Numeryczna charakterystyka podnoszenia powierzchni, towarzyszącego poziomym wierceniom kierunkowym

• Autorzy: Lueke J. S. , Ariaratnam S. T.

Warianty tytułu

EN

Numerical characterization of surface heave associated with horizontal directional drilling

• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł przedstawia zastosowanie sztucznych sieci neuronowych do prognozowania efektu podnoszenia powierzchni gruntu spowodowanego, przez umieszczone na niewielkich głębokościach instalacje towarzyszące poziomym wierceniom kierunkowym HDD. Dane uzyskane dzięki pełnym czynnikowym doświadczeniom w terenie prowadzonym w celu zbadania wpływu technologii wiertniczych są wykorzystywane przy opracowywaniu sieci, podejmowane są też próby zrozumienia związku pomiędzy technologią wykonania instalacji a wynikowym przemieszczeniem powierzchni. Opracowany model jest porównywany z analizą wielowymiarowej regresji liniowej wykonywaną na danych pierwotnych, zaś analizę wrażliwości wykorzystującą wagi połączeń sieci wykształconych przeprowadza się w celu określenia, który czynnik ma największy wpływ na podnoszenie (deformację) powierzchni. Dalsze badanie zachowania systemu jest przewidziane poprzez analizę trendu, analizujacą wpływ każdego czynnika związanego z wierceniem na przewidywaną deformację gruntu. Wyniki wskazują, iż sieć neuronowa mogłaby w odpowiedni sposób modelować związek pomiędzy technologiami wiertniczymi a wynikowymi zmianami na powierzchni.

EN

This paper presents the implementation of an artificial neural network to predict surface heave resulting from shallow subsurface utility installations conducted with horizontal directional drilling. Data gathered from a full factorial field experimentation examining the effects of drilling techniques is utilized in the network development, with the attempt to understand the relationship between construction techniques and resulting surface heave. The developed model is compared to a multivariate linear regression analysis conducted on the raw data, and a sensitivity analysis utilizing the trained network connection weights is conducted to determine which factor has the greatest effect on surface heave development. Further examination of the behavior of the system is provided through a trend analysis which studied the effect of each drilling factor on the predicted surface heave. The results indicate that a neural network would adequately model the relationship between drilling techniques and the resulting surface heave.

Słowa kluczowe

PL

technologia HDD; wiercenia kierunkowe; sieć podziemna

EN

HDD technology; directional drilling; underground network

• Wydawca: Wydawnictwo INŻYNIERIA Spółka z o.o.
• Czasopismo: Inżynieria Bezwykopowa
• Rocznik: 2005
• Tom: nr 2
• Strony: 58--71
• Opis fizyczny: Bibliogr. 13 poz., tab., wykr.

Twórcy

autor

Lueke J. S.

• Associated Engineering Alberta Ltd.

autor

Ariaratnam S. T.

• Ira A. Fulton School of Engineering, Arizona State Univ.

Bibliografia

• [1] Allouche, E.N., Ariaratnam, S.T., and Lueke, J.S. (2000). „Horizontal directional drilling: a profile of an emerging underground construction industry”. Journal of Construction Engineering and Management, ASCE, 126 (1): 68-76.
• [2] Ariaratnam, S.T. and E.N. Allouche (2000). „Suggested practices for installations using horizontal directional drilling”, Practice Periodical on Structural Design and Construction, ASCE, 5 (4): 142-149.
• [3] Directional Crossing Contractors Association (DCCA) (1998). „Guidelines for successful mid-sized directional drilling projects”, Directional Crossing Contractors Association, Dallas, Texas.
• [4] Finney, D.J. (1955). Experimental design and its statistical basis. University of Chicago Press, Chicago, IL.
• [5] Garson, G.D. (1991). „Interpreting neural network connection weights” AI Expert, (6)7: 47-51.
• [6] Gurney, K.N. (1997). An intżerdź uction to neural networks. UCL Press, London.
• [7] Haykin, S. (1999). Neural networks: a comprehensive foundation. Prentice Hall, Upper Saddle River, NJ.
• [8] Kim, C.Y., G.J. Bae, S.W. Hong, C.H. Park, H.K. Moon, H.S. Shin (2001). „Neural network based prediction of ground surface settlements due to tunneling”. Computers and Geotechnics, Volume 28, 517-547.
• [9] Lueke, J.S. and S.T. Ariaratnam (2002 a). „Modeling of surface heave contributing factors in directional boring operations”. Proceedings of the Annual Conference of the Canadian Society for Civil Engineering, Montreal, Quebec, June 5-8.
• [10] Lueke, J.S. and S.T. Ariaratnam (2002 b). „Factors affectingsurfaceheave in horizontal directional drilling operations”. Proceedings of No-Dig 2002, Montreal, Quebec, April 28-30.
• [11] Mehrotra, K., Mohan C.K., and Ranka S. (1997). Elements of artificial neural networks. Massachusetts Institute of Technology Press, Cambridge, MA.
• [12] Stangl, G.A. (1990). „Historical development of mini-directional horizontal boring methods” Proceedings of Microtunneling and Horizontal Directional Drilling Symposium, Trenchless Technology Center, Louisiana Tech University, Ruston, La.
• [13] Zhang, D.J.Y. (1999). „Predicting capacity of helical screw piles in Alberta soils.” M.Sc. Thesis, University of Alberta, Department of Civil and Environmental Engineering, Edmonton, Alberta.