انجمن مکانیک سنگ ایران نشریه علمی-پژوهشی مکانیک سنگ 2588-7432 9 4 2026 02 20 Machine Learning-Driven Prediction of TBM Penetration Rate in Pyroclastic Formations of the Alborz Mountains, Iran: Integrating LMR, ANN, and C&R Tree Models پیش‌بینی نرخ نفوذ TBM با استفاده از یادگیری ماشین در سازندهای آذرآواری رشته‌کوه البرز، ایران: تلفیق مدل‌های رگرسیون خطی چندگانه، شبکه عصبی مصنوعی و درخت تصمیم 19 32 241616 10.22034/IRSRM.2026.532101.0655 FA علی اصغر قائدی ,وانانی دکترای زمین‌شناسی مهندسی، دانشگاه تربیت مدرس، ایران 0000-0001-5674-5210 جعفر حسن پور دانشکده زمین‌شناسی، پردیس علوم، دانشگاه تهران، تهران، ایران مهدی علیخانی گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد شهرکرد، ایران محمد اسلامی گروه زمین‌شناسی، دانشکده علوم پایه، دانشگاه شیراز، شیراز، ایران Journal Article 2026 01 02 This study develops and compares three machine learning models- Multiple Linear Regression (LMR), Artificial Neural Network (ANN), and Classification and Regression Tree (C&R Tree) - for predicting the Penetration Rate (PR) of a Tunnel Boring Machine (TBM). A comprehensive dataset of 161 field samples was compiled from 22.7 km of the Karaj Water Conveyance Tunnel, which is excavated through pyroclastic rock formations of the Alborz Mountains (Iran). This dataset incorporates key intact rock properties (UCS), rock mass characteristics (RQD, GSI, joint orientation), and critical TBM operational parameters (RPM, Fn, Fr). Model performance was evaluated using the coefficient of determination (R²) and mean absolute error (MAE). The ANN model was found to achieve the highest predictive accuracy (R² = 0.93, MAE = 0.02), followed by the C&R Tree model (R² = 0.80, MAE = 0.05), while the LMR model demonstrated lower performance (R² = 0.76, MAE = 0.07). Notably, the C&R Tree model offered superior interpretability, with the Geological Strength Index (GSI) identified as the most influential parameter. Furthermore, this model generated explicit decision rules, thereby elucidating the specific geological conditions associated with the minimum (2.38 m/h) and maximum (4.47 m/h) penetration rates observed in the terminal nodes. In summary, while the ANN model provides superior numerical precision, the C&R Tree model delivers interpretable insights that effectively bridge quantitative prediction and qualitative engineering analysis. The synergistic application of both approaches is thus proposed as a robust framework for optimizing TBM operations and enhancing tunneling productivity. این مطالعه به توسعه و مقایسه سه مدل یادگیری ماشین -رگرسیون خطی چندگانه(LMR) ، شبکه عصبی مصنوعی(ANN) ، و درخت طبقه‌بندی و رگرسیون(C&R Tree) - برای پیش‌بینی نرخ نفوذ (PR) ماشین حفار تونل (TBM) می‌پردازد. مجموعه‌داده جامعی شامل 161 نمونه صحرایی از 22.7 کیلومتر تونل انتقال آب کرج، که در سازندهای آذرآواری رشته کوه البرز (ایران) حفر شده است، گردآوری شد. این مجموعه‌داده شامل ویژگی‌های سنگ دست‌نخورده (UCS)، مشخصات توده‌سنگ (RQD، GSI، جهت‌یابی درز)، و پارامترهای عملیاتی ماشین (RPM ، Fn، Fr) است. عملکرد مدل‌ها با استفاده از ضریب تعیین (R²) و میانگین خطای مطلق (MAE) ارزیابی شد. مدل ANN با بیشترین دقت پیش‌بینی R² = و 0.93 MAE =0.02 شناخته شد و پس از آن مدل C&R Tree R² =0.8 و MAE =0.05قرار گرفت، در حالی که مدل LMR عملکرد کمتری نشان داد (R² =0.76) و (MAE =0.07) قابل توجه است که مدل C&R Tree با قابلیت تفسیرپذیری بالا، شاخص مقاومت زمین‌شناسی (GSI) را به عنوان مؤثرترین پارامتر شناسایی کرد. علاوه بر این، این مدل قوانین تصمیم‌گیری صریحی را ایجاد کرد که شرایط زمین‌شناسی خاص مربوط به کمترین (2.38 متر در ساعت) و بیشترین (4.47 متر در ساعت) نرخ نفوذ مشاهده‌شده در گره‌های پایانی را مشخص می‌کند. مجموعاً، در حالی که مدل ANN دقت عددی بالاتری ارائه می‌دهد، مدل C&R Tree بینش‌های تفسیرپذیری ارائه می‌دهد که به طور مؤثری پیش‌بینی کمی و تحلیل کیفی مهندسی را پیوند می‌زند. بنابراین کاربرد هم‌افزای هر دو رویکرد به عنوان چارچوبی مستحکم برای بهینه‌سازی عملیات TBM و افزایش بهره‌وری حفاری تونل پیشنهاد می‌شود

https://www.irsrmjournal.ir/article_241616_24cb53bc7665a12b28a0a8c1a0552cd0.pdf