Tunnelboormachines (TBM’s) worden wereldwijd op grote schaal ingezet bij tunnelbouw vanwege hun efficiëntie en veiligheid. Eén van de grootste uitdagingen bij het gebruik van TBM’s is het nauwkeurig controleren van hun houding tijdens het boren, zodat de boor de geplande route blijft volgen. Tot nu toe zijn er weliswaar veel onderzoeken gedaan naar geologische en fysische parameters, maar relatief weinig aandacht is besteed aan het probleem van de TBM-houding zelf.

De huidige technologie voor het volgen van de TBM-houding, zoals laserpositioneringssystemen, kent aanzienlijke vertragingen. Daardoor moeten machinisten de houding vaak handmatig corrigeren op basis van beperkte gegevens en persoonlijke ervaring. Dit leidt tot kortzichtige beslissingen zonder mogelijkheid tot anticipatie. Terwijl TBM’s tijdens het boren voortdurend enorme hoeveelheden tijdreeksgegevens genereren via sensoren, wordt deze informatie onvoldoende benut. Dit creëert een dringende behoefte aan voorspellingsmodellen die in staat zijn om op basis van rauwe en vaak ruisende gegevens de toekomstige houding van de TBM accuraat te voorspellen.

Traditionele voorspellingsmethoden vertrouwen sterk op theoretische modellen en een beperkt aantal invoerparameters. Ze zijn slecht toegerust om zich aan te passen aan veranderende geologische omstandigheden en falen in real-time toepassingen. Het niet-lineaire karakter van houdingvoorspellingen, met meerdere invoer- en uitvoerparameters, vereist robuustere benaderingen. Hier biedt kunstmatige intelligentie een oplossing. Machine learning stelt ons in staat om verborgen patronen te ontdekken in complexe datasets zonder voorafgaande kennis van de relaties tussen de variabelen.

Bayesiaanse modellen, multivariate regressie, Monte Carlo-simulaties en neurale netwerken zijn al met succes toegepast op specifieke parameters zoals penetratiesnelheid en koppelkracht. Toch kampen klassieke machine learning-modellen met beperkingen, vooral als het gaat om het verwerken van onbewerkte en inconsistente sensorgegevens. Essentiële informatie kan verloren gaan tijdens het voorverwerkingsproces, wat ten koste gaat van de nauwkeurigheid.

Om deze tekortkomingen te overwinnen, is een diepgaandere benadering noodzakelijk. In plaats van data te filteren tot bruikbare stukjes, kunnen convolutionele neurale netwerken (CNN’s) kenmerken direct uit onbewerkte invoerdata extraheren. In civiele techniek worden CNN’s al ingezet bij onder meer scheurdetectie en seismische analyse. In dit onderzoek wordt specifiek gebruik gemaakt van eendimensionale CNN’s (1D-CNN), die bijzonder geschikt zijn voor temporele gegevensreeksen zoals die van een TBM.

TBM-houdingsgegevens zijn per definitie tijdsafhankelijk: de houding op elk tijdstip wordt beïnvloed door voorgaande houdingen. Daarom is deze uitdaging bij uitstek een tijdreeksprobleem. Recurrente neurale netwerken (RNN’s) zijn in staat om temporele patronen te herkennen, en worden daarom veel toegepast bij parameterpredictie in TBM’s. Binnen deze klasse van modellen blijken Long Short-Term Memory-netwerken (LSTM) en Gated Recurrent Units (GRU) het meest geschikt. LSTM’s vermijden het probleem van verdwijnende gradiënten en bieden solide prestaties bij complexe sequenties. Toch kunnen ze bij gegevens met een lage dimensie overfitten, wat hun effectiviteit ondermijnt.

GRU’s daarentegen gebruiken slechts twee poorten in plaats van drie, zoals bij LSTM’s, wat leidt tot snellere berekeningen zonder aan nauwkeurigheid in te boeten. In dit onderzoek wordt daarom een hybride model voorgesteld dat een 1D-CNN combineert met GRU-lagen – een zogeheten C-GRU model. Dit model is ontworpen voor meervoudige stap-vooruit voorspellingen van TBM-houding, waarbij het niet alleen hoge nauwkeurigheid behaalt, maar ook robuust blijft over meerdere tijdstappen heen.

Een belangrijke uitdaging bij dit type modellering is het kwantificeren van de impact van verschillende invoerparameters op voorspellingen die meerdere stappen vooruit liggen. Dit vereist een grondige gevoeligheidsanalyse, waarmee de invloed van elke variabele wordt geëvalueerd over het gehele voorspellingstraject. Hierdoor ontstaat er niet alleen een nauwkeurige voorspelling, maar ook een beter begrip van de dynamiek tussen invoer en uitvoer – iets wat essentieel is bij besluitvorming in real-time situaties.

Wat belangrijk is om te begrijpen, is dat het succes van voorspellende modellen in TBM-toepassingen niet alleen afhankelijk is van algoritmische verfijning, maar ook van datakwaliteit, sensorconfiguratie, en domeinkennis. Modellen zoals C-GRU zijn krachtig, maar vereisen voortdurende validatie tegen werkelijke prestaties op de bouwplaats. Verder is het cruciaal om het model niet enkel als zwart doosje te gebruiken: inzicht in de interne logica, bijvoorbeeld via interpretabele AI-technieken, is van vitaal belang voor acceptatie en toepassing in het veld. Ten slotte blijft het combineren van kennis uit geotechniek, werktuigbouwkunde en datascience de sleutel tot succesvolle en veilige tunnelbouw met behulp van intelligente systemen.

Hoe kan de online optimalisatie van het drukverdelingsproces de prestaties van hydraulische cilinders verbeteren tijdens segmentassemblage?

Het optimaliseren van hydraulische systemen is cruciaal voor de efficiëntie en betrouwbaarheid van mechanische operaties, vooral wanneer het gaat om het gebruik van hydraulische cilinders in complexe systemen zoals tunnelboormachines (TBM). Het proces van drukverdeling in hydraulische cilinders speelt een sleutelrol bij het verminderen van stress en het verbeteren van de prestaties tijdens segmentassemblage. In dit hoofdstuk worden de resultaten gepresenteerd van experimenten die de effectiviteit van een online optimalisatie-algoritme onderzoeken voor het redistribueren van de druk in de cilinders, waarbij de voordelen ten opzichte van offline-algoritmen duidelijk naar voren komen.

De experimenten tonen aan dat het gebruik van een online algoritme, gebaseerd op de AOA-methode (Adaptive Optimal Algorithm), aanzienlijke voordelen biedt in de toepassing van hydraulische cilinders voor segmentassemblage. Dit algoritme verzamelt voortdurend drukdata (om de 10 seconden) en herberekent de optimale drukverdeling, die direct wordt doorgegeven aan de TBM-controller. Dit zorgt ervoor dat de systeemparameters constant worden geoptimaliseerd, wat leidt tot een hogere precisie en betrouwbaarheid in de uitvoering.

In scenario's zonder de online optimalisatie is er vaak sprake van een fenomeen dat bekend staat als drukoverdracht, waarbij de druk niet correct wordt verdeeld tijdens de overgang van de ene assemblage naar de volgende. Dit veroorzaakt pieken in de druk die schadelijk kunnen zijn voor zowel de cilinders als de segmenten. Dankzij de online optimalisatie wordt dit probleem effectief verminderd, waardoor de hydraulische cilinders gelijkmatiger belast worden, zelfs wanneer een segment abrupt wordt geassembleerd. Dit voorkomt ongunstige drukverhogingen en vermindert de kans op schade aan het mechanisme.

De effectiviteit van de online optimalisatie werd getest in zes verschillende scenario's, waarbij elk scenario het gedrag van de cilinders onder verschillende omstandigheden simuleerde. De resultaten toonden een significante vermindering van de maximale druk in de cilinders, variërend van 10% tot 30%, afhankelijk van de specifieke situatie. Vooral in scenario’s waar meerdere cilinders defect waren of waar de cilinders symmetrisch waren geplaatst, bleek het optimalisatie-algoritme van de online AOA-methode het beste resultaat te leveren.

Vergelijkingen met offline-algoritmen, die alleen met initiële en uiteindelijke condities werken, tonen aan dat de online optimalisatie een effectievere benadering is voor het controleren van de drukverdeling in real-time, met name wanneer het gaat om systemen die zich in dynamische omstandigheden bevinden. In de experimenten waarbij offline AOA werd gebruikt, was er een grotere afwijking tussen de theoretische en experimentele resultaten, wat het belang van het gebruik van online gegevens benadrukt.

De online optimalisatie-algoritmen hebben de neiging beter te presteren in scenario’s met hogere variabiliteit, waar de drukcondities voortdurend veranderen. Dit komt omdat het algoritme in staat is om zich aan te passen aan nieuwe gegevens en de aanpassingen in real-time door te voeren. Dit zorgt voor een veel stabieler en veiliger operationeel proces, met minder kans op onverwachte storingen of inefficiënties.

Hoewel de online AOA-methodologie aanzienlijke voordelen biedt, zijn er ook enkele beperkingen die in acht moeten worden genomen. De effectiviteit van de optimalisatie is bijvoorbeeld afhankelijk van de nauwkeurigheid van de verzamelde gegevens en de snelheid van het systeem om met deze gegevens om te gaan. De hardwarecapaciteit en de nauwkeurigheid van de sensoren spelen hierbij een grote rol. Het gebruik van low-latency systemen en geavanceerde sensortechnologieën kan helpen om de effectiviteit van de online optimalisatie verder te verbeteren.

Daarnaast kunnen de optimalisatieresultaten variëren afhankelijk van de specifieke eisen van de segmentassemblage en de configuratie van de hydraulische cilinders. In sommige gevallen kan een offline algoritme, hoewel minder flexibel, nog steeds nuttig zijn voor eenvoudige scenario’s of als een eerste basis voor verdere online aanpassingen.

In de praktijk is het essentieel om de voordelen van de online AOA-methode te integreren in een holistisch systeemontwerp, waarin zowel de hydraulische componenten als de besturingssoftware optimaal samenwerken. De combinatie van betrouwbare gegevensverzameling, real-time berekeningen en systematische feedbackmechanismen kan de algemene prestaties van de TBM-systemen aanzienlijk verbeteren. Dit biedt niet alleen hogere precisie en lagere kosten, maar ook een grotere mate van veiligheid en duurzaamheid voor het gehele tunnelboorproces.

Hoe Genetische Algoritmen Multi-Doelen Optimalisatie in Tunnelprojecten Kunnen Verbeteren

Bij complexe constructieprojecten, zoals de aanleg van tunnels, worden vaak meerdere doelstellingen tegelijk nagestreefd. Het zoeken naar een oplossing die voldoet aan al deze doelstellingen kan een uitdaging zijn, vooral wanneer ze conflicteren. Dit geldt met name voor tunneluitlijningsprojecten, waar verschillende factoren zoals investeringen, reistijd (het zogenaamde ‘headway’), en comfort een rol spelen bij het bepalen van de beste oplossing. Het is dan ook van groot belang een benadering te ontwikkelen die in staat is deze conflicten te overwinnen en toch tot een optimaal resultaat te komen. De genetische algoritmen benadering biedt hierin aanzienlijke voordelen.

Het gebruik van genetische algoritmen voor multi-doelen optimalisatie begint met een gedetailleerde analyse van het probleem. De eerste stap is het identificeren van de besluitvariabelen en de doelstellingen die moeten worden geoptimaliseerd. In het geval van een tunneluitlijningsproject kunnen bijvoorbeeld de straal van de tunnel en de diepte van de tunnel als besluitvariabelen fungeren, terwijl de te optimaliseren doelstellingen kunnen bestaan uit de hoogte van de investering, het headway (de tijd tussen opeenvolgende treinen of voertuigen), en het comfort van de reizigers.

Door de genetische algoritmen wordt een set van mogelijke oplossingen gegenereerd, elk met zijn eigen compromis tussen de verschillende doelstellingen. Deze oplossingen worden geanalyseerd langs de zogenaamde Pareto-voorgrond, waarbij de oplossing die het dichtst bij het ideale punt ligt, als referentie wordt gekozen. Het ideale punt is de theoretische oplossing die alle doelstellingen tegelijk optimaliseert, wat vaak onmogelijk is door de conflicterende aard van de verschillende vereisten.

In een gevalstudie van een tunneluitlijningsproject in Wuhan (China), werd de genetische algoritmen benadering getest met verschillende scenario's. De resultaten toonden aan dat de optimale oplossing, bijvoorbeeld, in Scenario I een headway van 5,66 minuten opleverde, samen met een comfortniveau van 0,8646 en een investering van 559,81 miljoen CNY. De bijbehorende besluitvariabelen waren een straal van 356,8 meter en een diepte van 44 meter. Dit scenario was de meest gebalanceerde oplossing in termen van de doelstellingen. In andere scenario's werd bijvoorbeeld de investering verder verlaagd tot 559,31 miljoen CNY, maar ging dit ten koste van het comfort, waardoor de headway verder werd verminderd tot 3,38 minuten.

Het is belangrijk om te begrijpen dat bij het optimaliseren van meerdere doelstellingen de keuze van prioriteiten cruciaal is. Hoe meer beperkingen er worden opgelegd aan de oplossing, des te minder ideaal de uiteindelijke oplossing kan zijn. Dit benadrukt de flexibele aard van genetische algoritmen, die het mogelijk maken een robuuste oplossing te vinden die goed presteert in verschillende scenario's.

De aanpak biedt veel flexibiliteit en uitbreidbaarheid. Wanneer er bijvoorbeeld meerdere doelstellingen tegelijkertijd geoptimaliseerd moeten worden, kan de genetische algoritmen benadering aangepast worden door extra variabelen zoals de grootte van de vloot van voertuigen toe te voegen. Dit stelt de projectleiders in staat om te kiezen voor de beste oplossing op basis van de prioriteiten die voor hun project gelden. Het belangrijkste voordeel van deze benadering is de mogelijkheid om de belangen van verschillende stakeholders te balanceren zonder de noodzaak om compromissen te sluiten die mogelijk de prestaties van het project zouden verminderen.

Bovendien blijkt uit de analyse van de optimalisatie dat de benadering goed aansluit bij de werkelijke beslissingen die genomen werden voor de Wuhan metrolijn, waar de straal van 350 meter als uitgangspunt werd genomen. Dit biedt verdere validatie voor de betrouwbaarheid van het voorgestelde model, vooral wanneer de beslissingen in realistische scenario's worden getoetst.

In praktische termen biedt deze aanpak niet alleen een oplossing voor het conflicterende doelstellingen probleem in tunnelprojecten, maar ook de mogelijkheid om verder te analyseren en verschillende scenario's te verkennen die een breed scala aan investerings- en operationele doelen kunnen afdekken. Dit maakt de methode bijzonder waardevol voor projectmanagers en ingenieurs die betrokken zijn bij het ontwerpen van grote, complexe infrastructuurprojecten.

De flexibiliteit van genetische algoritmen biedt een krachtig hulpmiddel voor het oplossen van multi-objectieve optimalisatieproblemen, wat essentieel is in de hedendaagse constructie- en engineeringsector. Het stelt professionals in staat om snel verschillende scenario’s te doorlopen en te komen tot een geoptimaliseerde oplossing die niet alleen voldoet aan de eisen van het project, maar ook aan de vaak tegenstrijdige eisen van de belanghebbenden.

Hoe Digitale Tweelingtechnologie Tunnelbouw kan Optimaliseren

De C885 tunnelproject, gelegen onder de Circle Line van Singapore, biedt een interessante case study voor de toepassing van digitale tweelingtechnologie in de tunnelbouw. Dit project, dat twee boorgangen onder de stad moet creëren, maakt gebruik van een EPB-TBM (Earth Pressure Balance Tunnel Boring Machine) met een diameter van 6,68 meter en een lengte van 9,81 meter. De geologische omstandigheden die worden tegengekomen, variëren van marineklei tot verschillende typen van de Jurongformatie. Dit maakt het noodzakelijk om geavanceerde monitoringtechnieken in te zetten voor een efficiënte en veilige voortgang van de tunnelbouw.

De digitale tweelingtechnologie speelt hierbij een cruciale rol door real-time data te verzamelen van de TBM via IoT-sensoren. Deze sensoren registreren de werkomstandigheden van de TBM, zoals de aarddruk, kracht en rotatiesnelheid, wat belangrijke inzichten verschaft voor de verdere optimalisatie van het tunnelbouwproces. De data wordt via een 3D-model op het Unity-platform gevisualiseerd, wat een digitale weergave biedt van de werkelijke situatie onder de grond. Dit maakt het mogelijk om de prestaties van de TBM nauwkeurig te monitoren en tijdig bij te sturen waar nodig.

Het gebruik van digitale tweelingtechnologie maakt het niet alleen mogelijk om de TBM in real-time te volgen, maar biedt ook een platform voor slimme controle en voorspelling van de prestaties. Door verschillende operationele parameters te monitoren, zoals de stuwkracht, het koppel van de snijkop, de schuifkrachtniveaus in de schroefconveyor, en de druk in de snijkamer, kunnen toekomstige prestaties nauwkeurig worden voorspeld. Deze parameters spelen een sleutelrol in de evaluatie van vier belangrijke prestatie-indicatoren: de penetratiesnelheid, de ondergravingsratio, het energieverbruik en de slijtage van de snijkop van de TBM.

De selectie van de juiste invoerparameters voor de digitale tweeling is essentieel voor het behalen van betrouwbare prestaties. Er wordt een onderscheid gemaakt tussen actieve parameters, die in real-time kunnen worden aangepast (zoals de stuwkracht en het koppel van de snijkop), en passieve parameters, die reflecteren wat er zich onder de grond afspeelt, zoals de aarddruk en de snelheid van de snijkop. Het gebruik van deze gegevens wordt gecombineerd met geavanceerde algoritmes en deep learning-modellen om de prestaties van de TBM te voorspellen en te optimaliseren.

In dit onderzoek worden vier diepe leer-modellen toegepast om de vier eerder genoemde prestatie-indicatoren te evalueren. Gegevens worden in twee groepen verdeeld, waarvan ongeveer 80% wordt gebruikt om de modellen te trainen en de rest voor de evaluatie van de prestaties. Door gebruik te maken van geavanceerde technologieën zoals Graph Convolutional Networks (GCN) en Long Short-Term Memory (LSTM)-netwerken, kunnen nauwkeurige voorspellingen worden gedaan over de toekomstige prestaties van de TBM.

Wat verder belangrijk is bij het implementeren van digitale tweelingtechnologie in de tunnelbouw, is het vermogen om de prestatie-indicatoren niet alleen te voorspellen, maar ook proactief aan te passen. Zo kunnen operatoren, met behulp van real-time informatie, de stuwkracht of het koppel van de TBM aanpassen om optimale werkcondities te behouden en ongewenste ondergraving of overmatige slijtage te voorkomen.

Bovendien is het niet alleen de technologie die een cruciale rol speelt, maar ook de juiste training en ervaring van de medewerkers die de technologie gebruiken. Het inzicht in hoe de verschillende parameters elkaar beïnvloeden en welke aanpassingen nodig zijn voor verschillende geologische omstandigheden, is essentieel voor het succes van dit systeem. De integratie van digitale tweelingen in tunnelbouwprojecten vereist daarom een combinatie van geavanceerde technologie, datamanagement en menselijke expertise.

In de toekomst zal de rol van digitale tweelingen in de tunnelbouw verder toenemen, vooral wanneer meer complexe tunnelomgevingen en geologische variaties worden geïntroduceerd. Het vermogen om nauwkeurig te voorspellen en in te grijpen in het bouwproces zal de efficiëntie verbeteren, kosten verlagen en de veiligheid verhogen. Een goed geïmplementeerde digitale tweeling zal niet alleen de prestaties van de TBM verbeteren, maar ook de algehele kwaliteit en levensduur van de tunnelinfrastructuur.

Hoe de Verschillende Pipits Herkend Kunnen Worden in het Veld
Hoe de Ping-Pong Snelheid en Systeemprestaties worden Beïnvloed door de Netwerkomgeving in D2D Communicatie
Wat zegt de symboliek van de zwaard en het koninklijke gezag over macht en rechtvaardigheid?