畢業(yè)設(shè)計翻譯

1、利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測掘進機的性能Armin Salsani Jahanbakhsh Daneshian Shahram Shariati Abdolreza Yazdani-Chamzini Mehdi Taheri收稿日期：2012年12月20日/接收日期：2013年4月19日 ©施普林格出版社倫敦2013摘要 隨著掘進機在全世界越來越多地被使用，以及其在成功完成隧道工程中的顯著作用 ，精確地預(yù)測掘進機在不同的地面條件下的性能變得十分必要。另一方面，一些存在于預(yù)測模型上的缺點已經(jīng)使得有必要在新模型的發(fā)展上做更多的研究。本文嘗試模擬掘進機基于不同巖土和地質(zhì)的場地條件下的運行速率。為達

2、此目的，人工神經(jīng)網(wǎng)絡(luò)（ANN）作為一種進行建模并辨識涉及數(shù)據(jù)的復(fù)雜結(jié)構(gòu)的強大工具，用來模型掘進機的性能和具有很高相關(guān)性的影響掘進作業(yè)的參數(shù)之間的關(guān)系。在建模中使用的數(shù)據(jù)庫的編譯來自實驗室研究，此研究在阿扎德大學(xué)和德黑蘭、伊朗的科學(xué)與研究部進行。研究發(fā)現(xiàn)采用4-10-1架構(gòu)并經(jīng)過反向傳播算法訓(xùn)練的模型最佳。多變量回歸（MVR）分析也適用于比較神經(jīng)網(wǎng)絡(luò)的性能。結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力比MVR模型更好。得出的結(jié)論是掘進機的性能可以被準確的預(yù)測為一個無側(cè)限抗壓強度的函數(shù)，巴西抗拉強度，巖石質(zhì)量指標，和角。敏感性分析表明，關(guān)于掘進機性能的最有效參數(shù)是無側(cè)限抗壓強度。關(guān)鍵詞 掘進機的性能 人工神經(jīng)網(wǎng)

3、絡(luò) 多變量回歸 隧道A. Salsani J. Daneshian 地質(zhì)系，理學(xué)院,Kharazmi大學(xué), 德蘭黑，伊朗e-mail: rmn.salsanyJ. Daneshiane-mail: jdaneshianS. Shariati地質(zhì)學(xué)系，理學(xué)院，薩里大學(xué)，德蘭黑，伊朗e-mail: shariati.shahramA. Yazdani-Chamzini (&)采礦工程，工程學(xué)院，塔比阿特莫達勒斯大學(xué)，德蘭黑，伊朗e-mail: abdalrezaychM. Taheri采礦工程系，工學(xué)部,南德蘭黑大學(xué),德蘭黑，伊朗e-mail: taheri.m1362在線出版：2013年

4、6月1日1 引言 掘進機是一種高度靈活和多用途的機器，用于隧道的地下采礦應(yīng)用 和民間隧道，并且和其他機械化開挖方法相比有一個特殊的地方 。基于其截割幾乎所有隧道斷面的能力，掘進機完全得到了民間建筑承包商的認可，他們正在尋找方法來提高生產(chǎn)率并降低成本。盡管掘進機機的首次應(yīng)用是在20世紀60年代，但是這種機器獲得全世界認可是在20世紀70年代末。掘進機對于開挖中低硬度的穩(wěn)定巖石是更可取的。根據(jù)針對開挖的切割原理 ，掘進機可分為三組：（1）松土或橫向類型：桿和磁盤；（2）銑削或縱向（螺旋）的類型；（3）釬類型。 為了證明掘進機在規(guī)劃和調(diào)度方面的應(yīng)用，準確預(yù)測瞬時切削率（ICR）是不可避免的。瞬時切削

5、率是作為支持機器性能預(yù)測率的目標參數(shù)。為了尋找一種掘進機性能和影響其前進速度4-13的各種因素之間的邏輯關(guān)系近些年已經(jīng)開發(fā)了各種各樣的實驗?zāi)Ｐ汀Ｔ谠S多情況下，上述的經(jīng)驗?zāi)Ｐ褪遣?能夠識別設(shè)計數(shù)據(jù)集的復(fù)雜結(jié)構(gòu)的。另一方面，大多數(shù)研究只采用一個變量作為自變量以便所構(gòu)建的模型是單變量的，并忽略影響掘進過程的其他因素。這些理由驅(qū)動人們更好的尋找?guī)r石和掘進機之間的相互作用關(guān)系，為了預(yù)測掘進機的性能提出一個更精確和確定的模型 。為了此目的，利用新開發(fā)的方法是有用的，例如人工智能（AI），它可以成功模擬涉及數(shù)據(jù)的線性和非線性行為。人工神經(jīng)網(wǎng)絡(luò)（ANN）作為人工智能的主要分支，在工程科學(xué)尤其是采礦和巖石力學(xué)1

6、4-23領(lǐng)域的預(yù)測方面的運用是有效的。在本文中，通過引用一個由伊朗的地下采煤項目編制的實驗數(shù)據(jù)集，建立了一個新的基于人工神經(jīng)網(wǎng)絡(luò)的模型來預(yù)測掘進機性能中的速度 。此外，為了評估人工神經(jīng)網(wǎng)絡(luò)模型的性能，把通過已建立模型得出的結(jié)果與多變量回歸（MVR）分析進行比較。本文的其余部分安排如下。這這部分說明了案例研究。2，在這部分中描述了在建模應(yīng)用的數(shù)據(jù)集 。3，在這部分中討論了人工神經(jīng)網(wǎng)絡(luò)（ANN）的基本概念 。4，在這部分。5，提出來多變量回歸（MVR）的模型?；谠谶@部分中提出的概念。2，對 預(yù)測掘進機性能速率的模型解釋。6，為了探討所建立模型的性能，通過與MVR模型進行比較來仔細檢查人工神經(jīng)網(wǎng)絡(luò)

7、模型的結(jié)果。7，在這部分。8，說了靈敏度分析。最后，在最后一節(jié)得出結(jié)論。2 案例研究塔巴斯煤礦（TCM），塔巴斯煤區(qū)的主要部分，位于塔巴斯鎮(zhèn)以南約85公里處附近，如在圖1中描繪的在伊朗中東部的亞茲德省。本礦區(qū)占地面積1200平方公里，估計煤炭儲量具有11億噸30?？砷_采儲備量6百萬噸焦煤31。在這個礦井中，煤層C1采用房柱式方法，應(yīng)用裝載拖運傾卸作業(yè)（LHD）和連續(xù)采煤機。同樣的，掘進機用來建立進入隧道。該C1 煤層坡度是1：5（），煤層厚度約為 2米32。直接頂板由0.10.2m厚的粉砂巖/砂巖和泥巖界面組成。直接底板是約1-1.3m厚交替分布的粉砂巖和泥巖煤層。如圖1所示，煤層包括主面板，

8、位于主面板兩側(cè)的西部和東部面板和兩個接入漂移上。圖1 塔巴斯煤礦位置和C1煤層 32 3 數(shù)據(jù)集共61個數(shù)據(jù)記錄在塔巴斯煤炭項目的不同部分被用于建立神經(jīng)網(wǎng)絡(luò)模型。此數(shù)據(jù)庫由位于德黑蘭阿扎德大學(xué)科學(xué)研究科編譯33。無側(cè)限抗壓強度（UCS），巴西抗拉強度（BTS），巖石質(zhì)量指標（RQD），和角的影響（隧道軸線和弱化的平面之間的夾角）作為輸入?yún)?shù)，而ICR作為輸出參數(shù)。表1給出了基于數(shù)據(jù)集的描述性統(tǒng)計。表1 基于數(shù)據(jù)集的描述性統(tǒng)計 無側(cè)限抗壓強度(Mpa)巴西抗拉強度巖石質(zhì)量指標角(度)瞬時切削率平均值19.496724.07868919.7213147.0491828.55082中位數(shù)16.400

9、004.00000019.0000047.0000025.70000最大值28.200005.30000028.0000054.0000046.20000最小值14.100003.60000018.0000039.0000014.60000標準偏差5.4436800.3061131.8269394.83537710.19499偏度0.6476481.1242952.915079-0.1730.247247峰度1.6284905.33685312.275211.5548721.496767JarqueBera檢驗9.04537126.73081305.05145.6123486.364926總和

10、1189.300248.80001203.0002870.0001741.600 4 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（ANN）是在建模中使用的一種最流行的機器學(xué)習(xí)技術(shù)。該方法在適用于信息處理系統(tǒng)，神經(jīng)網(wǎng)絡(luò)中有許多相互連接的基本單元，稱為神經(jīng)元，參與信息的處理。這些神經(jīng)元是位于網(wǎng)絡(luò)層。多層感知器（MLP）是用于建模的神經(jīng)網(wǎng)絡(luò)的一般類型，其包括至少三層：輸入層，中間層或隱含層和輸出層。隱含層和神經(jīng)元的數(shù)目取決于所要解決問題的復(fù)雜性24。連接環(huán)節(jié)用于處理神經(jīng)元之間進行傳輸?shù)男畔?。每一個環(huán)節(jié)的工作是將輸入乘以其權(quán)重（）。然后，激活函數(shù)對輸入信號與權(quán)重的乘積和進行轉(zhuǎn)移 （參照圖2）。在簡單的情況下，這些單

11、元被簡單的相加，通過傳遞函數(shù)產(chǎn)生輸出25。加法器激活函數(shù)處理單元圖2 基本人工神經(jīng)單元一個人工神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)描述了神經(jīng)元之間的連接模式，而且對網(wǎng)絡(luò)的性能有很大的影響。該結(jié)構(gòu)表明了分配連接權(quán)值和激活函數(shù)的類型的方法，連接權(quán)值在網(wǎng)絡(luò)訓(xùn)練過程中選擇，激活函數(shù)的類型依賴于建模的目的 26。要建立人工神經(jīng)網(wǎng)絡(luò)模型，應(yīng)該用包含足夠數(shù)量的輸入輸出數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集進行網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練過程中直到從建模得出的誤差能滿足總體目標，則訓(xùn)練完成，最佳模型被確定。 網(wǎng)絡(luò)訓(xùn)練之后，構(gòu)建的網(wǎng)絡(luò)模型應(yīng)該用測試數(shù)據(jù)集進行測試?；谌斯ど窠?jīng)網(wǎng)絡(luò)的訓(xùn)練提出了許多算法，其中誤差反向傳播算法在MLP網(wǎng)絡(luò)結(jié)構(gòu)中是最流行的學(xué)習(xí)方法。此算法

12、采用有監(jiān)督學(xué)習(xí)過程來構(gòu)建基于輸入輸出數(shù)據(jù)集的網(wǎng)絡(luò)模式。該算法是周而復(fù)始進行的過程，此過程中計算期望值和輸出值之間的差，然后對內(nèi)部神經(jīng)元的連接權(quán)重進行調(diào)整24。在這個過程中，從已建立的網(wǎng)絡(luò)輸出的結(jié)果和實際輸出進行比較，計算誤差（正向傳播）。然后，誤差反向傳播（反向傳播）更新權(quán)重和誤差 27。這個過程反復(fù)進行，直到誤差收斂為通過成本函數(shù)定義的最小閾值，例如均方根誤差（RMSE）28，29。5 多變量回歸（MVR） 為了找到外源變量和內(nèi)生變量之間的數(shù)學(xué)模型 ，采用多變量回歸（MVR）的分析。在掘進和采礦領(lǐng)域已經(jīng)有不同的研究采用這種方法 發(fā)現(xiàn)獨立變量和因變量之間的顯著關(guān)系34，35。在回歸分析的過程中

13、，回歸函數(shù)相關(guān)參數(shù)的變化 可以通過T和F檢驗的概率分布來分析。t檢驗是統(tǒng)計假設(shè)檢驗，如果虛假設(shè)成立，則檢驗統(tǒng)計量遵循Students t分布36。作為一個重組，連接數(shù)據(jù)變化的兩種方法之間實際差異的計算由t檢驗進行。 Students t檢驗處理的問題與基于“最小”樣本的推理相關(guān)19： 計算出的平均值和標準偏差有可能偏離“真正的”均值和標準偏差。而F檢驗是統(tǒng)計檢驗，其中檢測統(tǒng)計量是虛假設(shè)下的F分布 36。此檢測適用于調(diào)查兩組數(shù)據(jù)的標準偏差是否相等。兩方差之比通常用來評估一些項目的顯著性。在回歸分析的系統(tǒng)中的一個典型的例子是，由偏差做均方回歸的均方之比用于檢驗回歸模型的整體顯著性 37。根據(jù)從參照

14、表提取的F值， 可以對F值的顯著性水平進行分析。通過使用16版本的統(tǒng)計軟件包SPSS，并采用來自礦井的實驗數(shù)據(jù)，可以提取一個數(shù)學(xué)公式（式1），基于如下給出的輸入?yún)?shù)對掘進機性能進行建模。 (1)MVR模型的詳細結(jié)果如表2所示。根據(jù)從參考表提取的列表t值可以看出，系數(shù)相關(guān)性確實具有較高的r值，相應(yīng)的臨界值t為±2.776。同樣，基于F檢驗分析，如果列表的F值比計算得到的F值小，虛假設(shè)不成立。因此如表2所示，掘進機性能（ICR）和自變量（UCS，BTS，RQD和）之間有必然的聯(lián)系是顯而易見的。表2 預(yù)測掘進機性能的MVR模型變量系數(shù)標準誤差T值顯著性R平方值F統(tǒng)計量概率（F統(tǒng)計量）（常量

15、）-22.1274.99216-4.43230.00000.957312.7610.0000UCS1.7590.0906819.40150.00000.5010.070237.135980.0000RQD0.6360.209593.032510.0037BTS-4.8391.73826-2.78380.00736 神經(jīng)網(wǎng)絡(luò)模型的發(fā)展在此研究中，設(shè)立不同類型的多層感知器反向傳播神經(jīng)網(wǎng)絡(luò)來預(yù)測掘進機性能的速率?；诜聪騻鞑サ幕舅惴?，向前 向后循環(huán)一直進行直到網(wǎng)絡(luò)誤差收斂到最小值 38。在表1中給定的變量用來構(gòu)成人工神經(jīng)網(wǎng)絡(luò)模型的輸入 輸出結(jié)構(gòu)。從收集到的數(shù)據(jù)集隨機選擇其中20%的數(shù)據(jù)用于測試由另

16、外80%數(shù)據(jù)構(gòu)建的模型。均方根誤差 (RMSE) 或總和平方的誤差 (SSE) 可以用于鑒別最佳模型 39。此外，在構(gòu)造人工神經(jīng)網(wǎng)絡(luò)模型之前, 所有的變量應(yīng)規(guī)范化到0 1之間，通過應(yīng)用一下方程來提供標準 （2）在神經(jīng)網(wǎng)絡(luò)的設(shè)計中，有必要認識到并避免過量和不足現(xiàn)象。過量情況發(fā)生在網(wǎng)絡(luò)模型識記過程中使用過多的循環(huán)訓(xùn)練結(jié)果 20。這使建立的網(wǎng)絡(luò)能夠很好的適合訓(xùn)練數(shù)據(jù)，但一般化可能會發(fā)生。另一方面，考慮循環(huán)次數(shù)的不足導(dǎo)致模型結(jié)果的不足和不準確40。通過比較各種類型的網(wǎng)絡(luò)體系結(jié)構(gòu)，最佳的網(wǎng)絡(luò)包含四個輸入神經(jīng)元、十個隱含層神經(jīng)元的和一個輸出神經(jīng)元(縮寫為N(4-10-1)。已建立模型的詳細信息如表3所示。

17、此外，圖形演示文稿的優(yōu)化模型圖3所示。表3 不同構(gòu)建模型的比較序號 傳遞函數(shù)模型均方根誤差1雙曲正切S型-對數(shù)S型-線性（T-L-P）4-10-2-13.4342雙曲正切S型-雙曲正切S型-線性（T-T-P）4-12-4-11.7623對數(shù)S型-對數(shù)S型-線性（L-L-P）4-10-5-12.3214雙曲正切S型=線性（T-P）4-10-11.1835雙曲正切S型-對數(shù)S型（T-L）4-8-11.5686對數(shù)S型-線性（L-P）4-12-11.297對數(shù)S型-雙曲正切S型-線性（L-T-P）4-10-2-11.9738雙曲正切S型-對數(shù)S型-線性（T-L-P）4-8-3-12.1129雙曲正切

18、S型=線性（T-P）4-15-12.23110雙曲正切S型-對數(shù)S型（T-L）4-14-11.682 圖3 最佳神經(jīng)網(wǎng)絡(luò)模型7 模型性能評估為了評估已提出的神經(jīng)網(wǎng)絡(luò)模型與 MVR 模型的性能，測試數(shù)據(jù)集應(yīng)用于這兩種模型，然后使用以下公式，計算預(yù)測輸出值和實際輸出值的以下四個指標：均方根誤差 (RMSE），相對百分誤差 （MAPE）， 有關(guān)方差的指標（VAF）和測定系數(shù) (R2) （表 4）。這些指標是由以下公式計算： （3） （4） （5） （6）其中是預(yù)測值，是實際輸出值，是實際輸出值得平均數(shù)，是數(shù)據(jù)總數(shù)量。RMSE指標是使用最廣泛的性能評價指標之一，其能夠很好的反應(yīng)出模型輸出與實際輸出值之

19、間的差異。RMSE是一個非負數(shù)，當預(yù)測輸出與實際輸出完全匹配時可以取零，并且沒有上限。MAPE值是一種常用的性能衡量參數(shù)，能夠顯示預(yù)測方法的擬合優(yōu)度。其能夠產(chǎn)生一個整體相對配合度的測量參數(shù)41。MAPE只能取0和1之間的值。MAPE值接近零意味著預(yù)測輸出值與實際輸出值精確匹配，而MAPE值接近1表示該模型較差的匹配度。表4 測試數(shù)據(jù)集在性能測量中的應(yīng)用序號UCS (Mpa)BTS (MPa)RQD（度） ICR（）實際值預(yù)測值MVR ANN1 15.203.8020.00 52.0024.8025.0025.352 15.003.90 19.00 46.0022.8020.52 22.933

20、15.404.00 18.00 45.0020.20 19.6023.194 17.204.1020.00 47.0025.70 24.56 25.315 14.40 3.80 19.00 41.00 16.8017.44 16.016 15.103.90 19.00 41.0016.10 18.19 16.077 17.00 4.2020.00 44.00 18.70 22.2218.998 16.703.90 22.00 51.00 25.3027.92 26.209 21.00 3.8020.0052.00 36.40 35.20 38.8010 27.004.3019.00 50.00

21、 41.30 41.70 41.071127.604.30 19.00 45.00 41.60 40.25 41.4112 27.904.40 19.00 53.0041.80 44.30 41.860.965 0.987RMSE 1.841.183MAPE1.545 0.745VAF 96.48 %98.7 % 是一個顯示因變量的變化量的正數(shù)，該變化量可以用自變量來解釋，換言之，如何使模型來更好的匹配數(shù)據(jù)。可以取0和1;之間的值，其中1表示該模型可以反映輸出變量的所有變化，而0表示模型輸出和實際輸出有較差的相關(guān)性。有關(guān)方差的指標（簡稱 VAF）表明實際輸出值和預(yù)測輸出值的方差的差異程度。VA

22、F值更接近于100%表明較小的變化率和更好的預(yù)測能力。如表4所列，ANN模型比MVR模型有更好的性能。ANN模型中和VAF分別為 0.987和98.7%，RMSE和MAPE分別為1.183及0.745。而在MVR模型中和VAF分別為0.965和96.48%，RMSE和MAPE分別為1.84和1.545。此外，兩個模型中實際值與預(yù)測值的比較以圖形方式描繪在圖4和圖5中。圖4 ANN模型中ICR的實際值與預(yù)測值的關(guān)系 圖5 MVR模型中ICR的實際值與預(yù)測值的關(guān)系8 靈敏度分析靈敏度分析是確定相關(guān)參數(shù)之間關(guān)系的有用工具。在這篇文章中，為找出影響掘進機性能的最敏感因素，采用了余弦值振幅法 (CAM)

23、。這種方法是進行靈敏度分析方面功能很強大42。在此方法中，每個輸入?yún)?shù)的靈敏度通過ICR和輸入?yún)?shù)之間的關(guān)聯(lián)強度來確定。CAM的數(shù)值越大，對ICR的影響越大， 每個CAM信號表明輸入如何影響ICR。如果ICR與輸入沒有關(guān)系，那么ICR的值是零。當輸入對ICR具有積極的影響，ICR的值為正。當影響是負面的，ICR的值為負。N個獨立向量組成一個數(shù)組，此數(shù)組中的每個元素是長度為的一個矢量，可以表示為： （7） 因此每個數(shù)據(jù)節(jié)點可以看作 m 維空間中的一點，其中每個點需要 m 坐標來完整表示。中的每個元素由兩個數(shù)據(jù)樣本的對比結(jié)果得出。數(shù)據(jù)樣本如and 之間的關(guān)系強度由隸屬度值給出： （8）ICR和輸入

24、參數(shù)直接的關(guān)聯(lián)強度（值）描繪在圖6中。如圖6所示，UCS是對ICR影響力最大的參數(shù)，而RQD是影響力最差的。 圖6 輸入?yún)?shù)對ICR的影響9 總結(jié)在隧道施工中，滲透率的預(yù)測是從技術(shù)和經(jīng)濟角度來看的一個重要組成部分。在本研究中，嘗試應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測塔巴斯煤礦井下隧道操作中掘進機的性能率。為實現(xiàn)此目的，通過礦井中的隧道操作編譯了包括61個實驗數(shù)據(jù)的數(shù)據(jù)庫。同樣，為獲得詳盡無遺的模型，無側(cè)限的抗壓強度、巴西抗拉強度、巖石質(zhì)量指標和角度四個參數(shù)被考慮作為模型構(gòu)造中的輸入?yún)?shù)。建立和研究不同類型的神經(jīng)網(wǎng)絡(luò)來找到最合適的模型。結(jié)果清楚地表明了具有4-10-1體系結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)是最好的預(yù)測模型。此外

25、，在相同的數(shù)據(jù)集下應(yīng)用多變量回歸模型來比較的人工神經(jīng)網(wǎng)絡(luò)模型與回歸模型的預(yù)測精度。根據(jù)獲得的兩個模型的性能可知人工神經(jīng)網(wǎng)絡(luò)模型的性能優(yōu)于回歸模型。作為一個創(chuàng)新，人工神經(jīng)網(wǎng)絡(luò)模型的四個參數(shù)、RMSE、MAPE和VAF計算結(jié)果分別為0.987，1.183，0.745和98.7%，而回歸模型的、RMSE、MAPE和VAF計算結(jié)果分別為0.965，1.84，1.545和96.48%。最后，敏感性分析顯示無側(cè)限抗壓強度對掘進機性能的影響力最大，而巖石質(zhì)量指標的影響力最小。參考文獻1. Jordan EW, Holben T, Kim J, Restner U, Hallett G (2011) Road

26、header Excavations in Hard Rocka case history from Midtown Manhattan. 2011 Rapid Excavation and Tunneling Conference Proceedings, pp. 7657952. Ergin H, Acaroglu O (2007) The effect of machine design parameters on the stability of a roadheader. Tunn Undergr Space Technol 22:80893. Tatiya RR (2005) Su

27、rface and underground excavationsmethods, techniques and equipment. Taylor & Francis Group, LLC,London4. Gehring KH (1989) A cutting comparison. Tunn Tunn, pp. 27305. Bilgin N, Seyrek T, Erdinc E, Shahriar K (1990) Roadheaders clean valuable tips for Istanbul Metro. Tunn Tunn (October),pp. 29326

28、. Fowell RJ, Johnson ST (1991) Cuttability assessment applied to drag tool tunneling machines. In: Proceeding of the 7th International Congress on Rock Mechanics, ISRM, Aachen, p. 9857. Rostami J, Ozdemir L (1996) Modeling for design and performance analysis of mechanical excavators. In: Proceedings

29、 of the Conference on Mechanical Excavations Future Role in Mining,World Rock Boring Association, Sudbury, ON, Canada, September, pp. 17198. Copur H, Ozdemir L, Rostami J (1998) Roadheader applications in mining and tunneling. Min Eng 50:38429. Thuro K, Plinninger RJ (1999) Predicting roadheader adv

30、ance rates. Tunn Tunn 31:363910. Bilgin N, Demircin MA, Copur H, Balci C, Tuncdemir H, Akcin N (2006) Dominant rock properties affecting the performance of conical picks and the comparison of some experimental and theoretical results. Int J Rock Mech Min Sci 43(1):13915611. Goshtasbi K, Monjezi M, T

31、ourgoli P (2009) Evaluation of boring machine performance with special reference to geomechanical characteristics. Int J Min Met Mater 16(6):61561912. Ebrahimabadi A, Goshtasbi K, Shahriar K, Seifabad MCh (2011) A model to predict the performance of roadheaders based on the Rock Mass Brittleness Ind

32、ex. J S Afr I Min Metall 111:35536413. Ebrahimabadi A, Goshtasbi K, Shahriar K, Seifabad MCh (2011) Predictive models for roadheaders cutting performance in coal measure rocks. Yerbilimleri 32(2):8910414. Tiryaki B (2008) Predicting intact rock strength for mechanical excavation using multivariate s

33、tatistics, artificial neural networks,and regression trees. Eng Geol 99(12):516015. Khandelwal M, Singh TN (2009) Prediction of blast-induced ground vibration using artificial neural network. Int J Rock Mech Min 46(7):1214122216. Yagiz S, Gokceoglu C, Sezer E, Iplikci S (2009) Application of two non

34、-linear prediction tools to the estimation of tunnel boring machine performance. Eng Appl Artif Intel 22(45):80881417. Dehghan S, Sattari Gh, Chelgani SC, Aliabadi MA (2010) Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using regression and artificial n

35、eural networks. Min Sci Tech (China) 20(1):414618. Gholamnejad J, Tayarani N (2010) Application of artificial neural networks to the prediction of tunnel boring machine penetration rate. Min Sci Tech (China) 20(5):72773319. Bahrami A, Monjezi M, Goshtasbi K, Ghazvinian A (2011) Prediction of rock fr

36、agmentation due to blasting using artificial neural network. Eng Comput 27:17718120. Monjezi M, Bahrami A, Varjani AY, Sayadi AR (2011) Prediction and controlling of flyrock in blasting operation using artificial neural network. Arab J Geosci 4:42142521. Manouchehrian A, Sharifzadeh M, Moghadam RH (

37、2012) Application of artificial neural networks and multivariate statistics to estimate UCS using textural characteristics. Int J Min Sci Tech 22(2):22923622. Monjezi M, Hasanipanah M, Khandelwal M (2012) Evaluation and prediction of blast-induced ground vibration at Shur River Dam, Iran, by artific

38、ial neural network. Neural Comput Appl. doi:10.1007/s00521-012-0856-y23. Mahdevari S, Torabi SR (2012) Prediction of tunnel convergence using artificial neural networks. Tunn Undergr Space Technol 28:218228 24. Monjezi M, Ghafurikalajahi M, Bahrami A (2011) Prediction of blast-induced ground vibrati

39、on using artificial neural networks.Tunn Undergr Space Technol 26:465025. Sumathi S, Paneerselvam S (2010) Computational intelligence paradigms theory and applications using MATLAB. Taylor and Francis Group, LLC, London26. RM IS (1978) Suggested method for determining sound velocity. Int J Rock Mech

40、 Mining Sci Geomech Abst 15:A10027. Yazdani-Chamzini A, Hashemi-Rizi SM, Javadi M, Saeedi A,Basiri MH (2011) Predicting the penetration rate of tunnel boring machine; the comparison between the output of multivariate linear regression, neural network, and neurofuzzy systems. The first Asian and 9th

41、Iranian tunneling symposium, Tehran-Iran,pp. 1728. Simpson PK (1990) Artificial neural systemfoundation, paradigm, application and implementations. Pergamon Press, New York29. Kosko B (1994) Neural networks and fuzzy systems: a dynamical systems approach to machine intelligence. Prentice Hall, New D

42、elhi, pp 121730. Lashgari A, Fouladgar MM, Yazdani-Chamzini A, Skibniewski MJ (2011) Using an integrated model for shaft sinking method selection. J Civ Eng Manag 17(4):56958031. Central Mine Design Report (CMDR) (2005) ADAM consulting engineers32. Ghasemi E, Shahriar K (2012) A new coal pillars design method in ord