پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات تونلسازی در محیط‌های شهری با مدل رگرسیون خطی چندگانه و الگوریتم جنگل تصادفی

Abstract

نشست ناشی از عملیات تونلسازی در محیط‌های شهری پدیده‌ای اجتناب‌ناپذیر است. پیش‌بینی و کنترل این پدیده آسیب‌های احتمالی به سازه‌های‌ سطحی و زیرساخت‌های مجاور را به طور قابل توجهی کاهش می‌دهد. در این مقاله، برای پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات حفاری تونل‌های کم‌عمق در محیط‌های شهری از دو روش رگرسیون خطی چندگانه (MLR) و الگوریتم جنگل تصادفی (RF) استفاده شده است. بدین منظور 9 پارامتر ورودی موثر بر حداکثر نشست سطح زمین از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W.T)، قطر تونل (D)، مدول الاستیسته خاک (E)، مقاومت برشی زهکشی نشده خاک (Cu)، ضریب فشار زمین (K0)، وزن مخصوص خاک (γ)، پارامتر گَپ (g) و عدد پایداری (N) بر اساس 24 دسته داده مربوط به 14 پروژه مختلف تونلسازی انتخاب و سپس روش‌های MLR و RF پیاده‌سازی شدند. برای ارزیابی کارایی مدل‌ها در پیش‌بینی حداکثر نشست از 3 شاخص ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای داده‌های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش‌های MLR و RF برای داده‌های آموزش به ترتیب 814/0 و 957/0 و برای داده‌های تست به ترتیب 793/0 و 96/0 به دست آمد که نشان‌دهنده کارایی بالای روش RF در مقایسه با MLR است. به علاوه، نتایج نشان داد که مقادیر شاخص‌های RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم RF کمتر از روش MLR است که خطای کمتر الگوریتم RF و قابلیت اطمینان و دقت بالاتر آن نسبت به روش MLR نشان می‌دهد. همچنین، نتایج آنالیز اهمیت نشان می‌دهد که از بین پارامترهای ورودی، پارامتر گَپ (g) و مقاومت برشی زهکشی نشده خاک (Cu) به ترتیب بیشترین و کمترین تاثیر را بر حداکثر نشست سطح زمین دارند.