انجمن مکانیک سنگ ایراننشریه علمی-پژوهشی مکانیک سنگ2588-74329120250621Investigating the effect of air deck length on fragmentation caused by blasting in Nardaghi limestone mineبررسی اثر طول ستون هوا بر خردشدگی ناشی از انفجار در معدن سنگ آهک نرداغی11022669410.22034/irsrm.2025.54001.1973FAابراهیمعارف منددانشکده مهندسی معدن/ دانشکدگان فنی/ دانشگاه تهرانحسنبخشنده امنیهدانشکده مهندسی معدن/دانشکدگان فنی/دانشگاه تهرانعباسمجدیدانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهرانسعیدجان نثاریدانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهرانJournal Article20250408One of the most important technical and economic challenges in open-pit mining is the improvement and optimization of blasting patterns. Optimizing blasting parameters aims to achieve the right degree of rock fragmentation while reducing undesirable effects such as excessive vibration and fly rock. This topic has been extensively studied over the years. In the 1980s, it became clear that rock fragmentation from blasting significantly impacts secondary crushing, loading, and material handling. Consequently, the concept of optimal fragmentation became a key focus in mining engineering. In conventional blasting, less than 20% of the explosive energy is effectively used for breaking and moving the rock mass, while the majority of the energy causes unwanted phenomena. Research has shown that air deck blasting, which incorporates an air gap inside the blast hole, improves the efficient use of explosive energy by generating secondary energy. This method enhances fragmentation compared to traditional blasting and is considered a promising approach to optimize blasting performance and increase mining productivity.بهینه‌سازی پارامترهای مهندسی انفجار در معادن روباز با هدف دستیابی به درجه خردشدگی مناسب و کاهش پدیده‌های نامطلوب از مسائل حائز اهمیت است که تا کنون مطالعات زیادی در این خصوص انجام شده است. انفجار با لحاظ انقطاع هوا درون چال منجربه استفاده بهینه از انرژی ماده منفجره از طریق تولید انرژی ثانویه نسبت به انفجار مرسوم می‌شود. در این روش انفجاری طول ستون هوا از پارامترهای مهم در طراحی است که نتایج انفجار از جمله خردشدگی را تحت تاثیر قرار می‌دهد. در این تحقیق با انجام دو انفجار در توده‌سنگ آهک معدن نرداغی قم اثر تغییر طول ستون هوا بر نتایج خردشدگی مورد بررسی قرار گرفت. در دو بلوک انفجاری به جز نسبت طول ستون هوا، الگوی حفاری و توده‌سنگ در برگیرنده یکسان است. نسبت طول ستون هوا در انفجار شماره 1 و 2 به ترتیب 20% و 31% طراحی شد. نتایج خردشدگی بعد از انفجار با استفاده از نرم‌افزار آنالیز تصویر Split Desktop ارزیابی شد. نتایج بدست آمده نشان داد انفجار شماره 1 منجر به کاهش 31% ابعاد بولدر و افزایش 66% شاخص یکنواختی نسبت به انفجار شماره 2 شده است.https://www.irsrmjournal.ir/article_226694_2d6283086bb42612ff75ae9fc4284fe5.pdfانجمن مکانیک سنگ ایراننشریه علمی-پژوهشی مکانیک سنگ2588-74329120250621Investigating the unstable zones of Golgohar No. 3 iron ore mine using radar interferometric methodبررسی زون‌های ناپایدار معدن سنگ آهن شماره 3 گل‌گهر با استفاده از روش تداخل‌سنجی راداری112322482910.22034/irsrm.2025.528590.1046FAجعفرعبدالهیشریفمهندسی معدن، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایرانمیرجوادغیبیدانشجوی دکتری مهندسی معدن/استخراج مواد معدنی، دانشگاه ارومیه، ایرانامیرمحمدعلیآبادیزادهدانشجوی کارشناسی ارشد، دانشگاه ایمپریال کالج لندنJournal Article20250410Landslides, caused by both human and natural factors, occur worldwide with volumes ranging from a few thousand to several million cubic meters. Each year, the occurrence of these landslides leads to significant loss of life and financial damage. Among the human activities capable of inducing landslides is the excavation of open-pit mines, which creates steep walls. The most effective method for preventing collapses or mitigating their damage is the analysis of these walls through monitoring and the identification of potential slip zones. In this study, Synthetic Aperture Radar Interferometry (InSAR) was used to monitor and identify potential slip zones in the walls of the Gol-e-Gohar iron ore mine No. 3. To apply this method, 12 images from the Sentinel-1A satellite, acquired over 11 months, were processed. The results indicated the presence of two zones with a high probability of slippage within the mine pit. Furthermore, the displacement in one of these zones was measured to be 22 mm over 12 months.احتمال رخداد زمین‌لغزش در سراسر جهان و احجام مختلف از چند هزار متر مکعب تا چند میلیون متر مکعب توسط عوامل انسانی و طبیعی وجود دارد. وقوع زمین‌لغزش‌ها هر ساله باعث ایجاد خسارات جانی و مالی زیادی می‌گردد. از جمله موارد انسانی که توانایی ایجاد زمین‌لغزش را داراست حفر معادن روباز در زمین است که باعث ایجاد دیواره‌هایی با شیب زیاد می‌شود. بهترین راه برای جلوگیری از ریزش و یا کنترل خسارات آن تجزیه و تحلیل دیواره‌ها از طریق پایش دیواره‌ها و شناسایی زون‌های لغزشی است. در این مطالعه برای پایش و شناسایی زون‌های لغزشی در دیواره معدن سنگ آهن شماره 3 گل‌گهر از روش تداخل سنجی راداری دریچه مصنوعی (InSAR) استفاده شد. برای استفاده از این روش تعداد 12 تصویر در طی 11 ماه از ماهواره Sentinel-1A دریافت و مورد پردازش قرار گرفت. نتایج نشان داد با استفاده از این روش دو زون دارای احتمال لغزش در داخل پیت معدن موجود است و همچنین میزان جابجایی در یکی از این زون‌ها در طی 12 ماه برابر 22 میلی‌متر به دست آمد.https://www.irsrmjournal.ir/article_224829_ba03c15ce7fbd03a7186fa87bbc41c7f.pdfانجمن مکانیک سنگ ایراننشریه علمی-پژوهشی مکانیک سنگ2588-74329120250621Experimental and Numerical Investigation of Conventional Methods for Determining Mode I Fracture Toughness of Concreteبررسی آزمایشگاهی و عددی روش‌های مرسوم در تعیین چقرمگی شکست مود I بتن254522843010.22034/irsrm.2025.543623.1056FAمحمدرضاآب روشنگروه مهندسی معدن، دانشکده مهندسی، دانشگاه کاشان، کاشان، ایرانمجیدنوریان بیدگلیگروه مهندسی معدن، دانشکده مهندسی، دانشگاه کاشان، کاشان، ایرانهادیحائریگروه مهندسی معدن، مجتمع آموزش عالی زرند، زرند، ایرانJournal Article20250414Fracture toughness is one of the most important mechanical properties of rock-like materials and plays a decisive role in the stability analysis of concrete and rock structures. In recent years, the International Society of Rock Mechanics (ISRM) has proposed several standardized specimen geometries, including SCB, CB, CCNBD, and SR, to determine Mode I fracture toughness. However, numerous reports have shown that the values obtained from these methods are not consistent, with significant differences between them. In this study, to investigate this issue in detail, a series of laboratory tests were designed and performed on standard concrete samples to determine their fracture toughness values. The experimental results showed that the fracture toughness values are highly dependent on the specimen geometry. For concrete with a strength of 30 MPa, the highest toughness value was obtained for the CCNBD specimen at 0.43 MPa•m⁰•⁵, while the lowest value was obtained for the SCB specimen at 0.34 MPa•m⁰•⁵. This represents a difference of approximately 26.4 percent. Additionally, three-dimensional numerical modeling was performed using the Discrete Element Method (DEM) in the YADE software. Prior to simulating the fracture tests, the model's microscopic parameters were calibrated based on uniaxial compressive strength (UCS) and Brazilian tensile strength (BTS) tests. The numerical results from simulating the different geometries showed that the discrete element model can accurately reproduce both the fracture toughness values and the fracture patterns. The difference between the experimental and numerical data for all geometries was less than 2 to 3 percent. The findings of this study indicate that the choice of test geometry has a direct and significant effect on the measured fracture toughness value. Furthermore, numerical modeling has been demonstrated to be an efficient tool for interpreting and analyzing these differences.چقرمگی شکست یکی از مهم‌ترین خواص مکانیکی مواد شبه‌سنگی به شمار می‌رود که نقش تعیین‌کننده‌ای در تحلیل پایداری سازه‌های بتنی و سنگی دارد. در سال‌های اخیر، انجمن بین‌المللی مکانیک سنگ (ISRM) چند هندسه مختلف شامل SCB، CB، CCNBD و SR را برای تعیین چقرمگی شکست مود I پیشنهاد کرده است. با این حال، گزارش‌های متعددی نشان داده‌اند که مقادیر به‌دست‌آمده از این روش‌ها یکسان نبوده و اختلاف محسوسی میان آن‌ها وجود دارد. در این پژوهش به‌منظور بررسی دقیق این موضوع، مجموعه‌ای از آزمایش‌های آزمایشگاهی بر روی نمونه‌های بتنی استاندارد طراحی و اجرا شد و مقادیر چقرمگی شکست تعیین گردید. نتایج آزمایشگاهی نشان داد که مقادیر چقرمگی شکست به نوع هندسه وابسته بوده و بیشترین مقدار چقرمگی برای بتن با مقاومت Mpa30در نمونه CCNBD به میزان MPa m0.5 43/0 و کمترین مقدار در نمونه SCB به میزان MPa m0.5 34/0 حاصل شده است که اختلافی در حدود 26.4 درصد بین این مقادیر وجود داشت. همچنین مدل‌سازی عددی سه‌بعدی با استفاده از روش اجزای مجزا در نرم‌افزار YADE انجام شد. پیش از شبیه‌سازی هندسه‌ها، پارامترهای میکروسکوپی مدل از طریق آزمون‌های مقاومت فشاری تک‌محوری (UCS) و کشش غیرمستقیم (BTS) کالیبره شدند. نتایج عددی حاصل از شبیه‌سازی هندسه‌های مختلف نشان داد که مدل اجزای مجزا قادر است مقادیر چقرمگی شکست و همچنین الگوهای شکست را با دقت بالا بازتولید نماید. اختلاف میان داده‌های آزمایشگاهی و عددی در تمامی هندسه‌ها کمتر از 2 تا 3 درصد بود. یافته‌های این تحقیق بیانگر آن است که انتخاب هندسه آزمایش اثر مستقیم و چشمگیری بر مقدار چقرمگی شکست دارد و استفاده از مدل‌سازی عددی می‌تواند ابزاری کارآمد برای تفسیر و تحلیل این اختلافات باشد.https://www.irsrmjournal.ir/article_228430_0b0a250a428ced7d5fbe2401e62e0864.pdfانجمن مکانیک سنگ ایراننشریه علمی-پژوهشی مکانیک سنگ2588-74329120250621The Estimation of TBM Penetration Rate using Artificial Neural Network Optimized with Particle Swarm Optimization and Firefly Algorithms, Case Study: Tabriz Metro Line 2تخمین نرخ نفوذ ماشین حفاری تونل با استفاده از شبکه عصبی بهینه شده با الگوریتم‌های بهینه‌سازی ازدحام ذرات و کرم شب‌تاب، مطالعه موردی: خط 2 متروی تبریز476022855910.22034/irsrm.2025.540267.1054FAحمیدچاکریدانشکده مهندسی معدن، دانشگاه صنعتی سهند تبریز، تبریز، ایرانسید شهاب الدینبازرگاندانشکده مهندسی معدن، دانشگاه صنعتی سهند تبریز، تبریز، ایرانرحمانمیرزاییدانشکده مهندسی عمران، بناب، ایرانمحمدداربردانشکده مهندسی معدن، دانشگاه صنعتی سهند تبریز، تبریز، ایران0000-0001-7854-9077حسینکریمی انصاریخط 2 متروی تبریز، تبریز، ایرانJournal Article20250414The penetration rate (PR) is a critical parameter in tunnelling, as it directly determines project timelines, cost, and overall efficiency. Developing accurate predictive models for the penetration rate (PR) is crucial for optimizing tunnelling performance and enabling more effective project planning. To meet this need, this study employs advanced metaheuristic optimization algorithms to augment an artificial neural network (ANN) for improved penetration rate (PR) prediction. Specifically, particle swarm optimization (PSO) and the firefly algorithm (FA) were employed to refine the model's accuracy. The research utilized data from the Tabriz Metro Line 2 project. The data integrated key influencing factors, which were categorized as follows: geological parameters, including soil friction angle, cohesion, unit weight, shear modulus, and water table depth; and machine parameters, including torque, thrust force, and rotational speed. The explicit goal of the model's optimization was to minimize the normalized mean squared error (NMSE) for its predictions against the actual measured values. The results demonstrate that both PSO and FA significantly enhanced the predictive performance of the baseline ANN model. However, the firefly algorithm proved superior, achieving a higher coefficient of determination (R² = 0.836 for test data, compared to 0.780 for the PSO-optimized model) and a lower NMSE. This key outcome is attributed to the FA's robust search capabilities, confirming its effectiveness in identifying optimal model parameters for complex, nonlinear relationships in tunnelling. The findings provide a reliable, data-driven framework for predicting TBM performance, offering substantial practical value for project planning and execution in geotechnical engineering.نرخ نفوذ (PR)، یک پارامتر حیاتی در تونل‌سازی است، زیرا مستقیماً زمان‌بندی پروژه، هزینه و کارایی کلی را تعیین می‌کند. توسعه مدل‌های پیش‌بینی دقیق برای نرخ نفوذ (PR) به منظور بهینه‌سازی عملکرد تونل‌سازی و برنامه‌ریزی مؤثرتر پروژه بسیار مهم است. برای پاسخ به این نیاز، این مطالعه، از الگوریتم‌های بهینه‌سازی فراابتکاری پیشرفته برای تقویت یک شبکه عصبی مصنوعی (ANN) به منظور بهبود پیش‌بینی نرخ نفوذ (PR) استفاده می‌کند. به طور خاص، از بهینه‌سازی ازدحام ذرات (PSO) و الگوریتم کرم شب‌تاب (FA) برای افزایش دقت مدل استفاده شد. این تحقیق از داده‌های پروژه خط ۲ متروی تبریز بهره گرفت. داده‌ها، شامل عوامل کلیدی تأثیرگذار بودند که به شرح زیر دسته‌بندی شدند: پارامترهای زمین‌شناسی شامل زاویه اصطکاک داخلی خاک، چسبندگی، وزن مخصوص، مدول برشی و عمق سفره آب زیرزمینی و پارامترهای ماشین حفاری شامل گشتاور، نیروی رانش و سرعت چرخش. هدف صریح بهینه‌سازی مدل، به حداقل رساندن خطای میانگین مربعات نرمال‌شده (NMSE) برای پیش‌بینی‌های آن در مقایسه با مقادیر واقعی اندازه‌گیری‌شده بود. نتایج، نشان داد که هر دو الگوریتم PSO و FA، عملکرد پیش‌بینی مدل پایه ANN را به طور قابل توجهی افزایش می دهند. با این حال، الگوریتم کرم شب‌تاب، بهتر عمل کرد و به ضریب تعیین بالاتر (0.9 برای داده‌های آزمون، در مقایسه با 0.84 برای مدل بهینه‌سازی‌شده با PSO) و NMSE پایین‌تر دست یافت. این نتیجه کلیدی به قابلیت‌های جستجوی قوی FA نسبت داده می‌شود که اثربخشی آن را در شناسایی پارامترهای بهینه مدل برای روابط پیچیده و غیرخطی در تونل‌سازی تأیید می‌کند. این یافته‌ها، یک چارچوب قابل اعتماد و مبتنی بر داده برای پیش‌بینی عملکرد TBM ارائه می‌دهد که ارزش عملی قابل توجهی برای برنامه‌ریزی و اجرای پروژه در مهندسی ژئوتکنیک دارد.https://www.irsrmjournal.ir/article_228559_c9c875b403ccb44a385ca42ea7f10b03.pdfانجمن مکانیک سنگ ایراننشریه علمی-پژوهشی مکانیک سنگ2588-74329120250621Assessing the Impact of TBM Operational Parameters on Penetration Rate through Machine Learning and Multi-Stage Feature Selectionارزیابی اثر پارامترهای عملیاتی TBM بر نرخ نفوذ با رویکرد یادگیری ماشین و انتخاب ویژگی چندمرحله‌ای617922860610.22034/irsrm.2025.539943.1053FAآرمینفلاحیگروه مکانیک سنگ، بخش مهندسی معدن، دانشکده معدن و مواد، دانشگاه تربیت مدرس، تهران، ایرانسید مصلحافتخاریدانشکده فنی و مهندسی، دانشگاه تربیت مدرس، تهران، ایران0000-0002-3126-9024احسانطاهریگروه مکانیک سنگ، بخش مهندسی معدن، دانشکده معدن و مواد، دانشگاه تربیت مدرس، تهران، ایران0000-0002-7291-697XJournal Article20250409In recent years, machine learning (ML) models have garnered increasing attention for predicting the penetration rate (PR) of tunnel boring machines (TBMs), a key performance indicator in mechanized tunneling projects. However, many previous studies have been limited to comparing a few algorithms and have lacked a comprehensive sensitivity analysis regarding operational parameters. In this study, four ML algorithms—K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree (DT), and Random Forest (RF)—were evaluated for predicting the PR of a TBM based on real-world operational data from the long Zagros tunnel. To enhance model performance, effective features were selected from an initial set of 17 parameters using a hybrid approach combining mutual information and the Binary Grey Wolf Optimizer (BGWO). The models were then trained and assessed using performance metrics such as RMSE, MAE, and the coefficient of determination (R²). Among the models, the RF algorithm demonstrated the highest prediction accuracy and generalization capability. In the final stage, a multivariate sensitivity analysis was conducted using the RF model to investigate the individual and combined effects of controllable operational parameters—namely thrust force, torque, and cutterhead rotation speed—on the PR. The findings highlight the critical role of balanced parameter tuning in optimizing TBM performance and suggest that ML models can serve as valuable decision-support tools in mechanized tunneling operations.در سال‌های اخیر، مدل‌های یادگیری ماشین به‌طور گسترده برای پیش‌بینی نرخ نفوذ ماشین حفاری تمام‌مقطع (TBM) استفاده شده‌اند. نرخ نفوذ یکی از شاخص‌های کلیدی عملکرد در پروژه‌های تونل‌سازی است و به همین دلیل، بهبود روش‌های پیش‌بینی آن اهمیت زیادی دارد. با این حال، بسیاری از مطالعات پیشین تنها به مقایسه محدود چند الگوریتم پرداخته و کمتر به انتخاب ویژگی جامع یا تحلیل دقیق حساسیت پارامترهای عملیاتی پرداخته‌اند. این پژوهش با هدف پر کردن این شکاف، رویکردی چندمرحله‌ای در انتخاب ویژگی‌ها با ترکیب روش اطلاعات متقابل (MI) و الگوریتم بهینه‌سازی گرگ خاکستری (GWO) ارائه داد تا از میان 17 ویژگی اولیه، مؤثرترین پارامترها انتخاب شوند. پایگاه داده‌ی واقعی شامل 1258 رکورد عملکرد TBM در پروژه تونل بلند زاگرس، برای آموزش و ارزیابی چهار الگوریتم نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان (SVM)، درخت تصمیم (DT) و جنگل تصادفی (RF) مورد استفاده قرار گرفت. عملکرد مدل‌ها با شاخص‌های استاندارد RMSE، MAE و ضریب تعیین (R²) ارزیابی شد. در میان مدل‌های بررسی‌شده، مدل جنگل تصادفی با R² حدود 0.93 و RMSE برابر با 0.05 بهترین دقت را نشان داد و با استفاده از روش اعتبارسنجی متقابل پنج‌بخشی از تعمیم‌پذیری مناسبی برخوردار بود. در گام نهایی، تحلیل حساسیت با استفاده از مدل RF انجام شد. نتایج نشان داد که تنظیم متعادل پارامترهای عملیاتی شامل نیروی محوری پیشران، گشتاور و سرعت چرخش کله‌حفار نقشی کلیدی در بهینه‌سازی نرخ نفوذ دارد. این پژوهش علاوه بر بهبود دقت پیش‌بینی نرخ نفوذ، نشان می‌دهد که مدل‌های یادگیری ماشین می‌توانند به‌عنوان ابزاری کارآمد برای پشتیبانی تصمیم و بهینه‌سازی راهبردهای عملیاتی در پروژه‌های حفاری مکانیزه مورد استفاده قرار گیرند.https://www.irsrmjournal.ir/article_228606_c53ae68b2c4553354c1b847a592595be.pdfانجمن مکانیک سنگ ایراننشریه علمی-پژوهشی مکانیک سنگ2588-74329120250621Managing risk in tunneling projects: A fuzzy TOPSIS approach for improved decision-makingمدیریت ریسک در پروژه‌های تونلی: رویکرد فازی TOPSIS برای بهبود تصمیم‌گیری819523172610.22034/irsrm.2025.534696.1048FAمحمدحیاتیگروه استخراج، دانشکده معدن و مواد، دانشگاه تربیت مدرساحمدرضاصیادیگروه استخراج، دانشکده معدن و مواد، دانشگاه تربیت مدرس0000-0001-8224-5295مسعودمنجزیگروه استخراج، دانشکده معدن و مواد، دانشگاه تربیت مدرسمجتبیرضاخواهگروه استخراج، دانشکده معدن و مواد، دانشگاه تربیت مدرسJournal Article20250417Risk assessment is a critical task in tunneling projects, yet classical methods often fail to adequately manage the inherent uncertainties of expert judgments. This paper presents a comparative risk analysis using two multi-criteria decision-making techniques: Classical TOPSIS and Fuzzy TOPSIS. The study first establishes a baseline risk ranking using the Classical TOPSIS method, which relies on crisp numerical inputs. It then applies the Fuzzy TOPSIS method to the same dataset, leveraging fuzzy set theory to model the linguistic ambiguity and uncertainty in expert evaluations. The methodologies are applied to a case study of a tunnel construction project, assessing 17 distinct risks across 11 criteria. The results demonstrate that while both methods identify similar high-priority risks, the final rankings differ. The Fuzzy TOPSIS model, by incorporating uncertainty, provides a more robust and nuanced prioritization, identifying Owner risks (R10) and Site/Environment risks (R5) as more critical than the classical method did. This study concludes that the Fuzzy TOPSIS approach is a superior and more reliable tool for decision-makers, offering a more realistic framework for managing the complex risks in tunneling projects.ارزیابی ریسک یک وظیفه حیاتی در پروژه‌های تونل‌سازی است، با این حال روش‌های کلاسیک اغلب در مدیریت کافی عدم قطعیت‌های ذاتی قضاوت‌های کارشناسی شکست می‌خورند. این مقاله یک تحلیل ریسک مقایسه‌ای با استفاده از دو تکنیک تصمیم‌گیری چند معیاره ارائه می‌دهد: TOPSIS کلاسیک و TOPSIS فازی. این مطالعه ابتدا با استفاده از روش TOPSIS کلاسیک، که به ورودی‌های عددی قطعی متکی است، یک رتبه‌بندی ریسک پایه ایجاد می‌کند. سپس روش TOPSIS فازی را بر روی همان مجموعه داده‌ها اعمال می‌کند و از نظریه مجموعه‌های فازی برای مدل‌سازی ابهام و عدم قطعیت زبانی در ارزیابی‌های کارشناسی استفاده می‌کند. این روش‌ها در یک مطالعه موردی از یک پروژه ساخت تونل اعمال می‌شوند و 17 ریسک متمایز را در 11 معیار ارزیابی می‌کنند. نتایج نشان می‌دهد که در حالی که هر دو روش ریسک‌های با اولویت بالا مشابهی را شناسایی می‌کنند، رتبه‌بندی نهایی متفاوت است. مدل TOPSIS فازی، با در نظر گرفتن عدم قطعیت، اولویت‌بندی قوی‌تر و ظریف‌تری را ارائه می‌دهد و ریسک‌های مالک (R10) و ریسک‌های سایت/محیط زیست (R5) را بحرانی‌تر از روش کلاسیک شناسایی می‌کند. این مطالعه نتیجه می‌گیرد که رویکرد فازی TOPSIS ابزاری برتر و قابل اعتمادتر برای تصمیم‌گیرندگان است و چارچوبی واقع‌بینانه‌تر برای مدیریت ریسک‌های پیچیده در پروژه‌های تونل‌سازی ارائه می‌دهد.https://www.irsrmjournal.ir/article_231726_a96fd0f194e659f56ead476d8c4b314b.pdf