Machine learning based TBM performance prediction
Makine öğrenimi bazlı TBM performans tahmini
- Tez No: 1000786
- Danışmanlar: DOÇ. DR. ÖMÜR ACAROĞLU ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Maden Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tünel açma makineleri (Tunnel Boring Machines – TBM), günümüzde farklı kayaç türleri ve jeolojik koşullar altında gerçekleştirilen tünel projelerinde yaygın olarak kullanılan modern kazı sistemleridir. TBM'ler, geleneksel delme–patlatma yöntemlerine kıyasla daha güvenli, sürekli ve yüksek ilerleme hızına sahip olmaları nedeniyle özellikle uzun tünel projelerinde tercih edilmektedir. Ayrıca, yol başı makineleri (roadheader) gibi mekanik kazı ekipmanlarının uygulanamadığı sert ve duraysız kaya koşullarında TBM'ler çoğu zaman tek uygulanabilir çözüm olarak öne çıkmaktadır. Çevresel, politik ve yerleşim alanlarına yakınlık gibi kısıtlayıcı faktörlerin bulunduğu projelerde de TBM teknolojisi önemli avantajlar sunmaktadır. TBM'ler, proje gereksinimlerine ve jeolojik koşullara bağlı olarak farklı çap ve konfigürasyonlarda tasarlanmaktadır. Çapları yaklaşık 1,5 m ile 15 m arasında değişen bu makineler genel olarak sert kaya TBM'leri ve yumuşak zemin TBM'leri olarak sınıflandırılmaktadır. Sert kaya TBM'lerinde kazı işlemi, kesici kafa üzerine yerleştirilmiş disk keskiler aracılığıyla gerçekleştirilmektedir. Değiştirilebilir disk halkalarına sahip tekli disk keskiler, uzun yıllardır sert kaya kazılarında kullanılmakta olup yüksek performansları, dayanıklılıkları ve güvenilirlikleri sayesinde TBM teknolojisinin temel bileşenlerinden biri hâline gelmiştir. Disk keskiler üzerinde oluşan kesme kuvvetleri, TBM kesici kafa tasarımının, makine boyutlandırmasının ve genel sistem optimizasyonunun belirlenmesinde kritik öneme sahiptir. Kesme kuvvetleri; itme kuvveti (normal force), yuvarlanma kuvveti (rolling force), tork ve güç gereksinimlerini doğrudan etkilemektedir. Bu kuvvetlerin doğru tahmin edilmesi, kesici kafa düzeninin optimize edilmesini, makinenin verimli çalışmasını ve aşırı enerji tüketiminin önlenmesini sağlamaktadır. Özellikle birim kazı hacmi başına tüketilen enerjiyi ifade eden özgül enerji (Specific Energy – SE), TBM performansının değerlendirilmesinde yaygın olarak kullanılan önemli bir göstergedir. TBM teknolojisinin başarılı bir şekilde uygulanabilmesi, makine performansının doğru ve güvenilir biçimde tahmin edilmesine bağlıdır. TBM performansının önceden tahmin edilmesi; proje süresi, maliyet analizi, ekipman seçimi ve operasyonel planlama açısından büyük önem taşımaktadır. Performans tahmininde yapılan hatalar, literatürde birçok örnekte görüldüğü üzere, ciddi zaman kayıplarına ve maliyet artışlarına yol açabilmektedir. Kaya kazısı sırasında makine parametreleri, kayaç mekanik özellikleri ve saha koşulları gibi çok sayıda değişken performansı etkilemektedir. Bu parametreler arasındaki karmaşık, doğrusal olmayan ve çoğu zaman belirsiz ilişkiler, TBM performansının tahmin edilmesini oldukça zorlaştırmaktadır. Geçmişte TBM performans tahmini amacıyla çok sayıda ampirik ve istatistiksel model geliştirilmiştir. Bu modeller genellikle sınırlı sayıda parametreye dayalı olup, karmaşık jeolojik koşulları ve doğrusal olmayan ilişkileri yeterince temsil edememektedir. Son yıllarda ise, makine öğrenmesi ve yumuşak hesaplama (soft computing) teknikleri, geleneksel istatistiksel yöntemlere alternatif olarak TBM performans tahmininde yaygın biçimde kullanılmaya başlanmıştır. Bu yöntemler, büyük veri kümeleri içerisindeki karmaşık örüntüleri öğrenebilme ve doğrusal olmayan ilişkileri modelleyebilme yetenekleri sayesinde daha yüksek tahmin doğruluğu sunmaktadır. Bu tez çalışmasında, sert kaya TBM'lerinde disk keski–kaya etkileşimini dikkate alarak TBM performansının makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlanmıştır. Çalışmada, Colorado School of Mines veri setinden elde edilen ve literatürde yaygın olarak kullanılan bir veri tabanı kullanılmıştır. Girdi parametreleri olarak kayaç tek eksenli basınç dayanımı (UCS), Brezilya çekme dayanımı (BTS), disk çapı (DD), disk uç genişliği (DTW), keski aralığı (S) ve penetrasyon (p) değerleri ele alınmıştır. Çıktı parametreleri ise özgül enerji (SE), itme kuvveti (NF) ve yuvarlanma kuvveti (RF) olarak belirlenmiştir. Çalışma kapsamında k-En Yakın Komşu (KNN), Ridge Regresyonu, Bagging Regresyonu ve Rastgele Orman (Random Forest) gibi farklı makine öğrenmesi algoritmaları uygulanmış ve performansları karşılaştırılmıştır. Ayrıca, doğrusal olmayan ilişkileri daha etkin biçimde modelleyebilmesi nedeniyle Aşırı Gradyan Artırma (Extreme Gradient Boosting – XGBoost) algoritması da kullanılmıştır. Modellerin başarımı; belirleme katsayısı (R²), kök ortalama kare hata (RMSE) ve ortalama mutlak yüzde hata (MAPE) gibi istatistiksel ölçütler kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, ensemble tabanlı yöntemlerin, özellikle Random Forest ve XGBoost algoritmalarının, diğer modellere kıyasla daha yüksek tahmin doğruluğu sunduğunu göstermiştir. XGBoost modeli, test veri seti üzerinde özgül enerji, itme kuvveti ve yuvarlanma kuvveti tahminlerinde yüksek R² değerleri elde ederek en başarılı model olarak öne çıkmıştır. Ayrıca, öğrenme eğrileri ve lift (kümülatif kazanç) grafikleri aracılığıyla modellerin genelleme kabiliyeti değerlendirilmiş ve aşırı öğrenme (overfitting) davranışı ayrıntılı olarak analiz edilmiştir. Model sonuçlarının yorumlanabilirliğini artırmak amacıyla SHAP (Shapley Additive Explanations) analizi uygulanmıştır. SHAP sonuçları, penetrasyon, keski aralığı ve kayaç dayanım parametrelerinin TBM performansı üzerinde belirleyici rol oynadığını ortaya koymuştur. Bu analiz, makine öğrenmesi modellerinin yalnızca yüksek doğruluk sağlamakla kalmayıp aynı zamanda mühendislik açısından anlamlı ve yorumlanabilir sonuçlar üretebildiğini göstermiştir. Bu çalışmanın bir diğer önemli katkısı, makine öğrenmesi tabanlı modellerin mühendislik uygulamalarında güvenle kullanılabilmesi için model doğruluğu ile birlikte model güvenilirliği ve fiziksel tutarlılığın da değerlendirilmiş olmasıdır. Geleneksel performans tahmin yaklaşımlarından farklı olarak, geliştirilen modeller yalnızca sayısal tahmin üretmekle kalmamış, aynı zamanda kayaç–keski–makine etkileşiminin temel mekanik prensipleriyle uyumlu sonuçlar ortaya koymuştur. Bu yönüyle tez kapsamında geliştirilen yaklaşım, saha verileriyle desteklenen, açıklanabilir ve uygulanabilir bir performans tahmin çerçevesi sunarak, makine öğrenmesi yöntemlerinin TBM mühendisliği alanındaki kullanımına yönelik önemli bir metodolojik katkı sağlamaktadır. Sonuç olarak, bu tez çalışması, makine öğrenmesi tabanlı yöntemlerin TBM performans tahmininde geleneksel ampirik modellere güçlü bir alternatif sunduğunu ortaya koymaktadır. Özellikle XGBoost algoritmasının, doğruluk, genelleme kabiliyeti ve yorumlanabilirlik açısından TBM performans analizlerinde etkin bir araç olduğu görülmüştür. Elde edilen bulguların, TBM tasarımı, kesici kafa optimizasyonu ve tünel projelerinin planlama aşamalarında mühendislik uygulamalarına önemli katkılar sağlayacağı düşünülmektedir.
Özet (Çeviri)
This thesis investigates the application of machine learning techniques for predicting Tunnel Boring Machine (TBM) performance, with particular emphasis on disc cutter forces, including normal force, rolling force, and specific energy. Accurate estimation of these parameters is essential for improving excavation efficiency, reducing cutter wear, and optimizing TBM operation in complex rock mechanical conditions. A comprehensive dataset comprising geological properties and TBM operational parameters was utilized to develop and evaluate several machine learning models, including Ridge Regression, k-Nearest Neighbors, Bagging Regressor, Random Forest, and Extreme Gradient Boosting (XGBoost). Model performance was assessed using statistical metrics such as the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) for both training and testing datasets. The results indicate that ensemble-based models, particularly Random Forest and XGBoost, outperform simpler regression approaches in capturing the nonlinear relationships between input parameters and TBM performance indicators. Among all models, XGBoost achieved the highest predictive accuracy for all target variables. Furthermore, SHAP (Shapley Additive Explanations) analysis was employed to enhance model interpretability and to identify the most influential parameters governing cutter forces and energy consumption. Overall, the findings demonstrate that machine learning methods provide a robust and reliable framework for TBM performance prediction under different rock conditions. The proposed approach offers valuable insights for tunnel design, operational decision-making, and risk mitigation, and contributes to the growing body of research on data-driven modeling in mechanized tunneling.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Predicting corn phenological stages with multispectral time series remote sensing data by threshold based and trend detection methods
Eşik temelli ve trend tespit yöntemleri kullanılarak multispektral zaman serisi uzaktan algılama verileri ile Mısır fenolojik aşamalarının tahmin edilmesi
EMİNE ŞENKARDEŞLER
Yüksek Lisans
İngilizce
2023
Jeodezi ve FotogrametriOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. MÜZEYYEN ANIL ŞENYEL KÜRKÇÜOĞLU
- Machine learning based DDOS attack detection for software-defined networks
Yazılım tanımlı ağlar için makine öğrenme esaslı DDOS attack algılama
DOUGLAS OMURO MAKORI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. SEÇKİN ARI
- Machine learning based anomaly detection technique for in-vehicle networks
Araç içi ağlar için makine öğrenmesi tabanlı anomali tespit tekniği
ARİF AKAR
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiÇankaya ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KLAUS WERNER SCHMIDT
- Machine Learning Based Social Bot Detection
Makine Öğrenmesi Tabanlı Sosyal Bot Algılama
ONUR KAPÇIK
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ŞAHİN