Prediction of hard rock TBM penetration rate based on Data Mining techniques

Abstract

The aim of this work is to use Data Mining tools to develop models for the prediction of hard rock tunnel boring machine (TBM) penetration rate (ROP). A database published by Yagiz (2008) was used to develop these models. The parameters of the database were the uniaxial compressive strength (UCS), an index used to quantify the brittleness and toughness and denominated peak slope index (PSI), the distance between the planes of weakness (DPW), the angle between tunnel axis and the planes of weakness (α) and the output parameter rate of penetration (ROP). The R program environment was used as a modeling tool to apply the artificial neural networks (ANN) and the support vector machine (SVM) algorithms and the corresponding models. These models were compared with two equations presented by Yagiz (2008) and Yagiz and Karahan (2011). It was concluded that the ANN model has the best performance. Moreover, these new models allowed computing the importance of the different input parameters for predicting machine performance. It was concluded that PSI is the most important parameter and UCS is the less important parameter.

L'objectif de cette étude s’agit d'utiliser des outils de Data Mining en vue de développer des modèles de prévision de la taux de pénétration d’un tunnelier dans les roches dures (ROP). Une base de données publiée par Yagiz (2008) a été utilisée pour développer ces modèles. Les paramètres de la base de données comprend la résistance en compression uniaxiale (UCS), un index que permettre mesurer la fragilité et la ténacité appelé d’index de pic maximal (PSI), la distance entre les plans de faiblesse (DPW), l'angle entre l'axe du tunnel et le des plans de faiblesse (α) et le paramètre de sortie dénommé de taux de pénétration (ROP). L'environnement du programme R a été utilisé comme un outil de modélisation pour appliquer les algorithmes des réseaux de neurones artificiels et des machines à vecteurs de support et leurs modèles correspondants. Ces modèles ont été comparés à deux équations présentées par Yagiz (2008) et Yagiz et Karahan (2011). On a conclu que le modèle des réseaux de neurones artificiels a été la meilleure performance. En outre, ces nouveaux modèles ont permis le calcul de l'importance des différents paramètres d'entrée pour prévoir la performance de la machine. Il a été conclu que l'PSI est le paramètre le plus important et l’UCS est le paramètre moins important.