Come si valuta l’affidabilità della fronte di scavo in tunneling con metodo EPB e la modellazione delle dipendenze tra pressione di supporto e cedimenti del terreno?

L’affidabilità della fronte di scavo in progetti di tunneling realizzati con la tecnica EPB (Earth Pressure Balance) dipende da molteplici fattori strettamente interconnessi, in particolare dalla gestione della pressione di supporto applicata al fronte e dal controllo del cedimento del terreno circostante. La stabilità del fronte scavo è essenziale non solo per la sicurezza delle operazioni, ma anche per evitare danni alle strutture vicine e per garantire la continuità del progetto. La pressione di supporto deve essere mantenuta in modo adeguato: un valore troppo elevato può causare rigonfiamenti del terreno, mentre una pressione insufficiente può portare a cedimenti e conseguente instabilità.

L’analisi parte dall’assegnazione della distribuzione congiunta delle variabili di interesse, in questo caso X = (X₁, X₂) dove X₁ rappresenta la pressione di supporto e X₂ il cedimento del terreno. Attraverso simulazioni Monte Carlo basate su queste distribuzioni e sulla copula scelta, si generano campioni di valori che vengono inseriti nella funzione di risposta della struttura, g(x), la quale consente di determinare le condizioni di fallimento (g(x) < 0). Il rapporto tra il numero di campioni che violano le condizioni di sicurezza e il numero totale di campioni determina la probabilità di fallimento.

La determinazione dei limiti critici di pressione di supporto minima e di cedimento massimo, necessari per definire la sicurezza della struttura, si basa su principi consolidati come la teoria di Rankine per la pressione del terreno e sulla teoria dell’equilibrio limite. Nel caso studiato, la pressione passiva limite è fissata a 70 kPa, mentre il cedimento massimo tollerato è 30 mm, in accordo con le normative di sicurezza.

L’applicazione pratica del modello è stata testata su un tratto della linea 7 della metropolitana di Wuhan, in Cina, caratterizzato da condizioni geologiche complesse e da un rischio significativo di deformazioni del terreno. L’analisi dei dati raccolti ha evidenziato una debole correlazione lineare negativa tra pressione e cedimento, ma una dipendenza più marcata emerge dopo la trasformazione in variabili uniformi, confermando la necessità di utilizzare copule simmetriche in grado di rappresentare efficacemente questa relazione.

Sono stati considerati quattro tipi di copule classiche: Gaussian, No.16, Frank e Plackett, selezionate per la loro capacità di descrivere sia correlazioni positive che negative con coefficiente di correlazione prossimo a ±1, garantendo flessibilità e precisione nel fitting dei dati sperimentali.

Inoltre, l’analisi statistica ha evidenziato una variabilità maggiore della pressione di supporto rispetto al cedimento, sottolineando come la gestione di questa variabile sia critica per mantenere l’affidabilità della struttura.

Oltre alle metodologie descritte, è essenziale considerare anche l’influenza di ulteriori fattori ambientali e meccanici che possono modificare nel tempo le condizioni di scavo, come variazioni nelle caratteristiche geotecniche del terreno, presenza di falde acquifere e interferenze con infrastrutture esistenti. La dinamica temporale delle pressioni e delle deformazioni, così come l’incertezza derivante da misure e modelli, dovrebbe essere integrata in un approccio di affidabilità evolutivo. Inoltre, la scelta della copula deve essere validata costantemente con dati aggiornati per garantire l’adeguatezza del modello alle condizioni reali di scavo, considerando anche possibili effetti non lineari e dipendenze asimmetriche non catturabili dalle copule tradizionali. La gestione del rischio in tunneling richiede quindi una visione multidisciplinare, che coniughi modellazioni matematiche avanzate con approfondimenti geotecnici e monitoraggi in tempo reale, per assicurare una risposta proattiva e mirata alle variabili critiche del processo di scavo.

Come può essere aggiornata l'evidenza per rilevare il rischio dinamico nella costruzione di gallerie?

Le masse di probabilità di base (Basic Probability Assignments, o BPA) relative alla nuova informazione misurata (m₂) vengono utilizzate per aggiornare la conoscenza esistente (m₁), secondo un processo di fusione che tiene conto delle plausibilità relative di ciascun sottoinsieme degli eventi. Le equazioni impiegate (12 e 13) permettono la combinazione delle evidenze tramite l’intersezione tra i sottoinsiemi, generando così una nuova distribuzione di BPA m(C|m₂), che riflette lo stato aggiornato dell’evidenza in relazione all’intersezione tra gli insiemi X₁ e X₂.

Durante l’avanzamento della costruzione, si osserva una variazione sistematica dei parametri geologici. Le variabili C1, C2 e C3 tendono a diminuire, mentre C4 aumenta. Questa trasformazione è rilevata nei tre tratti della galleria, le cui misurazioni successive vengono inserite nel modello teorico, permettendo la definizione di nuovi frame dell’evidenza. Questi vengono impiegati per aggiornare la conoscenza del rischio in tempo reale.

I dati aggiornati consentono un confronto diretto tra le valutazioni statiche e quelle dinamiche. Per esempio, nella sezione 1 della galleria, pur mantenendosi al livello di rischio I, il valore defuzzificato cresce da 1.03 a 1.06, mentre nella sezione 2 si osserva un incremento da 1.93 a 1.99, rimanendo comunque nel livello II. La sezione 3 mostra una tendenza simile, salendo a 2.06 ma senza variare la classificazione. È evidente che tali mutamenti non derivano dai parametri di progetto, che restano invariati, bensì dall’evoluzione delle condizioni geologiche—soprattutto delle variabili C1, C2, C3 e C4—come dimostrato dall'aggiornamento dell'evidenza.

L’efficacia dell’aggiornamento risiede nella capacità di ridurre l’incertezza. La componente m(⊘), che rappresenta l’indeterminatezza dell’evidenza, decresce in modo significativo lungo il processo di fusione. Ciò indica che la certezza nella valutazione del rischio cresce con l’integrazione dei nuovi dati osservati. Questo si riflette nella maggiore identificabilità dei livelli di rischio: la differenza tra il valore massimo e il secondo valore massimo delle BPA aumenta, favorendo una decisione più netta e meno ambigua.

È fondamentale comprendere che, nella teoria di Dempster-Shafer, il livello di rischio assegnato è determinato dal valore massimo tra i BPA per ciascun livello. Un’identificabilità migliore equivale a una maggiore separazione tra le opzioni, quindi a una valutazione più solida. I risultati ottenuti con l’aggiornamento dell’evidenza mostrano, infatti, valori significativamente più affidabili rispetto a quelli ottenuti senza aggiornamento, confermando l’efficacia dell’approccio.

È importante, inoltre, notare che le valutazioni basate unicamente sui dati estratti o sulle osservazioni dinamiche non aggiornate tendono a sottostimare la variazione reale del rischio. Solo l’integrazione dei dati osservati nel contesto dell’evidenza esistente consente una valutazione coerente con la realtà del cantiere. Questo è confermato anche dalla riduzione progressiva dell’incertezza nei risultati delle fusioni aggiornate, dove m(⊘) tende a valori minimi prossimi allo zero.

In prospettiva applicativa, diventa cruciale stabilire un processo continuo di aggiornamento, basato su una rete di sensori affidabili, una modellazione coerente con la D-S evidence theory e un’interfaccia analitica in grado di elaborare rapidamente l’informazione. L’obiettivo non è solo fotografare il rischio, ma seguirne l’evoluzione, permettendo così una gestione proattiva.

La comprensione e applicazione rigorosa di questi metodi richiede una formazione tecnica multidisciplinare, che combini ingegneria geotecnica, teoria dell’informazione e analisi dei dati. Solo così si può ottenere un uso efficace delle potenzialità offerte dalla teoria dell’evidenza nella valutazione del rischio dinamico.

Come si ottimizza il controllo di una TBM attraverso il modello Digital Twin e l’intelligenza artificiale?

L’accurata selezione dei parametri operativi è essenziale per la robustezza e affidabilità del modello. Sono stati scelti nove parametri chiave: tre attivi, modificabili e regolabili durante il lavoro, come la forza di spinta e la coppia del cutterhead, e sei passivi, che riflettono principalmente le condizioni geologiche locali e lo stato costruttivo del tunnel, mantenuti costanti per ogni anello. L’intelligenza del modello risiede nella capacità di stimare e ottimizzare quattro indicatori fondamentali di performance: il tasso di penetrazione (O1), il rapporto di scavo eccessivo (O2), il consumo energetico (O3) e l’usura degli utensili (O4).

L’interazione tra il modello fisico e la sua controparte virtuale viene gestita da un modulo intelligente che integra reti neurali profonde, specificamente combinando strati di Graph Convolutional Network (GCN) e Long Short-Term Memory (LSTM). Questo sistema di deep learning permette una stima precisa degli indicatori e una successiva ottimizzazione parametrica. I dati utilizzati per l’addestramento e la validazione sono stati raccolti in fase sperimentale, suddivisi in modo da garantire una valutazione rigorosa delle prestazioni del modello.

È importante comprendere che l’efficacia di tale modello dipende dalla qualità e dalla pertinenza dei dati raccolti, nonché dalla scelta accurata dei parametri di input, che devono rappresentare sia le capacità di intervento attivo sia le condizioni passive non modificabili. La sinergia tra tecnologia digitale, intelligenza artificiale e conoscenza esperta sul campo costituisce il fulcro della nuova frontiera nel controllo delle macchine da scavo.

In aggiunta, la metodologia descritta implica una continua revisione e aggiornamento del modello digitale per adattarsi alle variazioni nelle condizioni operative e geologiche, poiché solo un Digital Twin dinamico e aggiornato può garantire decisioni operative ottimali. La comprensione profonda della relazione tra parametri attivi e passivi, nonché la loro influenza sugli indicatori di performance, è fondamentale per una gestione predittiva e proattiva della TBM.