Come identificare le condizioni geologiche durante lo scavo con TBM attraverso l’analisi automatizzata delle immagini del materiale escavato?

Durante la realizzazione di gallerie mediante Tunnel Boring Machine (TBM), l’analisi in tempo reale del materiale escavato riveste un ruolo fondamentale per comprendere e adattarsi rapidamente alle condizioni geologiche del sottosuolo. In questo contesto, si sviluppa un approccio basato sull’analisi di immagini del materiale trasportato dal nastro trasportatore all’uscita della TBM, con l’obiettivo di classificare il profilo geologico attraverso tecniche di intelligenza artificiale.

Il materiale escavato viene classificato in tre tipologie principali: S1, S2 e S3. La prima, S1, è rappresentata dalla formazione Kallang, prevalentemente argillosa e caratterizzata da una bassa coesione e permeabilità estremamente ridotta. Le altre due, S2 e S3, appartengono alla formazione Jurong, ma si distinguono per la maggiore presenza di materiale roccioso nella tipologia S3. Questa differenziazione è cruciale poiché influisce direttamente sulla gestione dello scavo, sulla stabilità del fronte e sulle tecnologie da impiegare.

La metodologia prevede la raccolta di immagini del materiale trasportato nei nastri, che vengono poi segmentate in porzioni di 400x400 pixel, rimuovendo i margini per evitare elementi di disturbo. Successivamente, le immagini vengono ridimensionate e normalizzate nei valori RGB, pronte per l’elaborazione da parte di reti neurali convoluzionali leggere del tipo MobileNet. L’addestramento avviene con una validazione incrociata a cinque blocchi, per garantire la robustezza e la generalizzazione del modello.

Nel corso dell’esperimento, sei modelli MobileNet sono stati addestrati in parallelo e confrontati tra loro. Per ognuna delle immagini test, dieci campioni ritagliati generano una matrice probabilistica 10×3, rappresentante la probabilità di appartenenza a ciascuna delle tre classi geologiche. Tali probabilità vengono combinate tramite una media non pesata per ogni modello base, e successivamente fuse attraverso la teoria dell’evidenza (DST) per ottenere la classificazione finale attraverso un modello di ensemble (EMNet).

Le prestazioni ottenute dimostrano l’efficacia dell’approccio. I valori medi di accuratezza, precisione, richiamo e F1-score si attestano rispettivamente su 0.835, 0.853, 0.846 e 0.840 con cinque modelli, mentre con sei modelli si raggiungono punte massime di 0.876, 0.872, 0.900 e 0.874. Anche con soli due modelli, si mantiene un’accuratezza superiore all’80%, sottolineando la solidità del metodo. L’analisi comparativa tra i singoli modelli e il sistema ensemble mostra inoltre come l’integrazione attraverso DST consenta di superare costantemente le prestazioni dei modelli isolati.

L’uso di immagini come proxy per la caratterizzazione geotecnica consente non solo una classificazione automatica efficace, ma apre la strada a una gestione predittiva del processo di scavo. L’analisi SHAP (SHapley Additive exPlanations) è stata impiegata per interpretare il comportamento dei modelli, fornendo insight sui pattern visivi che guidano la classificazione. Questo passaggio è essenziale per validare il sistema non solo in termini numerici ma anche dal punto di vista geologico-ingegneristico.

Oltre ai risultati numerici, è fondamentale che il lettore comprenda le implicazioni operative di tale approccio. La capacità di classificare in modo automatico il materiale escavato consente interventi tempestivi, riducendo il rischio di imprevisti geotecnici, ottimizzando il consumo di utensili da taglio e migliorando la sicurezza complessiva del cantiere. Inoltre, l’integrazione dell’analisi visiva nei sistemi di controllo della TBM rappresenta un passo verso l’automazione intelligente delle operazioni in sotterraneo, ponendo le basi per futuri sviluppi in ambito di tunneling autonomo.

L’efficacia del modello EMNet dipende dalla qualità e varietà del dataset di immagini iniziale. Per garantire una classificazione affidabile in contesti diversi da quelli oggetto dello studio, è essenziale ampliare la base di dati includendo variabilità geologica, condizioni di luce, presenza di acqua e altri fattori di disturbo. Solo attraverso una continua iterazione tra campo, laboratorio e sviluppo algoritmico si potrà raggiungere una reale implementazione industriale.

Come l'ottimizzazione del modello DNN può migliorare la previsione e il controllo del rischio nei progetti di scavo sotterraneo

I risultati ottenuti dal modello sono stati verificati attraverso un confronto diretto tra i valori previsti e i valori osservati nel set di test, come mostrato nel grafico 5. Per tutti i 100 punti di test, l'errore relativo delle previsioni di Y1 varia tra -0,378 e 0,373, mentre per Y2 tra -0,050 e 0,140. Ciò suggerisce che la discrepanza tra i valori esatti e quelli previsti è molto contenuta, con un livello di errore inferiore al 5%. Solo una piccola percentuale delle previsioni, nel caso di Y1 e Y2, esce dai limiti accettabili di errore standardizzato, evidenziando un'accuratezza complessiva superiore al 95% nella previsione. L'analisi delle statistiche MSE, MAE e R² conferma ulteriormente che il modello DNN è in grado di adattarsi efficacemente ai dati osservati, fornendo stime precise per entrambe le variabili di uscita in scenari complessi e incerti.

L’analisi di questi risultati evidenzia come il miglioramento delle soluzioni ottimali per ciascun punto di test sia direttamente correlato alla riduzione dei rischi. Ad esempio, per il punto di dati #121, la soluzione ottimizzata ha ridotto la distanza dal punto ideale (0,0), ottenendo una significativa diminuzione dei rischi di subsidenza e di inclinazione. Questo processo di ottimizzazione ha permesso di selezionare i tre migliori risultati in grado di ridurre efficacemente i rischi in modo affidabile. Inoltre, la flessibilità del modello, che consente di modificare i pesi associati ai due obiettivi, offre diverse soluzioni alternative, aumentando la diversità delle opzioni disponibili per la gestione del rischio.

La combinazione del modello DNN con l'algoritmo GDO rappresenta un potente strumento per la gestione del rischio nelle operazioni di scavo sotterraneo, poiché fornisce una base solida per decisioni informate, riducendo al minimo la necessità di valutazioni da esperti. Questa metodologia offre un vantaggio significativo rispetto ai metodi tradizionali, che si basano principalmente sulla conoscenza e sull'esperienza empirica, consentendo una gestione del rischio più dinamica e adattiva.

Inoltre, è cruciale per il lettore comprendere che l’ottimizzazione basata su DNN e GDO non solo migliora l’efficienza nella previsione dei comportamenti strutturali e del terreno, ma fornisce anche una metodologia per gestire in modo proattivo le incertezze e le variabilità intrinseche di tali ambienti complessi. Questo approccio permette di minimizzare gli errori e le perdite, migliorando significativamente la sicurezza durante l’esecuzione di progetti complessi di scavo sotterraneo e costruzione.