تخمین رفتار لرزه ای تونل مدفون در لنز ماسه ای به کمک یادگیری ماشین

تخمین پارامترهای خاک پیرامونی و سازه­ای در پوشش ­های تونلی همواره نیازمند شبیه ­سازی نرم افزاری و مطالعات حجیم و زمان بر می ­باشد. ارائه روشی که قادر باشد تا این پارامترها را با دقت مناسب و حجم محاسباتی اندک و در سریع ترین زمان ممکن ارائه نماید همواره یک چالش مهندسی بوده است؛ بنابراین، هدف از مطالعه حاضر ارائه یک روش مبتنی بر یادگیری ماشین برای پیش بینی برخی از مشخصات مهم نظیر رویداد روانگرایی، تنش خمشی حداکثر پوشش تونلی، نشست سطح زیر محور تونل و فشار آب منفذی تحت زلزله ­های نزدیک و دور از گسل می ­باشد. بدین منظور ابتدا از نرم افزار FLAC-۳D برای شبیه سازی مدل پوشش تونلی در معرض تحریک­ های زمین استفاده می شود. ضمنا، اندرکنش خاک- سازه بین پوشش تونلی و لنز ماسه ­ای نیز مد نظر قرار گرفته می شود. مدل های موهر-کولومب و فین به ترتیب برای در نظر گرفتن نشست رس و ارزیابی روانگرایی لنز ماسه ­ای به کار برده می­ شوند. سپس، از ماشین یادگیری   کرانه ­ای برای پیش بینی و برآورد کمیت­ه ای اشاره شده استفاده می شود. نتایج مطالعات حاکی از عملکرد و دقت مناسب روش پیشنهادی در تخمین پارامترهای اشاره شده است به گونه ای که در بدترین حالت خطای تخمین کمتر از ۶ درصد بوده است. در این مطالعه تاثیر یک لنز ماسه ­ای روانگرا در یک محیط غیرروانگرا با امواج لرزه ­ای متفاوت ارزیابی شده است که نتایج حاصل از آن نشان­دهنده ­ی تاثیرپذیری بالای پارامتر­های لنگر خمشی در پوشش تونل، تنش موثر، فشار آب حفره­ای و نشست در راستای محور تونل در حضور لنز ماسه ­ای می­ باشد. همچنین در حضور لنز ماسه ای نسبت لنگر خمشی به حالت بدون لنز ماسه ای در برخی موارد بالای ۵۰ درصد است که مقدار بسیار چشمگیری می­ باشد و حداکثر نشست در مکان های نزدیک به محور تونل رخ داده است.

کلیدواژه ها:

فلک سه بعدی ، یادگیری ماشین ، روانگرایی ، سازه تونلی ، زلزله دور و نزدیک از گسل ، اندرکنش خاک و سازه ، لنز ماسه ای