ماشین های حفار تمام مقطع از مهمترین ماشین های حفاری در تونل ها و فضاهای زیرزمینی
به شمار می روند . به دلیل قیمت بالای ماشین ارزیابی عملکرد در این روش از اهمیت ویژه ای
برخوردار است .
مهمترین شاخص ارزیابی عملکرد TBM نرخ نفوذ این دستگاه است . عوامل موثر متعددی بر
نرخ نفوذ TBM  تاثیر دارند که از جمله مهمترین این عوامل می توان ویژگی سنگ بکر ، ویژگی
های توده سنگ و پارامتر های ماشین رانام برد . ویژگی های سنگ بکر شامل مقاومت فشاره
تک محوره ، مقاومت کششی و شکنندگی بوده و ویژگی های توده سنگ شامل امتداد و جهت
یافتگی صفحات ضعیف می باشد . برای پیش بینی نرخ نفوذ روش های تجربی ، روش های
آماری و روش های نسبتا جدید هوشمند مورد استفاده قرار می گیرند . در سال های اخیر
استفاده گسترده از روش های هوشمند در مسائل پیش بینی گزارش شده است . در این

تحقیق با به کارگیری روش شبکه های عصبی و در نظر گرفتن خصوصیات ژئومکانیکی
توده سنگ نرخ نفوذ TMBبرای تونل انتقال آّب کوئینز در نیویورک پیش بینی شده است .
با بهره گرفتن از روش سعی و خطا مدل بهینه در نظر گرفته شده دارای ساختار 1-10-4 می باشد .
نتایج مدل شبکه عصبی با نتایج بدست آمده از روش آماری و روش تجربی مقایسه گردید
و مشاهده شد که مدل شبکه عصبی دارای بهترین ضریب تصمیم گیری ، کمترین خطای مطلق
و کمترین خطای نسبی نسبت به دو روش دیگر می باشد . هم چنین آنالیز حساسیت برای داده
های ورودی مشخص نمود که خروجی شبکه به ترتیب نسبت به ضریب شکنندگی و زاویه بین
صفحات ناپیوستگی ها دارای بیشترین و کمترین حساسیت می باشد .