Deutsch
Francais
Nederlands
Svenska
Norsk
Dansk
Suomi
Espanol
Italiano
Portugues
Magyar
Polski
Cestina
Русский
Detectie van de geologische toestand is van cruciaal belang voor het succes van tunnelbouw. In dit kader stellen we een nieuw raamwerk voor dat de geologische toestand direct identificeert op basis van beelden die zijn verkregen van de transportband. Dit voorgestelde proces bestaat uit drie belangrijke stappen: gegevensverzameling en preprocessing, ontwikkeling van het ensemble deep learning-model met informatiefusie via DST, en modelbeoordeling en interpretatie door SHAP. Het proces wordt geïllustreerd door een stroomschema dat het ensemble deep learning-model en de bijbehorende stappen toont.
Verzameling en verwerking van geologische beelden
Tijdens de tunneluitgraving worden de verwijderde grondstoffen via een schroeftransporteur naar de transportband verplaatst. Vervolgens wordt er een wagen achteraan de tunnelboormachine (TBM) geplaatst om de verwijderde grond op de transportband op te vangen en naar het grondniveau te brengen. Voor betere monitoring van de werkplaats en het tijdig bijsteken van de tunneluitgraving, installeren moderne TBM's meestal een CCTV om de status van de grondverwerking op de transportband in real-time te registreren. De beelden kunnen aan de operator en ingenieurs worden getoond voor onmiddellijke besluitvorming en aanpassing van de operationele parameters van de TBM. Deze beelden bieden waardevolle informatie over de huidige geologische toestand van de tunnel.
Gezien de gevoeligheid van beeldgebaseerde technologieën voor omgevings- en menselijke factoren, moeten de foto's onder gecontroleerde omstandigheden en in een stabiele positie worden genomen. Dit houdt in dat er voldoende verlichting aanwezig moet zijn, zonder dat de CCTV-camera geblokkeerd wordt. Het is belangrijk dat de camera een vast perspectief behoudt, gericht op hetzelfde gebied, om consistente en nauwkeurige beelden van de uitgegraven grond te verkrijgen. Ondanks de zorgvuldigheid van dit proces kunnen de verkregen beelden verstoringen en ongewenste objecten bevatten die de nauwkeurigheid van de beeldclassificatie kunnen beïnvloeden, zoals delen van de transportband die niet door grond bedekt zijn of andere objecten aan de rand van het beeld.
Om de negatieve effecten van deze storingen te minimaliseren, is het noodzakelijk om de beelden voor te verwerken. In dit geval wordt een random crop-methode gebruikt als de belangrijkste data-augmentatietechniek. Aangezien de meeste nuttige informatie zich in het midden van de afbeelding bevindt, wordt de rand van 200 pixels verwijderd om de storingen te verminderen. Vervolgens worden willekeurige uitsneden gemaakt van vierkante afbeeldingen met een standaardformaat van 400x400 pixels. Deze techniek helpt de variabiliteit in de afbeeldingsschalen die door verschillende apparaten worden vastgelegd, te compenseren. Elk beeld wordt 10 keer willekeurig bijgesneden om voldoende monsterdata te verkrijgen, waarbij de bijgesneden delen het grootste deel van het originele beeld bedekken.
Ontwikkeling van het Ensemble Model
De voorbewerkte beelden worden verdeeld volgens de conventionele 80-20 splitsing voor training en testdata. Het is echter essentieel dat de afbeeldingen willekeurig worden gesplitst om vooringenomenheid te vermijden en de generalisatie van het model te verbeteren. Alle afbeeldingen die uit hetzelfde oorspronkelijke beeld komen, moeten in dezelfde groep blijven. Voor de ontwikkeling van het ensemble deep learning-model wordt MobileNet V2 als basismodel gebruikt. In tegenstelling tot conventionele convolutionele netwerken, staat MobileNet V2 bekend om drie belangrijke innovaties: depthwise separable convolutions, lineaire bottlenecks, en omgekeerde residuen.
Depthwise separable convolutions voeren de berekeningen in twee stappen uit: depthwise convolutie (DW) en pointwise convolutie (PW). In tegenstelling tot conventionele convoluties die het gehele kanaal bewerken, werkt de depthwise convolutie per kanaal en past vervolgens de pointwise convolutie toe om informatie uit verschillende kanalen te combineren. Dit verlaagt de rekenkosten aanzienlijk, aangezien de kosten van een conventionele convolutie veel hoger zijn dan die van de depthwise convolutie.
De lineaire bottleneck en omgekeerde residuen spelen een belangrijke rol in het minimaliseren van het verlies van informatie wanneer de dimensies van de gegevens worden verkleind. De inputdoorvoer passeert eerst een expansielaag die de gegevensdimensie vergroot om informatieverlies door activatiefuncties te minimaliseren, gevolgd door een depthwise convolutie en een laatste projectielaag met een lineaire activatiefunctie om de afmetingen weer te verkleinen.
Modelbeoordeling en interpretatie
Een cruciaal onderdeel van het model is de evaluatie en interpretatie van de resultaten. SHAP (Shapley Additive Explanations) wordt gebruikt om de output van het model te evalueren en te interpreteren. SHAP biedt inzicht in welke inputkenmerken de voorspelling het sterkst beïnvloeden, wat essentieel is voor de transparantie en betrouwbaarheid van het model. Dit stelt ingenieurs in staat om te begrijpen welke delen van de geologische beelden het belangrijkst zijn voor de classificatie van de grondgesteldheid en om het model verder te verfijnen op basis van deze inzichten.
Bij het implementeren van dergelijke geavanceerde technologieën in de tunnelbouw is het belangrijk te begrijpen dat, hoewel het model in staat is om geologische condities effectief te classificeren, het ook afhankelijk is van de kwaliteit van de gegevens. De nauwkeurigheid van het model wordt sterk beïnvloed door factoren zoals de lichtomstandigheden, de positie van de camera en de kwaliteit van de grondbeelden. Het model moet dus worden geoptimaliseerd voor verschillende omstandigheden, en voortdurend worden aangepast op basis van feedback en nieuwe gegevens.
Hoe Multi-Criteria Decision-Making (MCDM) Kan Worden Toegepast bij de Keuze van Tunnelapparatuur
Multi-Criteria Decision-Making (MCDM) is een cruciale benadering voor het oplossen van complexe beslissingsproblemen, zoals die zich voordoen in de bouwsector. Bij het selecteren van tunnelapparatuur komt de uitdaging vooral voort uit de aanwezigheid van meerdere, vaak conflicterende criteria en het feit dat meerdere belanghebbenden betrokken zijn, die ieder hun eigen kennis, ervaring en belangen hebben. In zulke gevallen is het noodzakelijk om een methode te gebruiken die niet alleen de verschillende criteria in overweging neemt, maar ook de diverse standpunten van stakeholders balanceert.
MCDM-methoden zijn ontworpen om beslissers te helpen bij het evalueren en prioriteren van alternatieven. Meestal worden de gegevens verzameld en omgezet in een beslissingsmatrix, waarin verschillende alternatieven worden geëvalueerd op basis van vooraf gedefinieerde criteria. De doelstelling van MCDM is om de evaluatiewaarden van alle criteria voor alle alternatieven te integreren en deze alternatieven vervolgens te rangschikken volgens een algoritme.
Bij traditionele methoden, zoals het Gewogen Sommodel en het Gewogen Productmodel, worden de criteria-scores eenvoudigweg samengevoegd op basis van gegeven gewichten. Hoewel deze benaderingen redelijk eenvoudig zijn, schieten ze vaak tekort in het omgaan met onzekerheid en de niet-lineaire relaties tussen criteria. Het eenvoudige, gewogen aggregatiemodel kan bovendien extreme tekortkomingen in de alternatieven verbergen, wat leidt tot een verhoogd risico op falen door deze kritieke gebreken.
Om deze tekortkomingen te ondervangen, is de TOPSIS-methode (Technique for Order Preference by Similarity to Ideal Solution) een populaire keuze geworden in recente jaren. Deze methode rangschikt de voorkeuren van alternatieven op basis van de relatieve afstanden van de alternatieven tot de ideale oplossing. TOPSIS biedt voordelen zoals rationaliteit, eenvoudige berekening, solide logica en duidelijke visualisatie. In vergelijking met MCDM-methoden gebaseerd op menselijke benaderingen, zoals de Analytische Hiërarchische Methode (AHP) en de Beste-Worst Methode, berekent TOPSIS resultaten door middel van wiskundige operaties, wat leidt tot een hoger niveau van objectiviteit en geschiktheid in het evaluatiesysteem.
Een standaard TOPSIS-analyse vereist de input van evaluaties over geselecteerde attributen van verschillende alternatieven, evenals gewichten die de relatieve belangrijkheid van de attributen aangeven. De typische stappen voor een TOPSIS-analyse zijn als volgt: de normalisatie van de evaluatiematrix, het toewijzen van de gewichten aan de genormaliseerde matrix, het identificeren van de positieve ideale oplossing (PIS) en de negatieve ideale oplossing (NIS), het bepalen van de afstanden van elk alternatief tot de PIS en NIS, het berekenen van de "closeness coefficient" (de nabijheidscoëfficiënt), en uiteindelijk het rangschikken van de alternatieven op basis van deze coëfficiënt.
Hoewel TOPSIS een krachtige en efficiënte methode is, zijn er aanvullende technieken die de beoordeling van alternatieven in complexe situaties kunnen verbeteren, zoals de integratie van Monte Carlo-simulaties en cloudmodellen om de onzekerheid te modelleren. Dit hybride MCDM-approach combineert de TOPSIS-methode met deze geavanceerde benaderingen om de optimale oplossing te identificeren in een omgeving waar onzekerheid een belangrijke rol speelt.
Bijvoorbeeld, bij de selectie van tunnelapparatuur kunnen meerdere criteria in overweging worden genomen, zoals de kosten van het project, de tijdsbeperkingen, de lokale omstandigheden en regelgeving, maar ook de technische, milieu-, economische en operationele aanpasbaarheid van de apparatuur. Deze criteria kunnen bovendien moeilijk kwantificeerbaar zijn en kunnen variëren afhankelijk van de specifieke kenmerken van het project. In dergelijke gevallen kan een cloudmodel, dat gebruik maakt van de theorie van onzekerheid en probabiliteit, helpen om de subjectieve meningen van experts te vertalen naar kwantitatieve gegevens, die vervolgens kunnen worden geanalyseerd door TOPSIS om een rangorde van alternatieven te genereren.
Door de evaluaties van deskundigen te verzamelen en om te zetten naar "crisp" waarden met behulp van het cloudmodel, wordt het mogelijk om de inherente vaagheid van de meningen van de experts te overwinnen. Dit vergemakkelijkt de latere fasen van de besluitvorming, waarin TOPSIS wordt toegepast om de alternatieven te rangschikken op basis van hun afstand tot de ideale oplossing.
Bij het formuleren van de criteria voor de evaluatie van tunnelapparatuur is het belangrijk om te kijken naar zowel de technische als de operationele aanpasbaarheid van de apparatuur. Bijvoorbeeld, de voordelen van verschillende graaftechnologieën voor de vorm, diepte en werkruimte van de tunnel moeten worden geëvalueerd, evenals hun impact op de kosten, het milieu en de veiligheid. Het gebruik van een multidimensionaal beoordelingsmodel stelt beslissers in staat om een weloverwogen keuze te maken, rekening houdend met de diverse belangen van de betrokken partijen.
Het is ook belangrijk te benadrukken dat in dergelijke beslissingsprocessen de onzekerheid en variabiliteit van de gegevens een fundamentele rol spelen. Een Monte Carlo-simulatie kan bijvoorbeeld helpen bij het modelleren van verschillende scenario’s en het kwantificeren van de risico’s, waardoor de uiteindelijke beslissing minder gevoelig wordt voor de onzekerheid van de inputdata. In combinatie met de TOPSIS-analyse kan dit resulteren in een robuustere en objectievere rangschikking van alternatieven.
Deze benadering kan verder worden versterkt door gevoeligheidsanalyses die helpen bij het identificeren van de belangrijkste factoren die de uiteindelijke beslissing beïnvloeden. Het vermogen om deze factoren te isoleren en te begrijpen kan van cruciaal belang zijn voor het verbeteren van de effectiviteit van het besluitvormingsproces.
In de praktijk betekent dit dat besluitvormers een goed begrip moeten hebben van zowel de technische als de niet-technische aspecten van het project. Ze moeten in staat zijn om niet alleen de harde, kwantitatieve gegevens te interpreteren, maar ook om de verschillende standpunten van belanghebbenden te integreren, wat hen in staat stelt om een beslissing te nemen die zowel optimaal als breed geaccepteerd is.