بررسی پارامترهای مؤثر در تعیین فشار بهینه تزریق دوغاب سیمان در سدهای با بستر سنگی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه زمین شناسی، دانشگاه بوعلی سینا، همدان

2 گروه زمین شناسی دانشگاه بوعلی سینا

3 گروه زمین شناسی، دانشکده علوم دانشگاه بوعلی سینا، همدان، ایران

چکیده

یکی از پارامترهای بسیار مهم در عملیات تزریق برای اهداف مختلف بهسازی پی، میزان فشار بهینه تزریق برای نفوذ دوغاب سیمانی است. در این پژوهش، بر اساس داده‌های تزریق و داده‌های زمین‌شناسی مهندسی به‌دست‌آمده در کارگاه‌های حفاری و تزریق از 42 پروژه سدسازی در ایران و جهان، نقش پارامترهای مؤثر در تعیین فشار بهینه تزریق بررسی و مدل‌هایی با روش‌های رگرسیون چندمتغیره خطی (LMR) و غیرخطی (NLMR) و روش‌های محاسبات نرم همچون سیستم فازی (FUZZY)، شبکه عصبی (ANN) و سیستم فازی-عصبی (ANFIS) ارائه شده است. نتایج نشان می‌دهد پارامترهای عمق (D)، شاخص مقاومت زمین شناسی (GSI) و مقاومت فشاری تک محوری توده سنگ (UCSRM)، به ترتیب بیشترین همبستگی را در تعیین فشار تزریق (GP) دارند و از بین روش‌های آماری، مدل ساخته شده به روش ANFIS با ضریب تعیین 803/0=R2 و کمترین خطای جذر میانگین مربعات 47/4=RMSE نسبت به مدل‌های دیگر کارایی بهتری دارد. یافته‌ها نشان می‌دهد که R2 و RMSE در روش‌های تحلیل FUZZY، ANN و ANFIS برای تخمین فشار تزریق، در مقایسه با LMR و NLMR بهبود یافته‌اند. در سیستم فازی، از قوانین فازی که با استفاده از تجربه کاربر و نیز نتایج مطالعات سایرین تدوین می‌گردد، استفاده می‌شود. این قوانین با استفاده محدوده‌های خاصی از مقادیر ورودی اقدام به انتخاب خروجی می‌نمایند، در نتیجه مدل‌های ساخته شده با سیستم فازی، انعطاف بیشتری از خود نشان داده و با داده‌های غیر از داده‌های بکار رفته در مدل، نتایج مناسب‌تری بدست می‌دهند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigation of effective parameters in determining the optimal grouting pressure of cement slurry in dams with rock bed

نویسندگان [English]

  • Ali Sadeghi 1
  • Mojtaba Heidari 2
  • Seyed Hossein Jalali 3
1 Department of Geology, Faculty of Science, Bu-Ali Sina University, Hamedan
2 Department of Geology, Bu-Ali Sina University, Mahdieh St., Hamedan, Iran
3 Department of Geology, Faculty of Sciences, Bu-Ali Sina University, Hamedan, Iran
چکیده [English]

One of the essential parameters in grouting operations for various purposes of foundation improvement is the optimal grouting pressure for the penetration of cement slurry. In this study, the role of effective parameters in determining the optimal grouting pressure was investigated based on grouting data and engineering geology data obtained in drilling and grouting workshops from 42 dam projects in Iran and the world. Then, Multiple Linear Regression (MLR) and Multiple Nonlinear Regression (MNLR) methods and soft computation methods such as Fuzzy System (FUZZY), Artificial Neural Network (ANN), and Adaptive Neuro-Fuzzy Inference System (ANFIS) were used to estimate optimal grouting pressure from these parameters. The results show that the depth (D), geological strength index (GSI), and uniaxial compressive strength of rock mass (UCSRM) have the highest correlation in the grouting pressure (GP), respectively. Among the statistical methods, the ANFIS method with a coefficient of determination (R2 = 0.803) and the root mean square error (RMSE = 4.47) performs better than other models.
Additionally, the results show that R2 and RMSE are improved in FUZZY, ANN, and ANFIS analysis methods compared to MLR and MNLR. In the fuzzy system, fuzzy rules are formulated using the worker's experience as well as the results of studies of others. These rules select the output using specific ranges of input values, so fuzzy systems models show more flexibility and give better results than the data used in the model.

کلیدواژه‌ها [English]

  • Improvement
  • Grouting operation
  • Optimal grouting pressure
  • Regression analysis
  • Soft computing

مراجع

Bakhshandeh Amnieh, H., Masoudi, M., 2017. Predicting the Occurrence of Hydraulic Fracturing in Grouting Operations Based on the Pressure in the Penetrated Cement Grout. International Journal of mining and Geo-Engineering 51 (2): 113-118.
Dou, J., Zhang, G,. Chen, A., Yang, B., 2020. Grouting experiment in a completely weathered granite dam abutment: case study on grouting technique and test analysis. Environmental Earth Sciences 79.
Erzin, Y., Cetin, T., 2012. The use of neural networks for the prediction of the critical factor of safety of an artificial slope subjected to earthquake forces. Scientia Iranica 19 (2): 188-194.
Esmailian, M., 2008. SPSS 14 Comprehensive Guide (in Persian). Tehran: dibagaran.
Ewert, F.K., 1985. Rock Grouting with Emphasis on Dam Sites. Springer, Berlin, Heidelberg.
Fathipour Azar, H., Choupani, N., Afshin, H., 2011. Estimating fracture energy of concrete (GF) using adaptive neuro-fuzzy inference system (in Persian). CONCRETE RESEARCH Quarterly Journal 4 (2): 7-16.
Gholamzadeh, M., Masoudi, M., Soltani Mohammadi, S., 2015. Analysis of grout pressure in grouting stages of dam structure to achieve optimum pressure. AmirKabir Jounrnal of Science & Research Civil and Enviromental Engineering 47 (3): 1-4.
Goldasteh, A., Mirkarimi, A.S., Khodarahmi, M., Torabi, M., Asghari, R.,. 1998. SPSS 6.0 User Guide (in Persian). Vol. 2. Tehran: Hami.
Groundy, F., 1995. The Treament by Grouting of Permeable Foundation of Dams. Proc. 5th cong. On larg dams. 647-674.
Houlsby, A.C., 1992. Grouting in Rock masses. Chap. 17 in Engineering in Rock Masses, edited by F G Bell, 334-350. London: Butterworth Heinemann.
Jang, J.S.R., 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics 23 (3): 665-685.
Karbala, M.A, Katibeh, H., 2010. Cement Grouting in Rock. Ahwaz: Tarava.
Khoshbaresh, A., 2005. Karun 3 dam and power plant- Drilling and Grouting. Tehran.
Kutzner, C., 1996. Grouting of Rock and Soil. A.A.Balkema, Brookfield.
Lombardi, G., 2003. Grouting of rock masses. 3rd International Conference on Grouting and Grout Treatment. 1-42.
Ma, X., Zhang, L., Zhou, J., 2020. Experimental Study on the Relationship Between Grouting Pressure and Compressive Strength of Hardened Cement Paste. Iranian Journal of Science and Technology, Transactions of Civil Engineering 44.
Maiti, S., Tiwari, R.K., 2014. A comparative study of artificial neural networks, Bayesian neural networks and adaptive neur-fuzzy inference system in groundwater level prediction. Environmental earth sciences 71: 3147-3160.
Ministry of Energy., 2009. Guide to the improvement of dam foundations (Journal No. 338-a). Tehran, March.
Mohammadi, S.D., Sadeghi, A., 2021. Seal grouting operation of slate and schist rock masses of Zanjan Balvabin Dam site, Northwest of Iran. Geomechanics and Geoengineering.
Mortazavi, A., Maadikhah, A., 2016. An investigation of the effects of important grouting and rock parameters on the grouting process. Geomechanics and Geoengineering 11 (3): 219-235.
Wang, H., Liu, Q., Sun, S., Zhang, Q., Li, Z., Zhang, P., 2020. Damage Model and Experimental Study of a Sand Grouting-Reinforced Body in a Seawater Environment. Water.
Weaver, K., Donald, B., 2007. Dam Foundation Grouting. American Society of Civil Engineering.
Wu, J.D., Hsu, C.C., Wu, G.Z., 2009. Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference. Expert Systems with Applications 36 (3): 6244-6255.
Zhang, B.S., Yan, G.C., Guo, J.Q., 2020. A robust controlling methodology for a grouting process. Automatika (Taylor & Francis).
Zhang, W., Wu, F., Han, C., Li, X., Peng, P., Ren, Q., Yang, F., Zhang, D,. 2022. Criterion of Grouting Pressure in Regional Advance Grouting Treatment to Prevent Water Disaster from Karst Aquifers in Coal Seam Floors. ACS Omega 29274-29286.
Zhu, G., Zhang, Q., Lin, X., Liu, R., Zhang, L., Zhang, J., 2020. Analysis of the Sealing Mechanism of Cement-Sodium Silicate Grout in Rock Fractures with Flowing Water. Water.
 
نشریه انجمن زمین شناسی مهندسی ایران
دوره 16، شماره 3
آذر 1402
صفحه 89-107

فایل ها

سابقه مقاله

  • تاریخ دریافت: 29 خرداد 1402
  • تاریخ بازنگری: 23 اسفند 1402
  • تاریخ پذیرش: 26 اسفند 1402

هم رسانی

ارجاع به این مقاله

آمار