Hoe kan computer vision de geologische omstandigheden tijdens tunnelboringmachines (TBM) operaties verbeteren?

De ontwikkelde methode draagt bij aan de wetenschappelijke kennis door een nieuwe ensemble methode voor betrouwbare beeldidentificatie voor te stellen, en aan de praktijk door een nuttig hulpmiddel aan te bieden dat automatisch de geologische omstandigheden kan identificeren die zich voordoen. Een casestudy uitgevoerd met gegevens verzameld uit de tunnelprojecten van de Circle Line 6 in Singapore, wordt gepresenteerd om de effectiviteit van de voorgestelde methode te verifiëren. Reële beelden, verzameld tijdens de tunnelbouw, worden voorverwerkt en opgesplitst voor de training en evaluatie van het model. De resultaten tonen aan dat de voorgestelde methode de geologische omstandigheden met een gemiddelde nauwkeurigheid van 86%, precisie van 86%, recall van 88% en F1-score van 86% detecteert.

Er zijn echter ook enkele belangrijke aspecten om verder te overwegen. De prestaties van het model zijn niet alleen afhankelijk van de kwaliteit van de gebruikte netwerken en fusietechnieken, maar ook van de variëteit en de representativiteit van de trainingsdata. De diversiteit van geologische omstandigheden die tijdens tunnelboring kunnen worden aangetroffen, is enorm, en het is cruciaal dat het model voldoende variëteit in de trainingsgegevens bevat om robuust te zijn in het omgaan met verschillende scenario’s. Hoewel SHAP-analyse nuttige inzichten biedt in welke kenmerken de classificatie ondersteunen, blijft het een uitdaging om modellen te ontwikkelen die ook de onderliggende fysische en geologische processen die de eigenschappen van de grond bepalen, volledig begrijpen en verwerken.

Voor de evaluatie wordt het gewicht van elk doelpunt toegekend op basis van de belangrijkheid van het doel, wat resulteert in de keuze van de utopische punt $Z^+_j$ en de dystopische punt $Z^-_j$. De Euclidische afstand $D^+_i$ tussen een Pareto-oplossing $x_{ij}$ en de utopische oplossing wordt berekend, evenals de Euclidische afstand $D^-_i$ tussen de Pareto-oplossing en de dystopische oplossing. De afstanden worden berekend volgens de volgende formules:

$$D^-_i = \sqrt{\sum_{j=1}^m (x_{ij} - Z^-_j)^2} \tag{15}$$

De fitness $C$ wordt uiteindelijk bepaald door de formule:

$$C_i = \frac{D^-_i}{D^+_i + D^-_i} \tag{16}$$

Naast de evaluatie van oplossingen door de TOPSIS-methode, moeten we ook de prestaties van het optimalisatie-algoritme zelf beoordelen. Dit wordt gedaan door middel van verschillende algoritme-evaluatie-indicatoren, die helpen om de effectiviteit van de optimalisatie te kwantificeren. De meest gebruikte indicatoren zijn de Tijd (T), de Generational Distance (GD) en de Spacing (Ruimte). De formules voor deze indicatoren zijn als volgt:

• Tijd (T): De tijd die nodig is voor de uitvoering van het algoritme, gemeten in seconden. Dit is een belangrijke maat voor de efficiëntie van het algoritme.

• Generational Distance (GD): Deze maat geeft de convergentie van het algoritme weer, d.w.z. hoe dicht de gevonden oplossingen bij de ideale oplossing liggen:

$$GD = \frac{1}{|F^*|} \sum_{x \in F^*} \| x - F^* \| \tag{18}$$

• Spacing (Ruimte): Deze maat geeft de spreiding van de oplossingen in de ruimte aan en wordt berekend als:

Waarbij $d_i$ de afstand tussen twee opeenvolgende oplossingen aangeeft. De spreiding helpt bij het beoordelen van de diversiteit van de oplossingen, wat essentieel is om de ruimtelijke verdeling van de gevonden Pareto-oplossingen te begrijpen.

Daarnaast moet de betrouwbaarheid van de gebruikte detectie- en optimalisatiemethoden in de praktijk worden bevestigd door experimenten en gevalsstudies. Bijvoorbeeld, in de context van de SESATBM werd een experiment opgezet om de effectiviteit van de gebruikte methoden te verifiëren. Het experiment omvatte een 1:1 schaalmodel van een TBM met een diameter van 6 meter en een lengte van 10 meter. Dit schaalmodel, hoewel het niet in staat is om echte rots- en bodemsnijdingen te simuleren, biedt inzicht in de werkelijke prestaties van het systeem. Het werd uitgerust met een reeks sensoren die real-time gegevens verzamelden, waarna de gegevens werden geanalyseerd en geoptimaliseerd met behulp van de genoemde technieken.

De resultaten van de experimenten gaven aan dat de gebruikte detectiemodellen zeer effectief waren. De nauwkeurigheid, precisie, recall en F1-score van het BO-XGBoost model waren respectievelijk 0.9893, 0.9897, 0.9885 en 0.9891, wat duidt op een betrouwbare discriminatie van verschillende situaties in de machine. De kortere trainingstijd en de stabiliteit van het model in verschillende scenario’s zijn belangrijke factoren die de toepasbaarheid van dit systeem in real-time omstandigheden bevestigen.

Het begrijpen van de interactie tussen de algoritmeparameters, de experimentresultaten en de optimale oplossing is essentieel voor het ontwikkelen van een robuust systeem voor geavanceerde engineeringtaken zoals tunnelboringen. In de context van deze experimenten en de toegepaste methoden wordt duidelijk hoe belangrijk het is om zowel de technische als de praktische aspecten van de optimalisatie te overwegen voor succesvolle implementatie in de industrie.

Hoe kan men de risiconiveaus in tunnels nauwkeurig bepalen met behulp van dynamische gegevens en informatiefusie?

In de hedendaagse ingenieurspraktijk is het van cruciaal belang om de risico’s in ondergrondse infrastructuren, zoals tunnels, nauwkeurig te monitoren en te evalueren. De mogelijkheid om de risicosituatie tijdig te herkennen en te visualiseren kan bijdragen aan de veiligheid en effectiviteit van de constructie en het gebruik van dergelijke structuren. Een belangrijke benadering in dit proces is het gebruik van een systeem dat dynamische gegevens verzamelt en verwerkt, waarbij verschillende risicofactoren worden samengevoegd tot een integraal risicosignaal.

Bij de beoordeling van tunnelrisico’s worden verschillende variabelen in acht genomen, zoals geologische omstandigheden, ontwerpkenmerken, en mechanische eigenschappen van de tunnelstructuur. Deze variabelen worden vaak uitgedrukt in kwantitatieve termen zoals druk (C1, in KPa), temperatuur (C2, in graden Celsius), en andere fysische eigenschappen die de integriteit van de tunnel kunnen beïnvloeden. Aan de hand van deze gegevens kan men via een specifieke formule, bijvoorbeeld de Berekening van Basis Plausibiliteiten (BPA’s), de risicosituatie voor verschillende tunnelsecties berekenen.

Het voorgestelde systeem maakt het mogelijk om de risicosituatie van een tunnel in real-time te visualiseren, wat essentieel is voor de besluitvorming tijdens de constructie en het gebruik van de tunnel. Door gebruik te maken van dynamische gegevens kan het risiconiveau voortdurend worden bijgewerkt, wat ervoor zorgt dat de risicosituatie altijd accuraat is. De visualisatie van deze risico’s kan worden uitgevoerd met behulp van software zoals Dynamo, waarmee de gemeten gegevens worden omgezet in visuele representaties die het risiconiveau per tunnelsectie duidelijk maken. Deze visualisaties stellen de ingenieurs in staat om snel te reageren op potentiële gevaren, zoals wanneer een tunnelsectie een verhoogd risico vertoont door een verslechtering van de geologische omstandigheden of een defect in het ontwerp.

Daarnaast moet er aandacht worden besteed aan de invloed van ontwerpvariabelen op het risiconiveau van een tunnel. Zoals blijkt uit de resultaten van de analyses, kan een defect in het ontwerp leiden tot een aanzienlijk verhoogd risico, zelfs als de geologische omstandigheden in principe gunstig lijken. Dit benadrukt het belang van een goed doordacht ontwerp en het vermogen om risico’s die verband houden met het ontwerp op tijd te identificeren en aan te passen.

Wat verder van belang is, is dat de effectiviteit van de risicobeoordeling kan worden gevalideerd door experts in het veld. In het geval van dit systeem werden de risicoscenario’s geëvalueerd door deskundigen die betrokken waren bij de oorspronkelijke bouw van de tunnel. De resultaten van de experts kwamen overeen met de voorspelde risicosituaties, wat de betrouwbaarheid en nauwkeurigheid van het voorgestelde systeem bevestigde.

Bij de uitvoering van dergelijke analyses is het essentieel dat men niet alleen de statische gegevens van de tunnel in overweging neemt, maar ook de dynamische veranderingen die zich kunnen voordoen tijdens de bouw of het gebruik van de tunnel. De continue stroom van gegevens, zoals die verkregen via monitoringsystemen, maakt het mogelijk om de risicosituatie in real-time bij te werken. Dit betekent dat de veiligheidsniveaus van tunnels constant worden aangepast aan de hand van nieuwe gegevens, wat de algehele veiligheid en de mogelijkheid om adequaat te reageren op potentiële risico’s aanzienlijk verbetert.

Tot slot is het belangrijk te begrijpen dat, hoewel de risicobeoordeling sterk afhankelijk is van geavanceerde technologieën en methoden zoals informatiefusie en dynamische gegevensverwerking, de menselijke factor altijd een rol zal spelen. Het interpreteren van gegevens en het nemen van beslissingen op basis van deze informatie vereist de ervaring en het oordeel van de ingenieur, wat de complexiteit van tunnelveiligheidsbeheer verder vergroot.

Hoe dynamisch risicobeheer in tunnelconstructies het beslissingsproces kan verbeteren

In de context van tunnelconstructies is het belangrijk om een dynamische benadering van risicobeheer te hanteren, gezien de onvermijdelijke veranderingen in de geologische omstandigheden tijdens het bouwproces. De methodologie die wordt voorgesteld om deze dynamiek in kaart te brengen, maakt gebruik van een bewijsupdate-regel die is gebaseerd op de Dempster-Shafer theorie van bewijs. Deze benadering stelt ons in staat om risicobeoordelingen te actualiseren en te verbeteren naarmate nieuwe gegevens beschikbaar komen.

De geobserveerde gegevens worden vervolgens gecombineerd met bestaande risicoinformatie door middel van een bewijsupdate-regel, zoals uiteengezet in de vergelijkingen (12) en (13). Dit stelt ons in staat om het risico van de tunnelsecties te evalueren op verschillende momenten van de bouw. De toepassing van deze regel maakt het mogelijk om de impact van de veranderende geologische omstandigheden op het risiconiveau te begrijpen en het bestaande bewijs te herzien. De resultaten die zijn gepresenteerd in de tabellen van de tekst illustreren hoe de risicograad in verschillende tunnelsecties zich ontwikkelt naarmate de bouw vordert.

In de eerste tunnelsectie blijft het risico relatief laag, maar het vertoont een lichte stijging van 1,04 naar 1,06 tijdens de constructie. Dit suggereert dat, hoewel de geologische omstandigheden verbeteren, er nog steeds risico's zijn die tijdig geïdentificeerd moeten worden. In de tweede en derde tunnelsecties stijgt het risico, maar de secties blijven binnen de gematigde risicogroepen (niveau II). De resultaten bevestigen dat de voorgestelde bewijsupdate-regel effectief de dynamische natuur van de tunnelbouw vastlegt en nauwkeurige risicobeoordelingen oplevert op basis van de meest recente gegevens.

Een belangrijk voordeel van de voorgestelde benadering is dat het de onzekerheid die inherent is aan dergelijke risicobeoordelingen vermindert. Door het gebruik van gegevensfusie en dynamische updates wordt de onzekerheid gestaag verminderd, wat het mogelijk maakt om de resultaten met grotere zekerheid te interpreteren. Het bewijs m(¬) in de tabellen geeft het onzekerheidsniveau aan, dat afneemt naarmate de informatie-updates worden toegepast. Dit benadrukt de betrouwbaarheid van de uiteindelijke risicobeoordelingen, aangezien de nieuwste gegevens het bestaande bewijs aanvullen en de gegevensverschillen tussen risiconiveaus vergroten.

In figuren 10, 11 en 12 wordt duidelijk hoe de resultaten van risicobeoordelingen variëren met en zonder informatie-updates. Deze visuele representaties helpen de lezer te begrijpen hoe belangrijk het is om gegevens op regelmatige tijdstippen te actualiseren om een meer gedetailleerd en accuraat beeld van het risico te verkrijgen. Het gebruik van de bewijsupdate-regel resulteert in een duidelijker onderscheid tussen risiconiveaus, wat bijdraagt aan betere besluitvorming voor de veiligheid van tunnelconstructies.

Het belangrijkste punt dat hieruit naar voren komt, is dat het gebruik van dynamische risicobeoordeling, die wordt gevoed door up-to-date geologische gegevens, niet alleen de nauwkeurigheid van de beoordeling verbetert, maar ook de reactiesnelheid op veranderende omstandigheden versnelt. Dit is van cruciaal belang voor het minimaliseren van de kans op ongelukken en het waarborgen van de veiligheid tijdens het bouwproces. Het biedt niet alleen meer zekerheid, maar maakt het ook mogelijk om proactief te reageren op onverwachte veranderingen in de geologie van de bouwlocatie.

Bij de toepassing van deze benadering moeten bouwprojectmanagers en ingenieurs zich bewust zijn van de noodzaak om zowel historische als actuele gegevens voortdurend te integreren om een holistisch risicobeeld te krijgen. Door regelmatig de geologische omstandigheden te monitoren en de risicobeoordelingen bij te werken, kan het projectteam adequaat inspelen op onverwachte verschuivingen in het terrein, wat essentieel is voor het succes van de tunnelconstructie.