Claims (2)
------10/01/2561------(OCR) หน้า 1 ของจำนวน 2 หน้า ข้อถือสิทธิ 1. การคาดการณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์โดยคิดนิจจัยการเปลี่ยนแปลงชนิดของ หัวเจาะ โดยโครงข่ายประสาทเทียม จะประกอบไปด้วย 14 หน่วยย่อยในขั้นรับข้อมูล ซึ่งประกอบไปด้วย (I) ความลึกของการขุดเจาะอุโมงค์ (ทา) (2) ระยะจากจุดเริ่มด้นการขุดเจาะอุโมงค์จากสถานี (ทท) (3) คุณสมบัติขั้นดินบริเวณยอดอุโมงค์ 1 (4) คุณสมบัติขั้นดินบริเวณยอดอุโมงค์ 2 (5) คุณสมบัติขั้นดินบริเวณยอดอุโมงค์ 3 (6) คุณสมบัติขั้นดินบริเวณส่วนล่างของอุโมงค์ 1 (7) คุณสมบัติขั้นดินบริเวณส่วนล่างของอุโมงค์ 2 (8) ความสูงของน้ำใต้ดินจากส่วนล่างสุดของอุโมงค์ (m) (9) ความดันหน้าหัวเจาะ (kPa) (10) ความเร็วขณะขุดเจาะ (ทาทก/ทา]ท) (II) มุมก้มหรือมุมเงยของหัวเจาะ (degree) (12) ความตันของการฉีดน้ำปูนเพื่ออุดข่องว่างหลังผนังอุโมงค์ (bar) (13) เปอร์เซ็นต์การเติมน้ำปูน (%) (14) ขนิดของหัวเจาะ โดยมีนิจจัยที่แตกต่างจากคำขอเลขที่ 0801002990 คือนิจจัยที่ (1) และนิจจัยที่ (3)-(7) การคาดการณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์โดยคิดนิจจัยการเปลี่ยนแปลงชนิดของหัวเจาะ ซึ่งเพิ่มนิจจัยขนิดของหัวเจาะซึ่งจำนวนและหน่วยย่อยของขั้นแฝง รวมถึงรอบการคำนวณ สามารถหาได้จาก วิธีการลองผิดลองถูกโดยทำการแบ่งข้อมูลที่เลือกมาเนิน 2 กลุ่มคือ 1) ข้อมูลที่ใข้เรียนรู้ (Training set) ซึ่งมีจำนวนข้อมูลประมาณร้อยละ 25 ของข้อมูลทั้งหมด และ 2) ข้อมูลที่ใช้,ทดสอบ (Testing set) หรือข้อมูล ทั้งหมด โดยทดสอบหาโครงข่ายประสาทเทียมที่เหมาะสม (Optimum ANN) จากค่าผิดพลาดกำลังสองเฉลี่ย (RMSE) ที่น้อยที่สุดจากกระบวนการเรียนรู้ (Training) และกระบวนการทดสอบ (Testing) ซึ่งการคำนวณ ค่าในขั้นแฝง (Hidden layer) ในแต่ละหน่วยย่อย (Hidden node) จำนวนนิจจัยในขั้นรับข้อมูลจะถูกส่งถ่าย เพื่อใช้คำนวณในขั้นแฝงแบบถึงกันหมดโดยใช้ฟ้งก์ขัน Sigmoid และนำผลลัพธ์ที่ได้ในแต่ละหน่วยย่อย หน้า 2 ของจำนวน 2 หน้า มาคำนวณแบบถึงกับหมดอีกครั้งด้วยฟังก์ชัน Sigmoid ในชั้นส่งออกข้อมูล (Output layer) ซึ่งการคำนวณ ดังกล่าวนับเบ็เน 1 รอบ หลักจากนั้นโครงข่ายประสาทเทียมจะส่งผลย้อนกลับไปหน่วยย่อยแต่ละหน่วยย่อย ของชั้นแฝงเพื่อทำการคำนวณซํ้าจนครบ 2,000 รอบ โดยมีค่าเบี่ยงเบน (Bias)ในแต่ละรอบแตกต่างกัน โดยค่าผลลัพธ์ที่ได้จากการคำนวณจะถูกนำมาเปรียบเทียบกับค่าที่ใหโครงข่ายเรียนรู้ ซึ่งแสดงออกมา ในรูปแบบค่าผิดพลาดกำลังสองเฉลี่ย (RMSE) ดังนั้นรูปแบบสถาปิดยกรรมของโครงข่ายประสาทเทียม ที่เหมาะสมจะประกอบไปด้วยชั้นรับข้อมูลจำนวน 14 หน่วยย่อย ชั้นแฝง 1 ชั้นแฝงจำนวน 20 หน่วยย่อย และรอบการคำนวณ 2,000 รอบ 2. การคาดการณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์โดยคิดปัจจัยการเปลี่ยนแปลงขนิดของ หัวเจาะ ตามข้อถือสิทธิ 1 ที่ซึ่งใช้ 14 ปัจจัยในการคำนวณ ------------------10/01/2561------(OCR) Page 1 of 2. Claims 1. The prediction of ground subsidence from tunnel boring, taking into account changes in the type of drilling head, using an artificial neural network consisting of 14 sub-units in the data reception phase. This consists of (I) tunnel boring depth (T) (2) distance from the tunnel boring starting point from the station (T) (3) soil properties at the top of tunnel 1 (4) soil properties at the top of tunnel 2 (5) soil properties at the top of tunnel 3 (6) soil properties at the bottom of tunnel 1 (7) soil properties at the bottom of tunnel 2 (8) groundwater height from the bottom of the tunnel (m) (9) drilling head pressure (kPa) (10) drilling speed (T) (II) drilling head elevation angle (degree) (12) grout pressure for filling gaps behind the tunnel walls (bar) (13) grout percentage (%) (14) type of drilling head The factors differ from request number 0801002990, namely factors (1) and factors (3)-(7). The prediction of surface settlement from tunnel excavation is based on the factor of change in the type of drill bit, which adds the factor of the type of drill bit, the number and sub-units of the hidden layer, and the calculation cycles, which can be obtained by trial and error by dividing the selected data into 2 groups: 1) the training set, which contains approximately 25% of the total data, and 2) the testing set, or all data, by testing to find the optimal neural network (Optimum ANN) from the smallest mean square error (RMSE) from the training and testing processes, in which the calculation of the hidden layer values in each sub-unit (Hidden node), the number of factors in the input layer will be transferred. To perform a complete calculation in the latent layer using the Sigmoid function, the results obtained from each sub-unit on page 2 of 2 pages are then re-calculated completely using the Sigmoid function in the output layer. This calculation is considered one cycle. After that, the neural network sends the results back to each sub-unit of the latent layer to repeat the calculation until 2,000 cycles are completed. The bias in each cycle will be different. The calculated results are compared to the values provided by the network for learning, which are expressed as the Mean Squared Error (RMSE). Therefore, the optimal architecture of the neural network will consist of a data layer with 14 sub-units, one latent layer with 20 latent sub-units, and 2,000 calculation cycles. 2. Predicting ground settlement from tunnel boring by considering changes in the type of drill head according to claim 1, which uses 14 factors in the calculation.
1. โครงข่ายประสาทเทียมสำหรับพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ โดยเพิ่มปัจจัยชนิดของหัวเจาะจะประกอบไปด้วย 14 หน่วยย่อยในชั้นรับข้อมูล มีชั้นแฝง 1 ชั้น มี หน่วยย่อยอยู่ 20 หน่วยย่อยในชั้นแฝง และรอบการคำนวณ 2,000 รอบ ซึ่งจะถือว่าโครงข่ายมีความ เหมาะสมที่จะสามารถนำมาใช้ในการพยากรณ์การทรุดตัวของผิวดินที่เกิดขึ้นจากการขุดเจาะ อุโมงค์ที่ใช้หัวเจาะแบบปรับแรงดินสมดุลที่มีความแตกต่างกันของผู้ผลิต1. An artificial neural network for predicting ground settlement from tunnel boring, incorporating the type of tunnel boring machine (TMB) as a factor, will consist of 14 sub-units in the data layer, one latent layer with 20 sub-units, and 2,000 calculation cycles. This network is considered suitable for predicting ground settlement caused by tunnel boring using different manufacturers' soil-balancing TMBs.
2. โครงข่ายประสาทเทียมสำหรับพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ โดยเพิ่มปัจจัยชนิดของหัวเจาะตามข้อ 1 ในส่วนของ 14 หน่วยย่อยในชั้นรับข้อมูล จะต้องประกอบด้วย ไปด้วย (1) ความลึกของอุโมงค์ (2) ระยะจากจุดเริ่มต้นการขุดเจาะอุโมงค์ (3) ชนิดของดินบริเวณ ส่วนยอดของอุโมงค์ที่เป็นดินเหนียวอ่อน (4) ชนิดของดินบริเวณส่วนยอดของอุโมงค์ที่เป็นดิน เหนียวแข็ง (5) ชนิดของดินบริเวณส่วนยอดของอุโมงค์ที่เป็นดินทราย (6) ชนิดของดินบริเวณ ส่วนล่างของอุโมงค์ที่เป็นดินเหนียวแข็ง (7) ชนิดของดินบริเวณส่วนล่างของอุโมงค์ที่เป็นดินทราย (8) ความสูงของน้ำใต้ดินจากส่วนล่างสุดของอุโมงค์ (9) ความดันหน้าหัวเจาะ (10) ความเร็วขณะ ขุดเจาะ (11) มุมก้มหรือมุมเงยของหัวเจาะ (12) ความดันของการฉีดน้ำปูน เพื่ออุดช่องว่างหลังผนัง อุโมงค์ และ (13) เปอร์เซ็นต์การเติมน้ำปูน และ (14) ชนิดของหัวเจาะ2. An artificial neural network for predicting surface settlement from tunnel excavation, by adding the type of drilling head factor according to item 1, in the 14 sub-units in the data layer must consist of: (1) tunnel depth, (2) distance from the tunnel excavation starting point, (3) type of soil at the tunnel top that is soft clay, (4) type of soil at the tunnel top that is hard clay, (5) type of soil at the tunnel top that is sandy, (6) type of soil at the tunnel bottom that is hard clay, (7) type of soil at the tunnel bottom that is sandy, (8) height of groundwater from the bottom of the tunnel, (9) drilling head face pressure, (10) drilling speed, (11) drilling head elevation or depression angle, (12) grout injection pressure to fill voids behind the tunnel walls, and (13) grout filling percentage, and (14) type of drilling head.