Come si può migliorare la previsione multi-step dell’assetto della TBM utilizzando GRU e CNN?

Le misurazioni dell’assetto della TBM (Tunnel Boring Machine) sono spesso soggette a ritardi, causando regolazioni che intervengono solo dopo deviazioni significative rispetto al percorso desiderato. Le previsioni basate su serie temporali attualmente adottate sono solitamente a passo singolo, fornendo un margine di intervento troppo ridotto per applicazioni pratiche, data la breve durata di ogni intervallo temporale. La previsione multi-step si propone invece di anticipare una sequenza di valori futuri, utilizzando un approccio sequence-to-sequence che elabora caratteristiche temporali per generare previsioni successive.

Il Gated Recurrent Unit (GRU) offre una struttura più snella rispetto a LSTM, risultando in un miglioramento dell’efficienza computazionale senza comprometterne le prestazioni. In ambito TBM, il GRU è stato utilizzato prevalentemente per previsioni a passo singolo e il suo potenziale multi-step rimane poco esplorato. Un problema cruciale nella previsione multi-step è il decremento di accuratezza al crescere della lunghezza della sequenza predetta. Garantire previsioni accurate su più intervalli temporali è essenziale per un controllo efficace della macchina.

Inoltre, i dati di input spesso contengono disturbi inevitabili; pertanto, il modello deve essere robusto per mantenere affidabilità in presenza di rumore. Le reti convoluzionali monodimensionali (1D CNN) si dimostrano efficaci nell’estrarre caratteristiche ad alta dimensionalità da dati temporali grezzi, senza necessità di preprocessing, e aumentano la resistenza del modello ai disturbi. L’estrazione di caratteristiche da dati “sani” e l’addestramento di modelli di “normalità” possono inoltre supportare decisioni in condizioni operative simili e consentire di inferire stati o operazioni anomale.

Il presente approccio propone una combinazione di 1D CNN e GRU per la previsione multi-step dell’assetto della TBM, articolata in tre fasi fondamentali. In primo luogo, la ricostruzione delle serie temporali permette di organizzare i dati, provenienti da parametri attivi (ad esempio, spostamento articolazione, RPM del CHD, forza di spinta) e parametri passivi rilevati dai sensori (pressione del terreno, coppia, penetrazione). I dati relativi ai periodi di arresto della TBM, caratterizzati da spinta nulla, vengono eliminati per evitare influenze distorsive sulla previsione.

Dopo aver acquisito e filtrato i dati, è cruciale valutare la presenza di correlazioni lineari tra input e output selezionati. Se la relazione è complessa e non lineare, risulta necessario adottare modelli sofisticati. La normalizzazione dei dati, calibrata per gestire le diverse scale e unità di misura delle variabili, è un passaggio indispensabile prima dell’addestramento, al fine di evitare errori di apprendimento e migliorare la generalizzazione del modello. La denormalizzazione finale permette di riportare le previsioni ai valori reali.

La conversione della matrice bidimensionale di dati normalizzati in una struttura tridimensionale — comprendente numero di campioni, passi temporali e caratteristiche — permette di utilizzare efficacemente i dati storici per predire l’assetto attuale e futuro della TBM.

Il cuore del modello è rappresentato dal GRU, una variante migliorata della rete neurale ricorrente (RNN), dotata di due meccanismi di gate: il gate di aggiornamento, che decide quanta informazione storica mantenere, e il gate di reset, che stabilisce quanta informazione dimenticare. Questa struttura permette un’efficiente propagazione e aggiornamento delle informazioni temporali. La funzione di attivazione tangente iperbolica (tanh) contribuisce a modellare in modo non lineare la relazione tra gli input e lo stato interno del modello.

L’integrazione con la CNN 1D, in grado di catturare pattern complessi nelle serie temporali, permette di estrarre rappresentazioni più robuste e meno sensibili ai disturbi rispetto all’uso di GRU isolato. L’unione di questi due metodi consente una previsione multi-step più accurata e tempestiva, indispensabile per l’adeguamento proattivo dell’assetto della TBM.

Oltre all’efficienza computazionale e alla robustezza, è fondamentale comprendere che l’efficacia del modello dipende anche dalla qualità e dalla rappresentatività dei dati raccolti. La corretta acquisizione, filtraggio e preparazione dei dati sono fondamentali per evitare bias e migliorare la capacità predittiva. È inoltre necessario valutare continuamente le performance del modello in condizioni operative reali, per adattarlo a variazioni del terreno o della macchina, garantendo così un controllo dinamico e affidabile.

Come può l’aggiornamento delle informazioni migliorare la gestione del rischio nei progetti sotterranei complessi?

L’approccio ibrido proposto unisce la capacità di BIM nella raccolta, elaborazione e visualizzazione dei dati con la potenza della teoria D-S, che consente di trattare l’incertezza e la vaghezza delle informazioni attraverso la fusione di evidenze provenienti da fonti multiple. Questo metodo si dimostra particolarmente efficace nella valutazione dinamica del rischio, poiché permette di aggiornare costantemente lo stato delle informazioni a disposizione, migliorando la percezione del rischio in tempo reale.

L’aggiornamento delle informazioni risulta cruciale per aumentare la reattività e l’accuratezza della gestione del rischio. Nel caso dei cantieri sotterranei, dove le condizioni possono variare rapidamente a causa di fattori come la pressione dell’acqua, la stabilità del fronte di scavo e le deformazioni del terreno circostante, la possibilità di integrare nuove evidenze e rivedere le valutazioni del rischio consente agli operatori di adottare tempestivamente misure di mitigazione, riducendo così potenziali danni e ritardi.

La visualizzazione diretta dei livelli di rischio, resa possibile dall’integrazione con strumenti come Dynamo, facilita la comprensione immediata dello stato attuale del progetto da parte di tutti gli stakeholder, favorendo decisioni più informate e coordinate. Inoltre, l’applicazione delle regole di fusione dell’informazione incrementa la certezza delle valutazioni, migliorando l’identificazione delle aree critiche e l’efficacia delle strategie di controllo.

È fondamentale riconoscere che la gestione del rischio in ambito sotterraneo non può prescindere da una continua raccolta e analisi di dati aggiornati, in quanto la variabilità delle condizioni ambientali e operative rende obsoleti i modelli statici e le analisi basate su dati passati. Solo un sistema dinamico e integrato, capace di adattarsi alle variazioni e di fondere evidenze provenienti da sensori, monitoraggi e esperienze dirette, può garantire una governance efficace del rischio.

Inoltre, la trasparenza e la condivisione delle informazioni all’interno del team di progetto sono elementi chiave per costruire un ambiente decisionale collaborativo e resiliente. L’approccio descritto favorisce questo scambio continuo di dati e valutazioni, contribuendo a una cultura della sicurezza proattiva piuttosto che reattiva.

In sintesi, il progresso nella gestione del rischio nei progetti sotterranei si fonda sull’integrazione tra digitalizzazione, aggiornamento continuo delle informazioni e capacità di rappresentare l’incertezza in maniera strutturata, permettendo così di anticipare e mitigare situazioni di pericolo con maggior precisione e tempestività.

Come si risolvono problemi di ottimizzazione multi-obiettivo con metodi basati su discesa del gradiente e reti neurali profonde?

L’assegnazione dei pesi, spesso uguali per semplicità, permette di esplorare l’intero insieme di soluzioni Pareto, ossia soluzioni che rappresentano compromessi ottimali tra gli obiettivi in conflitto. La ricerca delle soluzioni ottimali avviene tramite discesa del gradiente, una tecnica iterativa che aggiorna le variabili decisionali nella direzione di massimo decremento della funzione obiettivo. Tuttavia, la discesa del gradiente è sensibile ai minimi locali: per ridurre il rischio di rimanere intrappolati in soluzioni sub-ottimali, il processo viene ripetuto da diversi punti iniziali selezionati casualmente nell’intorno del valore corrente, permettendo così una migliore esplorazione dello spazio delle soluzioni.

Un aspetto innovativo del metodo è l’analisi quantitativa dell’influenza delle variabili decisionali sull’ottimizzazione, ottenuta calcolando un valore di sensibilità $\beta$ basato sulle medie dei gradienti calcolati in più punti. Questo indice consente di interpretare il modello a "scatola nera" della rete neurale profonda, identificando le variabili che esercitano un impatto significativo sulla funzione obiettivo. Tale analisi fornisce indicazioni basate sui dati per concentrare gli sforzi di regolazione sulle variabili più influenti, migliorando così l’efficacia dell’ottimizzazione senza affidarsi esclusivamente all’esperienza esperta.

Nel contesto di applicazioni ingegneristiche complesse, come la costruzione di tunnel in condizioni di terreno soffice, il metodo si dimostra efficace nel gestire rischi multipli quali il cedimento del terreno accumulato e l’inclinazione degli edifici adiacenti. Questi rischi sono influenzati da numerosi fattori, dai parametri di progetto del tunnel (profondità, rapporto copertura-luce) alle condizioni geotecniche locali, richiedendo un sistema di valutazione che integri variabili decisionali eterogenee.

L’approccio DNN-GDO consente dunque di sviluppare modelli predittivi robusti e interpretabili, in grado di supportare decisioni basate su dati reali raccolti da sistemi di monitoraggio in tempo reale. La misurazione quantitativa dell’influenza delle variabili facilita la prioritarizzazione degli interventi correttivi e la gestione proattiva dei rischi, trasformando dati complessi in informazioni utilizzabili per la mitigazione dei problemi e l’ottimizzazione delle prestazioni operative.

Oltre a quanto esposto, è cruciale comprendere che la scalarizzazione dei problemi multi-obiettivo può nascondere la complessità delle interazioni tra obiettivi diversi, richiedendo un’attenta scelta dei pesi per riflettere le reali priorità del contesto applicativo. Inoltre, la discesa del gradiente, pur efficace, è una tecnica locale e quindi integrare metodi di ricerca globale o strategie di multi-start è fondamentale per garantire soluzioni più complete. La sensibilità calcolata tramite i gradienti, pur essendo un valido indicatore, non deve sostituire una comprensione profonda delle dinamiche di sistema; la collaborazione tra modello dati-driven e competenze esperte resta essenziale per interpretare correttamente i risultati e le azioni da intraprendere.