple linear regression (MLR) model and random forest (RF) algorithm to predict the maximum surface settlement (Smax) due to shallow tunnel excavation. Nine input parameters, including the distance of the tunnel center from the ground surface (H), height of the underground water level above the tunnel (W.T), tunnel diameter (D), elastic modulus of soil (E), undrained shear strength of soil (Cu), earth pressure coefficient (K0), unit weight of soil (γ), gap parameter (g), and stability number (N) were selected from 24 data sets related to 14 tunneling projects. The MLR and RF techniques were then implemented for predicting Smax. Three performance indicators of coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (MAE) were employed for the training and test phases to evaluate the efficiency of the suggested models. The coefficient of determination values for MLR and RF for training data were 0.814 and 0.957, respectively, while for test data were 0.793 and 0.96, indicating that the RF approach is more efficient than MLR. Moreover, the findings reveal that the RF algorithm exhibits lower RMSE and MAE values in both the training and testing phases compared to the MLR method. This suggests that the RF algorithm exhibits reduced error and higher reliability and accuracy when compared to the MLR model. Also, the performance study demonstrates that among the input parameters, the gap parameter (g) and the undrained shear strength of soil (Cu) have the greatest and least influence on Smax, respectively.

کلیدواژه‌ها [English]

  • Tunneling operations
  • Maximum surface settlement (Smax)
  • Multiple linear regression (MLR) model
  • Random forest (RF) algorithm

مراجع

  1. Herzog, M. (1985). “Surface subsidence above shallow tunnels (in German)”. Bautechnik, 62: 375-377.
  2. O’Reilly, M. P., and New, B. M. (1982). “Settlement above tunnels in the United Kingdom-their magnitude and prediction”. In: Proceedings of the tunnelling conference, Brighton, 173-181.
  3. Peck, R. B. (1969). “Deep excavations and tunnelling in soft ground”. In: 7th International conference on soil mechanics and foundation engineering, State of the Art Volume, 225-290.
  4. Schmidt, B. (1969). “A method of estimating surface settlement above tunnels constructed in soft ground”. Canadian Geotechnical Journal, 20: 11-22.
  5. Vermeer, P. A., and Bonnier, P. G. (1991). “Pile settlements due to tunnelling”. In: 10th European Conference on Soil mechanics and foundation engineering, Florence, Balkema, 2: 869-872.
  6. Chou, W. I., and Bobet, A. (2002). “Predictions of ground deformations in shallow tunnels in clay”. Tunnelling and Underground Space Technology, 17: 3-19.
  7. Loganathan, N., and Poulos, H. G. (1998). “Analytical prediction for tunneling-induced ground movements in clays”. Journal of Geotechnical and Geoenvironmental Engineering, 124(9): 846-856.
  8. Park, K. H. (2005). “Analytical solution for tunneling-induced ground movement in clays”. Tunnelling and Underground Space Technology, 20(3): 249-261.
  9. Verruijt, A., and Booker, J. R. (1996). “Surface settlement due to deformation of a tunnel in an elastic half plane”. Geotechnique, 46(4): 753-756.
  10. Addenbrooke, T. I., and Potts, D. M. (2001). “Finite element analysis of St. James Park greenfield reference site”. In: Burland, J. B., Standing, J. R., and Jardine, F. M. (Eds), Building Response to Tunnelling, Vol. 1, Thomas Telford, London, 177-194.
  11. Chakeri, H., Ozcelik, Y., and Unver, B. (2013). “Effects of important factors on surface settlement prediction for metro tunnel excavated by EPB”. Tunnelling and Underground Space Technology, 36: 14-23.
  12. Chakeri, H., and Unver, B. (2014). “A new equation for estimating the maximum surface settlement above tunnels excavated in soft ground”. Environmental Earth Sciences, 71: 3195-3210.
  13. Ercelebi, S. G., Copur, H., and Ocak, I. (2011). “Surface settlement predictions for Istanbul Metro tunnels excavated by EPB-TBM”. Environmental Earth Sciences, 62(2): 357-365. DOI: 10.1007/s12665-010-0530-6.
  14. Hasanipanah, M., NoorianBidgoli, M., Jahed Armaghani, D., and Khamesi, H. (2016). “Feasibility of PSOANN model for predicting surface settlement caused by tunneling”. Engineering with Computers, 32: 705-715.
  15. Mahmoodzadeh, A., Mohammadi, M., Daraei, A., Farid Hama Ali, H., Kameran Al-Salihi, N., and Mohammed Dler Omer, R. (2020). “Forecasting maximum surface settlement caused by urban tunneling”. Automation in Construction, 120: 103375. DOI: https://doi.org/10.1016/j.autcon.2020.103375.
  16. Moghaddasi, M. R., and Noorian-Bidgoli, M. (2018). “ICA-ANN, ANN and multiple regression models for prediction of surface settlement caused by tunneling”. Tunnelling and Underground Space Technology, 79: 197-209.
  17. Moghtader, T., Sharafati, A., Naderpour, H., and Gharouni Nik, M. (2023). “Estimating Maximum Surface Settlement Caused by EPB Shield Tunneling Utilizing an Intelligent Approach”. Buildings, 13(4): 1051. DOI: 10.3390/buildings13041051.
  18. Neaupane, K. M., and Adhikari, N. R. (2002). “Application of neural network for the prediction of settlement above tunnels”. Engineering Journal of Research and Development, 13(1): 9-18.
  19. Neaupane, K. M., and Adhikari, N. R. (2006). “Prediction of tunneling-induced ground movement with the multi-layer perceptron”. Tunnelling and Underground Space Technology, 21: 151-159.
  20. Ocak, I., and Seker, S. E. (2013). “Calculation of surface settlements caused by EPBM tunneling using artificial neural network, SVM, and Gaussian processes”. Environmental Earth Sciences, 70: 1263-1276.
  21. Santos Jr, O. J., and Celestino, T. B. (2008). “Artificial neural networks analysis of Sa˜o Paulo subway tunnel settlement data”. Tunnelling and Underground Space Technology, 23: 481-491.
  22. Zhou, J., Shi, X., Du, K., Qiu, X., Li, X., and Mitri, H. S. (2016). “Feasibility of Random-Forest Approach for Prediction of Ground Settlements Induced by the Construction of a Shield-Driven Tunnel”. International Journal of Geomechanics, 17(6).
  23. Zhang, K., Lyu, H.M., Shen, S.L., Zhou, A., and Yin, Z.Y. (2020). “Evolutionary hybrid neural network approach to predict shield tunneling induced ground settlements”. Tunnelling and Underground Space Technology, 106-103594.
  24. Ghiasi, V., and Koushki, M. (2020). “Numerical and Artificial Neural Network Analyses of Ground Surface Settlement of Tunnel in Saturated Soil”. SN Applied Sciences, 2(5): 939. DOI: https://doi.org/10.1007/s42452-020-2742-z.
  25. Samadi, H., Hassanpour, J., and Farrokh, E. (2021). “Maximum Surface Settlement Prediction in EPB TBM Tunneling Using Soft Computing Techniques”. Journal of Physics: Conference Series, 1973(1): 012195. DOI: https://doi.org/10.1088/1742-6596/1973/1/012195.
  26. Aswathy, M. S., Vinoth, M., and Mittal, A. (2021). “Impact of governing factors on prediction of tunneling induced surface settlement in young alluvium deposit”. Indian Geotechnical Journal, 52(1): 13-27. DOI: https://doi.org/10.1007/s40098-021-00561-4.
  27. Zhang, W. G., Li, H. R., Wu, C. Z., Li, Y. Q., Liu, Z. Q., and Liu, H. L. (2021). “Soft computing approach for prediction of surface settlement induced by earth pressure balance shield tunneling”. Underground Space, 6(4): 353-363. DOI: https://doi.org/10.1016/j.undsp.2019.12.003.
  28. Dongku, K., Kwon, K., Pham, K., Oh, J.-Y., and Choi, H. (2022). “Surface Settlement Prediction for Urban Tunneling Using Machine Learning Algorithms with Bayesian Optimization”. Automation in Construction, 140: 104331. DOI: https://doi.org/10.1016/j.autcon.2022.104331.
  29. Li, C., Li, J., Shi, Z., Li, L., Li, M., Jin, D., and Dong, G. (2022). “Prediction of Surface Settlement Induced by Large-Diameter Shield Tunneling Based on Machine-Learning Algorithms”. Geofluids, 2022: 1-13. DOI: https://doi.org/10.1155/2022/4174768.
  30. Hussaine, S. M, and Mu, L. (2022). “Intelligent Prediction of Maximum Ground Settlement Induced by EPB Shield Tunneling Using Automated Machine Learning Techniques”. Mathematics, 10(24): 4637. DOI: https://doi.org/10.3390/math10244637.
  31. Wang, Y., Dai, F., Jia, R., Wang, R., Sharifi, H., and Wang, Z. (2023). “A novel combined intelligent algorithm prediction model for the tunnel surface settlement”. Scientific Reports, 13(1): 9845. DOI: https://doi.org/10.1038/s41598-023-37028-w.
  32. Kong, F. C., Lu, D. C., Ma, Y. D., Tian, T., Yu, H. T., and Du, X. L. (2023). “Novel hybrid method to predict the ground-displacement field caused by shallow tunnel excavation”.Science China Technological Sciences, 66: 101-114. DOI: https://doi.org/10.1007/s11431-022-2079-8.
  33. Balan, B., Mohaghegh, S., and Ameri, S. (1995). “State-of-Art- in permeability determination from well log data: Part 1- A comparative study, Model development”. Society of Petroleum Engineers (SPE), 30978: 17-25.
  34. Hastie, T., Friedman, J., and Tisbshirani, R. (2009). “The elements of Statistical Learning: Data Mining, Inference, and prediction”. 2nd Edition, Springer, New York, pp. 746. ISBN: 9780387848570. DOI: https://doi.org/10.1007/978-0-387-84858-7.
  35. Breiman, L. (2001). “Random forest”. Machine Learning, 45(1): 5-32.
  36. ابراهیم خانی، س.، افضلی، م.، شکوهی، ع.؛ 1390؛ "پیش‌بینی و بررسی عوامل تصادفات جاده‌ای با استفاده از الگوریتم‌های داده‌کاوی". فصلنامه دانش انتظامی زنجان، دوره اول، شماره 1،  ص 127-111.
  37. فرشاد، م.، ساده، ج.؛ 1392؛ "مکان‌یابی خطای اتصال کوتاه در خطوط انتقال جریان مستقیم ولتاژ بالا با استفاده از شبکه عصبی، رگرسیون تعمیم یافته و الگوریتم جنگل تصادفی". سیستم‌های هوشمند در مهندسی برق، دوره چهارم، شماره 2، ص 14-1.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 05 مرداد 1402
  • تاریخ بازنگری: 17 آبان 1402
  • تاریخ پذیرش: 13 آبان 1402

هم رسانی

ارجاع به این مقاله

آمار