Il miglioramento dell’accuratezza nelle previsioni dei modelli di deep learning trova un’ulteriore spinta nell’applicazione del concetto di ensemble learning, che combina i risultati di più modelli base per ottenere una generalizzazione superiore. Nel contesto dell’identificazione delle condizioni geologiche durante lo scavo di tunnel con macchine TBM (Tunnel Boring Machines), l’adozione di più modelli MobileNet come modelli base consente di sfruttare le diverse prospettive di classificazione generate, con l’obiettivo di raggiungere una predizione più affidabile. Tuttavia, la sfida principale risiede nella fusione dei risultati divergenti prodotti da questi modelli, che richiede un metodo robusto per integrare informazioni incerte provenienti da fonti multiple. La teoria di Dempster–Shafer (DST) si presenta come una soluzione ideale grazie alla sua capacità di trattare l’evidenza con incertezza e combinarla con un livello definito di fiducia. In tale configurazione, ogni modello base è considerato un osservatore distinto e le sue previsioni rappresentano evidenze incerte da unire in un unico giudizio finale.

Questa integrazione tra ensemble MobileNet e DST, denominata EMNet, permette di migliorare significativamente la precisione nell’identificazione del tipo di terreno durante la costruzione di gallerie, rappresentando un passo avanti verso sistemi di scavo autonomi. A supporto della comprensione del modello sviluppato, viene utilizzato il metodo SHAP (Shapley Additive Explanations), che evidenzia quali caratteristiche estratte dalle immagini hanno il maggior peso nella classificazione geologica, garantendo trasparenza e interpretabilità del sistema. I problemi chiave affrontati sono: come pre-elaborare immagini di dimensioni ridotte per l’addestramento efficace di modelli di deep learning, come costruire un modello ensemble capace di distinguere correttamente le condizioni geologiche durante lo scavo, e come interpretare con alta precisione le predizioni ottenute.

Storicamente, la rilevazione delle condizioni geologiche davanti alla testa di scavo TBM ha utilizzato tre principali approcci: metodi distruttivi, non distruttivi e metodi intelligenti. I metodi distruttivi, basati su carotaggi e analisi di laboratorio, sono affidabili ma limitati nel raggio di azione, poiché coprono solo aree puntuali e dipendono dal giudizio esperto per estendere la conoscenza. Tecniche avanzate di logging, come i sensori acustici o gamma, hanno ampliato la portata delle indagini ma sono state principalmente impiegate in tunnel scavati con tecniche tradizionali di perforazione e brillamento, risultando meno adatte per TBM.

I metodi non distruttivi, invece, utilizzano sensori come radar a penetrazione del suolo, onde sismiche o campi elettromagnetici per rilevare condizioni anomale senza interrompere l’operatività della TBM. Questi approcci, pur promettenti in termini di accuratezza e capacità di predizione, sono frenati dall’alto costo e dalla complessità di implementazione su larga scala nei cantieri di tunnel.

Con l’avvento di tecniche di machine learning e deep learning, si è aperta una nuova frontiera: i metodi intelligenti, che utilizzano i dati operativi della TBM per predire in tempo reale le condizioni geologiche. Sebbene questi modelli possano raggiungere alte performance, presentano criticità legate alla mancanza di una comprensione esplicita dei meccanismi predittivi e all’elevata necessità di intervento umano, soprattutto nella classificazione manuale dei materiali scavati.

L’adozione della computer vision offre una via alternativa e complementare. Alcuni studi recenti hanno applicato reti neurali convoluzionali per segmentare e classificare rocce basandosi su immagini dei materiali di scavo, ma questi si sono focalizzati principalmente su TBM rocciosi, trascurando le condizioni di suolo. Inoltre, le architetture CNN utilizzate risultano spesso tradizionali e non specificamente ottimizzate per questa applicazione. In questo senso, la proposta di un metodo basato su ensemble MobileNet, combinato con DST per la fusione delle evidenze, rappresenta un’innovazione significativa per la rilevazione automatica e accurata delle condizioni geologiche del suolo durante lo scavo.

Per ottenere un’efficace classificazione, la pre-elaborazione delle immagini è cruciale, soprattutto considerando la dimensione ridotta del materiale visivo disponibile. La capacità del modello di estrarre caratteristiche rilevanti e di integrarle in un giudizio unificato tramite DST consente di superare l’incertezza intrinseca ai dati. L’impiego di SHAP consente inoltre di interpretare il modello, individuando quali elementi delle immagini influenzano maggiormente la decisione, contribuendo così a un sistema non solo preciso, ma anche comprensibile e affidabile.

È importante considerare che l’affidabilità del modello dipende fortemente dalla qualità e dalla varietà dei dati di addestramento. La rappresentatività delle condizioni geologiche nei dati è essenziale per generalizzare efficacemente la predizione su situazioni reali e variabili. Inoltre, il bilanciamento tra la complessità computazionale del modello e la velocità di elaborazione deve essere calibrato attentamente, soprattutto per applicazioni in tempo reale durante l’avanzamento dello scavo.

La fusione di dati multisorgente, non solo da modelli di deep learning ma anche da sensori fisici, può ulteriormente migliorare la robustezza e la sicurezza delle decisioni automatizzate. In tale ottica, l’integrazione di modelli ensemble e teorie di evidenza come DST rappresenta un paradigma di grande potenzialità, capace di mitigare incertezze e conflitti informativi in contesti complessi e dinamici come lo scavo di tunnel.

Come l’ottimizzazione online migliora la gestione della pressione nei cilindri idraulici durante l’assemblaggio dei segmenti nel TBM

L’ottimizzazione della pressione nei cilindri idraulici durante l’assemblaggio dei segmenti nel Tunnel Boring Machine (TBM) è un problema cruciale per garantire la sicurezza e l’efficienza del processo. Attraverso l’uso combinato dell’algoritmo XGBoost ottimizzato tramite Bayes Optimization (BO) e di un algoritmo di ottimizzazione online basato su AOA (Arithmetic Optimization Algorithm), è possibile ottenere una gestione più precisa e dinamica delle variabili di pressione, con risultati significativamente migliorativi rispetto ai metodi offline tradizionali.

XGBoost, grazie alla ricerca dei parametri iperottimali effettuata da BO, raggiunge un equilibrio tra accuratezza e costo computazionale, valorizzando appieno il potenziale del modello ad albero integrato. Ciò consente un’efficienza di calcolo tale da soddisfare le richieste di aggiornamento continuo e ottimizzazione in tempo reale, fattori indispensabili nel contesto ingegneristico di una macchina TBM.

Il cuore del miglioramento consiste nell’adozione di un algoritmo online che acquisisce dati ogni 10 secondi, calcola un nuovo schema di distribuzione della pressione e lo trasmette direttamente al controllore della TBM. Questa modalità di ottimizzazione evita gli errori derivanti dai ritardi tipici degli algoritmi offline, che tendono a considerare solo gli stati iniziali e finali senza valutare le variazioni intermedie, generando così una discrepanza rilevante rispetto alla realtà operativa.

L’algoritmo online AOA si avvale del metodo TOPSIS per determinare il punto ideale nella frontiera di Pareto, selezionando quindi la soluzione di ottimizzazione più bilanciata. Nell’analisi dei diversi scenari di funzionamento della TBM, emerge che la pressione nei cilindri idraulici, durante il ritiro istantaneo di alcuni di essi, può essere redistribuita in modo da ridurre le concentrazioni di stress. I risultati sperimentali mostrano una riduzione media della varianza della pressione superiore al 30%, mentre la pressione massima si abbassa da 254 a 175 bar, diminuendo significativamente il carico sui componenti meccanici.

Le differenze di efficacia dell’algoritmo variano in base al numero e alla posizione dei cilindri mancanti nei vari scenari. In particolare, scenari con un numero maggiore di cilindri assenti (ad esempio quattro o cinque) mostrano un miglioramento più consistente, con riduzioni di pressione massima fino al 30%, a patto che la disposizione dei cilindri mancanti sia simmetrica o strategica. Al contrario, in situazioni con un solo cilindro mancante l’ottimizzazione riduce la pressione solo di circa il 10%. Inoltre, l’algoritmo online riesce a eliminare quasi completamente il fenomeno di “eredità” della pressione tra segmenti consecutivi, presente invece nei processi non ottimizzati, migliorando così la stabilità complessiva del sistema.

Il confronto diretto tra ottimizzazione offline e online evidenzia che quest’ultima garantisce risultati più affidabili, con una riduzione della pressione massima controllata più marcata (oltre il 31%) e un errore teorico-sperimentale inferiore, indicativo di una maggiore precisione nell’adattamento ai dati in tempo reale. Questo rappresenta un progresso fondamentale, considerando che le continue iterazioni consentono di correggere gli errori di calcolo e di mantenere l’ottimizzazione aderente alle condizioni reali di funzionamento.

È importante sottolineare che, oltre alla modellazione e all’algoritmo di ottimizzazione, la precisione della misurazione e la velocità di risposta dell’hardware svolgono un ruolo decisivo nella qualità dei risultati. Le discrepanze tra risultati teorici e sperimentali sono in gran parte attribuibili a questi fattori, suggerendo che investimenti nella sensoristica e nei sistemi di controllo possono ulteriormente migliorare l’efficacia complessiva del sistema.

Oltre alla descrizione tecnica degli algoritmi e dei risultati, è cruciale per il lettore comprendere che la gestione dinamica della pressione rappresenta un approccio di controllo avanzato che supera la tradizionale visione statica e segmentata del processo di assemblaggio. L’integrazione di dati in tempo reale con metodi di ottimizzazione multidimensionali permette non solo di migliorare la sicurezza meccanica e la durata delle componenti, ma anche di ottimizzare i tempi di lavoro e di risparmiare risorse, rendendo così l’intero processo più sostenibile ed efficiente.

Come l'Intelligenza Artificiale e la Blockchain Potenziano la Gestione dell'Energia Solare per Ottimizzare la Raccolta di Energia
Come arricchire i dati prima dell'ingestione con Elastic Agent
Come costruire un banco di prova efficace per la robotica mobile: Esperimenti e dataset per la valutazione delle prestazioni
Come l'Intelligenza Artificiale Sta Trasformando la Modellizzazione degli Scambiatori di Calore (HEXs) con CFD
Come il Sound Design e la Musica Accompagnano l'Emozione nei Film