توسعه شبکه فازی-عصبی (ANFIS) برای پیش بینی هوشمند نشست تونل و ارزیابی دقت پیش بینی بر پایه داده های همگراسنجی

حفاری تونل با برهم زدن تنش، موجب تغییرشکل و جابجایی در توده خاک و سنگ پیرامونی می شود که پیش بینی دقیق آن ها برای طراحی نگهداری و ایمنی سازه های زیرزمینی ضروری است. در این پژوهش، یک شبکه بر اساس سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) برای پیش بینی نشست تونل انتقال آب چهل چای سد نرماب توسعه و مورد ارزیابی قرار گرفته است. به منظور توسعه مدل، مجموعه ۶۸ داده از تونل هایی که به لحاظ حفاری، هندسه تونل و جنس زمین مشابهند، ایجاد شد. داده ها به صورت تصادفی به سه بخش آموزش، آزمون و اعتبارسنجی تقسیم شده و فرآیند یادگیری با استفاده از الگوریتم ترکیبی حداقل مربعات و پس انتشار خطا در محیط MATLAB انجام شد. ساختار سیستم فازی بر پایه توابع عضویت مناسب و قوانین استنتاج استخراج شده از داده ها شکل گرفت و عملکرد مدل از طریق شاخص های آماری ارزیابی شد. نتایج نشان داد مدل پیشنهادی توانسته است با میانگین خطای بسیار کم (در حدود ۰۰۴/۰ در مرحله آزمون و ۰۰۳/۰ در مرحله اعتبارسنجی) و ضریب همبستگی ۹۵/۰، تطابق قابل قبولی با مقادیر اندازه گیری شده توسط همگر اسنج ها ارائه دهد. تحلیل نتایج بیانگر آن است که رویکرد ANFIS قادر است روابط غیرخطی پیچیده بین پارامترهای ورودی و پاسخ تغییرشکل تونل را با دقت مناسبی مدل سازی کند.

کلیدواژه ها:

سیستم استنتاج فازی عصبی ، نشست تونل ، همگراسنج ، آموزش شبکه