12905

11806

كارشناسي ارشد

مكانيك سنگ

اصفهان: دانشگاه صنعتي اصفهان، دانشكده معدن

1396

دوازده، 82ص.: مصور، جدول، نمودار

ص.ع. به فارسي و انگليسي

ابراهيم قاسمي

سعيد مهدوي، حسن طباطبايي

1396/07/24

كتابنامه

معدن

مهندسي معدن

ID11806

1 چكيده مچالهشوندگي يكي از مهمترين مخاطرات اصلي در پروژههاي تونلسازي ميباشد كه ميتواند منجر به ناپايداري تونل افزايش هزينهها و توقف در عمليات تونلسازي شود اين پديده اغلب در تونلهاي واقع در توده سنگهاي ضعيف و در عمق زياد رخ ميدهد پيشبيني دقيق مچالهشوندگي در مراحل طراحي تونل نقش مهمي در انتخاب روش تونلسازي و طراحي سيستم نگهداري دارد طي ساليان گذشته روشهاي زيادي براي پيشبيني پديده مچالهشوندگي توسعه داده شده است كه اغلب آنها را ميتوان به روشهاي تجربي و نيمه تجربي تقسيم بندي كرد در سالهاي اخير استفاده از روشهاي دادهكاوي براي پيش بيني پديدهي مچالهشوندگي پيشرفت قابلتوجهي داشته است بررسيها نشان داده است كه استفاده از تكنيكهاي دادهكاوي منجر به توسعه مدلهاي با كارآيي باال ميشود از اينرو در اين مطالعه با استفاده از روشهاي طبقه بندي در علم دادهكاوي مدلهايي براي پيش بيني پديده مچاله شوندگي ارائه شده است تمركز اصلي اين پايان نامه بر روي دو روش درخت تصميم 0 5 C و k نزديكترين همسايه مي باشد پس از توسعه مدلها به كمك روشهاي ذكر شده كارآيي آنها با ساير روشهاي دادهكاوي كه پيش از اين توسط ديگر محققين به كار گرفته شدهاند مانند رگرسيون منطقي و ماشين بردار پشتيبان مقايسه شد نتايج نشان داده مدلهاي توسعه داده شده به كمك روشهاي 0 5 C و k نزديكترين همسايه در مقايسه با روشهاي تجربي متداول و همچنين ساير روشهاي دادهكاوي كارآيي بهتري دارند از اينرو ميتوان خروجي اين مدلها را با دقت قابل قبول براي پيشبيني پديده مچاله شوندگي در پروژههاي تونلسازي به كار برد كلمات كليدي مچالهشوندگي طبقهبندي دادهكاوي درخت تصميم 0 5 C و KNN

83IUT 7714 Devlopment of models for evaluation of squeezing potential in tunneling projects Hassan Gholizadeh h gholizadeh@mi iut ac ir Date of Submission September 17 2017 Department of Mining Engineering Isfahan University of Technology Isfahan Iran Degree M Sc Language Persian Supervisor E Ghasemi e ghasemi@cc iut ac ir Abstract Squeezing is one of the most important hazards in the tunneling projects that can lead to tunnel instability increasing costs and stopping of the tunneling operation This phenomenon often occurs in weak rock mass and high depth Accurate prediction of squeezing has play an important role on selection of tunneling method and design of support system in design stages of tunneling During past years many methods have been developed to predict the squeezing phenomenon most of which can be divided into experimental and semi experimental methods In recent years application of data mining methods for prediction of squeezing phenomenon has been increased remarkably Survey have shown that the use of data mining techniques results in development of high performance models Therefore in this study using data mining based classification methods models have been presented for squeezing prediction The main focus of this thesis is on C5 0 decision tree and k nearest neighbor kNN After developing the models using mentioned methods their performance were compared with other data mining methods that previously have been employed by other researchers such as logistic regression and support vector machine The results show that the developed models using C5 0 and k nearest neighbor methods have higher performances in comparison to the common experimental equations and other data mining methods Therefore the output of these methods can be applied for squeezing prediction in tunneling projects with an acceptable accuracy Keywords Squeezing Classification Data mining C5 0 decision tree kNN

ابراهيم قاسمي

سعيد مهدوي، حسن طباطبايي