| مشخصات مقاله | |
| ترجمه عنوان مقاله | شبکه رقابتی تولیدی برای پیش بینی زمین شناسی بر اساس داده های عملیاتی TBM |
| عنوان انگلیسی مقاله | Generative adversarial network for geological prediction based on TBM operational data |
| انتشار | مقاله سال 2022 |
| تعداد صفحات مقاله انگلیسی | 16 صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | Scopus – Master Journals List – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
6.823 در سال 2020 |
| شاخص H_index | 167 در سال 2020 |
| شاخص SJR | 2.275 در سال 2020 |
| شناسه ISSN | 0888-3270 |
| شاخص Quartile (چارک) | Q1 در سال 2020 |
| فرضیه | ندارد |
| مدل مفهومی | ندارد |
| پرسشنامه | ندارد |
| متغیر | ندارد |
| رفرنس | دارد |
| رشته های مرتبط | زمین شناسی |
| گرایش های مرتبط | زمین شناسی مهندسی |
| نوع ارائه مقاله |
ژورنال |
| مجله | سیستم های مکانیکی و پردازش سیگنال – Mechanical Systems and Signal Processing |
| کلمات کلیدی | پیش بینی زمین شناسی، شبکه ی مولد متقابل، وضعیت زمین شناسی، استخراج ویژگی، دستگاه حفاری تونل |
| کلمات کلیدی انگلیسی | Geological prediction – Generative adversarial network – Geological condition – Feature extraction – Tunnel boring machine |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.ymssp.2021.108035 |
| کد محصول | E15651 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Abstract Keywords Introduction Data description and preprocessing Generative adversarial network for geological prediction (GAN-GP) Numerical experiments Conclusion CRediT authorship contribution statement Declaration of Competing Interest Acknowledgments Appendix References |
| بخشی از متن مقاله: |
| ABSTRACT The prediction of tunnel geological conditions plays an important role in underground engineering, such as the tunnel construction and tunnel dynamic design. However, due to the invisibility of underground geological conditions, there remain many challenges in the design of geological prediction models. In this paper, we propose a generative adversarial network for geological prediction (GAN-GP) to accurately estimate the thickness of each rock-soil type in a tunnel boring machine (TBM) construction tunnel based on operational data collected from sensors equipped on the TBM. The generator of the GAN-GP contains feature-extraction (FE) and feature-integration (FI) modules. The former extracts the important features from the TBM operational data, and the latter produces the geological condition prediction, which estimates the thickness of each rock-soil type at a location. The discriminator of the GAN-GP determines whether the FI module’s outputs are true geological data. After adversarial training, if the trained discriminator fails to distinguish them, the outputs of the FI module will accurately approximate the true geological condition. Experimental results support the effectiveness of the proposed GANGP model for geological prediction, and show that it outperforms the state-of-the-art models including support vector regression (SVR), feed-forward neural network (FNN) and random forest (RF) models. |