نشریه علمی-پژوهشی مکانیک سنگ

نشریه علمی-پژوهشی مکانیک سنگ

اصلاح سیستم طبقه‌بندی توده‌سنگ RMR به‌منظور تخمین عملکرد TBM درانواع سنگ

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشگاه اصفهان
2 دانشکده معدن کلرادو
3 دانشگاه تهران
چکیده
از آن‌جا که سیستم‌های مختلف طبقه‌بندی توده‌سنگ، متداول‌ترین روش‌های مورد استفاده در بسیاری از پروژه‌های مهندسی سنگ هستند، به دلیل پذیرش جهانی و در دسترس بودن پارامترهای مؤثر، روش مناسبی جهت تخمین عملکرد ماشین TBM می‌باشند. با مقایسه متداول‌ترین سیستم‌های طبقه‌بندی توده‌سنگ، سیستم طبقه‌بندی RMR همبستگی بهتری با نرخ نفوذ TBM نشان می‌دهد، که این امر به دلیل استفاده از مقاومت فشاری تک‌محوره سنگ (UCS) به عنوان پارامتر ورودی در این سیستم است. ازآنجاکه سیستم طبقه‌بندی RMR برای تحلیل شرایط پایداری توده‌سنگ در تونل‌ها و طراحی سیستم نگهدارنده توسعه یافته، در نتیجه امتیازدهی پارامترهای ورودی آن نیز بر همین اساس انجام شده و به‌نظر می‌رسد، می‌توان با تغییر در مقادیر امتیاز پارامترهای ورودی سیستم RMR و تغییر در وزن‌دهی داخلی هر پارامتر، به RMR بهینه‌ای دست یافت که متناسب با هدف این مطالعه یعنی پیش‌بینی عملکرد ماشین TBM در سنگ سخت باشد. هدف از این مطالعه، توسعه روابط جدید برای تخمین عملکرد TBM در انواع سنگ بر اساس پارامترهای ورودی سیستم RMR و درنهایت اصلاح سیستم RMR جهت توسعه مدلی جدید برای پیش‌بینی عملکرد TBM در سنگ است. بدین منظور داده‌های مربوط به 10 پروژه تونل‌سازی در شرایط زمین‌شناسی مختلف در یک پایگاه‌داده جمع‌آوری شده است و درنهایت با استفاده از الگوریتم‌های هوش مصنوعی، طبقه‌بندی RMRTBM با هدف پیش‌بینی عملکرد TBM در سنگ سخت پیشنهاد شده است. در RMRTBM به هر یک از پارامترهای ورودی بر اساس جدول و نمودار مربوطه، امتیازی تعلق می‌گیرد و مجموع امتیازات این پارامترها به‌صورت صفر تا صد، مقدار RMRTBM را تعیین می‌کند. سپس رده RMRTBM تعیین‌شده و با توجه به جدول ارائه شده، محدوده FPI توده‌سنگ، رده حفرپذیری، توصیف حفرپذیری و شرایط پایداری توده‌سنگ مسیر تونل پیش‌بینی می‌شود. این مدل در مراحل طراحی و برنامه‌ریزی پروژه‌های تونل‌سازی می‌تواند مفید واقع شود.
کلیدواژه‌ها

موضوعات


[1]    Salimi, A. (2021). “Investigation and Evaluation of Rock Mass Characteristics for Development of New TBM Performance Prediction Model in Hard Rock Conditions”. Ph.D. Thesis, Stuttgart University, Germany.
[2]    Sapigni, M., Berti, M., Behtaz, E., Busillo, A., Cardone, G. (2002). “TBM performance estimation using rock mass classification”. Int. J. Rock Mech. Min. Sci., 39, 771-788.
[3]    Hassanpour, J., Rostami, J., Zhao, J. (2011). “A new hard rock TBM performance prediction model for project planning”. J. Tunnel. Under. Space Technol., 26, 595–603.
[4]    Salimi, A., Rostami, J., Moormann, C. (2019). “Application of rock mass classification systems for performance estimation of rock TBMs using regression tree and artificial intelligence algorithms”. Tunnel Under. Space Technol., 92, 103046.
[5]    Bieniawski, Z.T., Celada, B., Galera, J.M., Alvarez, M. (2006). Rock Mass Excavability (RME) Indicator: New Way to Selecting the Optimum Tunnel Construction Method. ITA World Tunnelling Congress, Seoul, South Korea.
[6]    Rostami, J. (1997). Development of a force estimation model for rock fragmentation with disc cutters through theoretical modelling and physical measurement of crushed zone pressure. Ph.D. Thesis, Colorado School of Mines, Golden, Colorado, USA.
[7]    Khademi Hamidi, J., Shahriar, K., Rezai, B., & Rostami, J. (2010). Performance prediction of hard rock TBM using Rock Mass Rating (RMR) system. Tunnel Under. Space Technol., 25(4), 333–345.
[8]    Gholami, M., Shahriar, K., Sharifzadeh, M., Hamidi, J.K. (2012). A comparison of artificial neural network and multiple regression analysis in TBM performance prediction. ISRM Regional Symposium-7th Asian Rock Mechanics Symposium: International Society for Rock Mechanics.
[9]    Gong, Q., Lu, J., Xu, H., Chen, Z., Zhou, X., Han, B. (2021). A modified rock mass classification system for TBM tunnels and tunneling based on the HC method of China. Int. J. Rock Mech. Min. Sci., 137, 104551.
[10] Jain, P. (2014). Evaluation of engineering geological and geotechnical properties for the performance of a tunnel boring machine in Deccan traps rocks-a case study From Mumbai, India. Ph.D. thesis, Indian Institute of Technology Bombay, India (Unpublished).
[11] Hassanpour, J., Ghaedi Vanani, A.A., Rostami, J., Cheshomi, A. (2016). Evaluation of common TBM performance prediction models based on field data from the second lot of Zagros water conveyance tunnel (ZWCT2). Tunnel Under. Space Technol., 52, 147-156.
[12] Hassanpour, J., Rostami, J., Khamehchiyan, M., Bruland, A. (2009). Developing new equations for TBM performance prediction in carbonate-argillaceous rocks: a case history of Nowsood water conveyance tunnel. Geomech. Geoeng. Int. J, 4, 287-297.
[13] Hassanpour, J., Rostami, J., Khamehchiyan, M., Bruland, A., Tavakoli, H. (2010). TBM performance analysis in pyroclastic rocks: a case history of Karaj water conveyance tunnel. Rock Mech. Rock Eng., 43(4), 427-445.
[14] SCE Company. (2004). Geological and Engineering Geological Report for Ghomrood Water Conveyance Tunnel Project (Lots 3 & 4), Unpublished report.
[15] SCE Company. (2006). Geological and Engineering Geological Report for Karaj Water Conveyance Tunnel Project (Lot1), Unpublished report.
[16] Pourhashemi, S. M., Ahangari, K., Hassanpour, J., Eftekhari, M. (2021). TBM performance analysis in very strong and massive rocks; case study: Kerman water conveyance tunnel project, Iran. Geomech. Geoeng. Int. J, https:..doi.org.10.1080.17486025.2021.1912410.
[17] Fatemi, S.A. (2016). Prediction of TBM penetration rate by rock mass classification system. Ph.D. Thesis, Tarbiat Modares University, Tehran, Iran.
[18] حسن پور، ج.، رستمی، ج.، خامه‌چیان، م. (1402). زمین‌شناسی مهندسی و تونل‌سازی: ارزیابی عملکرد TBM در تونل‌های سنگی، انتشارات دانشگاه تهران، 479 صفحه.
[19] Farrokh, E., Rostami, J., Laughton, C. (2012). Study of various models for estimation of penetration rate of hard rock TBMs. Tunnell. Undergr. Space Technol 30, 110-123.
[20] Fatemi, S.A. (2016). Prediction of TBM penetration rate by rock mass classification system. Ph.D. Thesis, Tarbiat Modares University, Tehran, Iran. Unpublished.