Πρόβλεψη του ρυθμού προχώρησης μηχανών ολομέτωπης κοπής (ΤΒΜ) με τη χρήση τεχνητών νευρωνικών δικτύων

Σιούτας, Κωνσταντίνος; Sioutas, Konstantinos

dc.contributor.author	Σιούτας, Κωνσταντίνος	el
dc.contributor.author	Sioutas, Konstantinos	en
dc.date.accessioned	2022-02-15T16:05:20Z
dc.date.available	2022-02-15T16:05:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54715
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22413
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Σχεδιασμός και Κατασκευή Υπόγειων Έργων”	el
dc.rights	Default License
dc.subject	TBM	el
dc.subject	Ρυθμός προχώρησης	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.title	Πρόβλεψη του ρυθμού προχώρησης μηχανών ολομέτωπης κοπής (ΤΒΜ) με τη χρήση τεχνητών νευρωνικών δικτύων	el
heal.type	masterThesis
heal.classification	Όρυξη Υπογείων Έργων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-08
heal.abstract	Η μοντελοποίηση της πρόβλεψης ρυθμού προχώρησης της (PR) μηχανών ολομέτωπης κοπής σήραγγας είναι μια σημαντική πτυχή της εσκαφής των σηράγγων. Η δημιουργία μοντέλων που θα προσομοιάζουν αξιόπιστα τους μηχανισμούς που διέπουν τη συμπεριφορά της βραχόμαζας ή των πετρωμάτων και των αλληλεπιδράσεων που υπάρχουν μεταξύ αυτών και των τεχνικών κατασκευών είναι πάντοτε μια από τις πιο σημαντικές επιδιώξεις των ερευνητών. Η εισαγωγή νέων μεθόδων τεχνητής νοημοσύνης, όπως αυτή των τεχνητών νευρωνικών δικτύων (ΤΝΔ), είναι σε θέση να δώσει πολλές νέες ευκαιρίες στην ανάλυση των διαφόρων εφαρμογών γεωτεχνολογίας και μηχανικής πετρωμάτων. Στη παρόυσα Διπλωματική εργασία αναλύεται ο τρόπος λειτουργίας των ΤΝΔ και επιπλέον πραγματοποιούνται αναλύσεις για τον προσδιορισμό του ρυθμού προχώρησης (διείσδυσης) σηράγγων με μηχανήματα ολομέτωπης κοπής μέσω αντίστοιχων μοντέλων, έχοντας ως δεδομένα εισαγωγής γεωτεχνικά, λιθολογικά δεδομένα και παραμέτρους λειτουργίας των μηχανημάτων διάνοιξης. Τα μοντέλα που αναπτύχθηκαν για τη συγκεκριμένη εργασία αφορούν την κατασκευή 3 υδραυλικών σηράγγων (Maen, Pieve και Varzo), στη Β. Ιταλία στην περιοχή των Άλπεων και υλοποιούνται μέσω της χρήσης τριών τεχνητών νευρικών δικτύων πρόσθιας τροφοδότησης (ANN-FF) που προβλέπουν τον ρυθμό προχώρησης (PR) ως συνάρτηση βασικών δεδομένων του γεωλογικού περιβάλλοντος, των γωτεχνικών συνθηκών και των παραμέτρων του μηχανήματος ΤΒΜ. Επίσης για μία από τις τρεις σήραγγες υπήρχαν τα απαραίτητα δεδομένα ώστε να είναι δυνατή η χρήση δύο μοντέλων Βαθείας Μάθησης (συνδυασμός RNN-CNN) για την πρόβλεψη ρυθμού προχώρησης (PR). Η σήραγγα αντιμετωπίζεται ως ένα πρόβλημα πρόβλεψης με βάση χρονοσειράς, λαμβάνοντας υπόψη δηλαδή τις προηγούμενες τιμές προχώρησης ώστε να προβλεφθούν οι μελλοντικές, είτε χωρίς είτε και με την χρήση των επιπρόσθετων δεδομένων εισαγωγής (γεωλογία, ώση, κλπ.). Τα αποτελέσματα που προέκυψαν δείχνουν ότι τα ANN-FF αλλά και τα RNN-CNN που αναπτύχθηκαν στο πλαίσιο της εργασίας μπορούν αποτελεσματικά να γενικεύσουν, δηλαδή να κατανοήσουν και εν συνεχεία να μπορέσουν να μοντελοποιήσουν και να προβλέψουν, τη συμπεριφορά του TBM στο όσον αφορά στο ρυθμό προχώρησης που μπορεί να επιτευχθεί στο αντίστοιχο γεωτεχνικό περιβάλλον τους. Μπορούν με αυτόν τον τρόπο να δώσουν μια αξιόπιστη, αποτελεσματική αλλά και κυριότερα συνεπή απόδοση σε όλες τις συνθήκες και παραμέτρους που έχουν εξεταστεί, φτάνοντας σε πολύ ικανοποιητικά επίπεδα ακρίβειας λαμβάνοντας υπόψιν την αβεβαιότητα του γεωλογικού μέσου. Έτσι, πλέον η χρήση τεχνικών Μηχανικής Μάθησης μπορεί να αξιοποιηθεί ώστε να παράσχει λύσεις αλλά και ανοίξει νέες δυνατότητες για την περαιτέρω αξιοποίησή της σε πολύπλοκα θέματα που σχετίζονται με το σχεδιασμό και κατασκευή υπογείων έργων αλλά και άλλων γεωτεχνικών κατασκευών.	el
heal.advisorName	Μπενάρδος, Ανδρέας	el
heal.committeeMemberName	Τσακίρη, Μαρία	el
heal.committeeMemberName	Θεόδωρος, Μιχαλακόπουλος	el
heal.committeeMemberName	Ανδρέας, Μπενάρδος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανικών Μεταλλείων Μεταλλουργών	el
heal.academicPublisherID	ntua
heal.numberOfPages	101 σ.	el
heal.fullTextAvailability	false