کاربرد روش آنالیز مؤلفه های اصلی در پیش بینی نرخ نفوذtbm با استفاده از شبکه های عصبی مصنوعی

از فاکتورهای مهم در پیش بینی عملکرد tbm، تعیین نرخ نفوذ حفاری و نرخ پیشروی است. هدف اصلی از این مطالعه، بررسی استفاده از آنالیز مؤلفه های اصلی در پیش بینی نرخ نفوذ tbmبا استفاده از روش شبکه های عصبی مصنوعی است. یکی از بخش های مهم در استفاده از روش شبکه های عصبی به منظور پیش بینی، انتخاب پارامترهای ورودی است. آنالیز مؤلفه های اصلی یکی از روش هایی است که با استفاده از آن می توان پارامترهای مؤثر بر نرخ نفوذ را مشخص کرد. برای دستیابی به این هدف، یک پایگاه داده متشکل از خواص توده سنگ، خواص ماده سنگ و مشخصات ماشین ایجاد شده است و سپس نرخ نفوذ با منظور کردن چندین مدل ورودی با استفاده از شبکه های عصبی مصنوعی در 10 کیلومتر حفاری تونل زاگرس بدون آنالیز مؤلفه های اصلی پیش بینی شده است و سپس با توجه به تعدد پارامترهای ورودی در شبکه از آنالیز مؤلفه های اصلی در انتخاب بهترین پارامترهای ورودی استفاده شده است که در نهایت شبکه ای با 11 ورودی، مورد تأیید قرار گرفته است. از مقایسه نتایج پیش بینی نرخ نفوذ با استفاده از شبکه های عصبی مصنوعی بدون آنالیز مؤلفه های اصلی و شبکه عصبی مصنوعی با آنالیز مؤلفه های اصلی این نتیجه حاصل می شود که استفاده از آنالیز مؤلفه های اصلی تأثیر به سزایی در انتخاب پارامترهای ورودی شبکه و همچنین نتایج پیش بینی دارد.