A study of Artificial Neural Network to forecast the Productivity of Shield-Tunneling Method-A Case Study on Kaohsiung Mass Rapid Transport section CO4

[[abstract]]高雄捷運幾經波折，大部分的工程皆已完工並於97年9月全線通車(僅剩追加之岡山車站)，正是工程檢討與學習的開始，而重大交通工程之整體工期乃由隧道施工所影響，隧道成本亦是佔總工程經費非常大的比例，如何提昇隧道開挖之速率以加速公共工程之推動，已成為工程界共同之重要課題[張吉佐、李民政，1998]，台灣引進潛盾隧道工法（Shield Tunneling Method, STM）已有30多年歷史。預估至未來，尚有甚多相關之潛盾隧道工程須在台灣施作[廖銘洋，2007]，包括台灣各大都會的捷運系統、鐵路地下化、台電輸配電管工程、工業科技園區之專用水庫引水道、與污水下水道工程(2007年為止台灣平均接管率僅15.58%，營建署2007資料)等皆將陸續展開。 潛盾隧道工程於施工中，潛盾機因某種原因而造成停機，或是現場動線規劃不良等因素，導致潛盾施工之速度緩慢，將造成出坑貫通工期之嚴重落後，對於成本、進度、風險之衝擊甚大[葉昱鋒，2008]。捷運工程是否能如期通車及營運，潛盾隧道工程扮演著一個相當重要之角色[李國憲，2007]。而業主與承包商的規劃與管理能力，是決定工程品質、進度、與風險(工安損鄰事件之發生機率)的重要關鍵。根據文獻回顧發現，大部分的潛盾施工文獻，是以較廣泛的層次、或針對地質問題，來探討潛盾施工問題；少以潛盾掘進的生產力資料，進行深入之研究與討論[葉昱鋒，2008]。由於資料庫建立不易且繁雜，前研究僅僅針對一段隧道進行分析探討，資料量亦不大，甚為可惜，故本研究建立大量資料庫與加強分析方法，使模型更貼近真實面，資料庫包含高雄捷運工程CO4標段完整之四組工班(潛盾機)，進而找出績效差異之因子並探討其原因。 本研究對CO4標段中5段潛盾隧道進行生產力量測共收集了788筆生產力數據，再藉由文獻回顧及專家訪談後，將閒置、機具故障、不當工作指派、掘進附帶工事、保養整備、地質、千斤頂推進速度、組立速度、千斤頂總推力、刀盤電力、土壓、工班規模等12項影響因子作為探討的對象。建立掘進資料庫並進行主成份分析(Principal Component Analysis，PCA)，再配合倒傳遞網路類神經網路建構生產力預測模型，最後在根據分析的成果提出適當之生產力建議值與各因子之影響程度, 並探討各工班之績效與影響因子。 最後本研究提出能有效預測潛盾施工生產力之模型，在正常掘進階段，準確預測掘進生產力與掌握重要影響因子，以利潛盾施工管控。[[abstract]]The most construction of KMRT have been achieved and operated fully in September 2008 It’s the beginning of the construction by learning and self-criticism but the whole construction of the momentous traffic construction was influenced by STM the cost of the tunnel account for the total cost of the construction is the very large of the ratio How to promote the rate of excavation to expedite the impetus of the public construction has become the important study in the project STM was introduced into Taiwan in 1976 In the future there are more about the construction of the SMT will be develop in Taiwan This study that Productivity of STM was collected 788 data making the data of excavation Carry Principal Component Analysis and Artificial Neural Network out Construction productivity of STM is affected by several factors According to the literature that few studies were explored the productivity data of STM due to The STM plays an important role in the KMRT in this paper establish a great deal of database and strengthen the method of analysis in order to find out and discuss what different they are Finally this paper studied that predict the modeling productivity of the STM effective On the normal excavation stage it can manage STM by predicting the productivity of the excavation correctly and have the important factors in han