Hoe worden TBM-houdingsparameters nauwkeurig voorspeld met behulp van diepe leermodellen?

In de analyse van de prestaties van een boormachine voor tunnels (TBM) is het van cruciaal belang om de houdingsparameters zoals horizontale en verticale afwijkingen en hun tijdsverloop betrouwbaar te voorspellen. De gepresenteerde studie maakt gebruik van een geavanceerd diep leermodel, een Convolutional Gated Recurrent Unit (C-GRU), dat de niet-lineaire relaties tussen tijdreeksen van TBM-kenmerken en de houdingsparameters weet te modelleren en te voorspellen.

De trainingsfase gebruikte een dataset waarin de tijdreeksdata in segmenten van 256 samples werd opgedeeld en getraind met een lage leersnelheid (2 × 10⁻⁵) over 600 epochs, waarbij 80% van de data sequentieel werd gebruikt voor training en 20% voor testen. Validatie met 25% van de trainingsdata voorkwam over- en onderfitting. De MSE- en MAE-waarden toonden aan dat het model sneller convergeert bij kortere voorspellingen, maar stabiele convergentie bereikt rond de 400e epoch. Fluctuaties in MAE zijn groter, wat duidt op de complexiteit in de voorspelling van de exacte houdingswaarden.

Het model produceert multi-step voorspellingen waarbij het voorspelde traject van houdingsparameters over meerdere tijdstappen vooruit kan worden bepaald. Voor een voorspelling van 21 stappen bleef de nauwkeurigheid zeer hoog, met een R²-waarde van 0,9652 voor HDA en minimale degradatie voor andere parameters ondanks de soms sterke fluctuaties. Dit toont niet alleen de precisie, maar ook de robuustheid van het model aan. Het langer voorspellen biedt inzicht in de dynamiek over tijd, wat essentieel is voor engineering toepassingen waarin toekomstige houdingen cruciaal zijn voor de planning en sturing van de machine.

Robuustheid werd geëvalueerd via een door de studie voorgestelde norm waarbij een verandering in R² van meer dan 10% tussen opeenvolgende voorspellingen als onstabiel wordt gezien. Dit gebeurde pas bij de 22e stap bij VDT (13,99%), wat suggereert dat voorspellingen tot ongeveer 21 stappen voor engineeringdoeleinden betrouwbaar kunnen worden toegepast. Deze afweging benadrukt het belang van een balans tussen voorspellingshorizon en accuraatheid.

Een verdere gevoeligheidsanalyse, uitgevoerd via de RBD-FAST methode, identificeerde de inputkenmerken die het meest bijdragen aan de voorspellingen van het model. Dit helpt niet alleen bij het interpreteren van het model, maar kan ook leiden tot gerichte monitoring van kritieke sensoren en parameters in de praktijk.

Hoe kan de C-GRU-methode de nauwkeurigheid van multi-step voorspellingen voor TBM-houding verbeteren?

De ontwikkeling van tunnelingtechnologie heeft wereldwijd een aanzienlijke groei doorgemaakt, mede door de efficiënte inzet van tunnelboormachines (TBM). Deze machines zijn onmisbaar geworden in ondergrondse bouwprojecten vanwege hun snelheid, veiligheid, kostenefficiëntie en gebruiksgemak. Echter, ondanks hun voordelen, kunnen afwijkingen in de positie van de TBM het tunnelingproces verstoren, wat kan leiden tot veiligheidsrisico’s, vertragingen en hogere kosten. Om deze risico’s te minimaliseren, is het essentieel om nauwkeurige en betrouwbare voorspellingen te maken over de houding en positie van de TBM.

In de context van TBM-voorspellingen blijkt de traditionele aanpak, waarbij alleen één stap wordt voorspeld, onvoldoende om de complexiteit van het tunnelingproces accuraat te modelleren. De C-GRU-methode (Convolutional Gated Recurrent Unit) biedt een significante verbetering ten opzichte van bestaande methoden door multi-step voorspellingen mogelijk te maken. Dit houdt in dat niet alleen de huidige positie van de TBM wordt voorspeld, maar ook de toekomstige houding over meerdere tijdstappen, wat cruciaal is voor het behouden van de nauwkeurigheid van het boorproces in de tijd.

De C-GRU-methode is gebaseerd op drie belangrijke stappen: gegevensverzameling en preprocessing, modelopbouw en prestatiebeoordeling. In de eerste stap worden de tunneldgegevens geëxtraheerd en onderworpen aan een correlatietest om de betrouwbaarheid van de invoer te waarborgen. Gegevensnormalisatie en het herstructureren van de gegevens zijn essentieel om de invoer geschikt te maken voor het model. De tweede stap bestaat uit het bouwen van een diep neuraal netwerk dat meerdere lagen bevat, waaronder 1D convolutionele lagen, max-pooling lagen, en GRU-lagen, gevolgd door volledig verbonden lagen. Het model wordt geoptimaliseerd met behulp van de RMSprop-methode en de MSE (Mean Squared Error) als verliesfunctie. Tot slot wordt de effectiviteit van het model geëvalueerd met behulp van de MAE (Mean Absolute Error) en R2-score als prestatie-indicatoren.

Bovendien, na 64 tijdstappen als invoer, kan de C-GRU-methode de houding van de TBM voor maximaal 21 stappen voorspellen. Dit bevestigt de robuustheid van het model over langere periodes, wat cruciaal is voor langlopende tunnelingprojecten. De voorspelde TBM-houding is bijzonder gevoelig voor de houding van de TBM van de afgelopen 21 tijdstappen, vooral de laatste 11. Dit biedt waardevolle inzichten voor ingenieurs die verantwoordelijk zijn voor de aansturing van de TBM. Het identificeren van de meest gevoelige tijdstappen stelt operators in staat om sneller en efficiënter in te grijpen, wat de nauwkeurigheid van het tunnelingproces verbetert.

Naast de technologische voordelen die de C-GRU-methode biedt, is het ook van belang om de praktische implicaties voor de dagelijkse werking van TBM’s te begrijpen. In de praktijk wordt de effectiviteit van het model sterk beïnvloed door de kwaliteit van de inputgegevens. Het is van cruciaal belang dat de gegevens grondig worden voorbehandeld en gevalideerd voordat ze worden gebruikt voor voorspellingen. De kwaliteit van de gegevens kan namelijk de algehele prestaties van het model beïnvloeden. Verder moet worden opgemerkt dat de robuustheid van het model niet alleen afhangt van de architectuur van het netwerk, maar ook van de nauwkeurigheid van de gegevens die het model voedt.

Hoe kan het detecteren van storingen in tunnelboormachines (TBM) de efficiëntie verbeteren?

De betrouwbaarheid van een Tunnelboormachine (TBM) is cruciaal voor het succes van tunnelingprojecten, waar zelfs kleine mechanische storingen kunnen leiden tot aanzienlijke vertragingen en verhoogde kosten. Een van de belangrijkste componenten van de TBM is het snijdgereedschap, specifiek de slijtage van de snijschijven (cutter heads) en de bijbehorende systemen, die het functioneren van de machine sterk beïnvloeden. Dit artikel onderzoekt de oorzaken van storingen in TBM-systemen, met de focus op de mechanismen van falen en de benaderingen die kunnen helpen bij het voorspellen en diagnosticeren van deze storingen.

De meeste storingen in TBM’s kunnen worden toegeschreven aan slijtage van de lagers en andere kritische systemen zoals de schroefmechanismen. Deze slijtage komt vaak voor tijdens langdurige booroperaties, waar componenten als lagers (figuur 2e) en schroeven (figuur 2f) intensief worden belast. Storingen worden vaak geïdentificeerd als lagerschade (BW) en schroefslijtage (SW), die beide de prestaties van de TBM drastisch kunnen verminderen. Andere veelvoorkomende oorzaken zijn defecten in het aandrijfsysteem voor de duwkracht (X8), verslechtering van de afdichtingsmaterialen (X9) en storingen in het schroefmechanisme (X10). Het is daarom essentieel om storingen in deze systemen tijdig te identificeren en te begrijpen.

Om de dynamische aard van deze storingen te begrijpen, is het gebruik van een gedetailleerd detectiesysteem noodzakelijk. Het Fault Detection Framework (DFT) biedt een solide basis voor het modelleren van de temporele risicofactoren die aan de basis liggen van storingen in complexe systemen zoals TBM’s. Dit systeem maakt gebruik van verschillende dynamische logica-poorten om de afhankelijkheden tussen componenten te simuleren en zo inzicht te krijgen in de waarschijnlijkheid van falen op basis van tijdsintervallen.

Een belangrijk onderdeel van deze benadering is de integratie van het DFT met een dynamisch Bayesian Network (DTBN), wat helpt bij het vereenvoudigen van de rekenkundige complexiteit die gepaard gaat met DFT-berekeningen. Dit hybride model combineert de voordelen van de statische foutenlogica van traditionele DFT-systemen met de kracht van dynamische poorten zoals Priority AND (PAND) en Sequence Enforcing (SEQ), die een nauwkeurigere voorspelling mogelijk maken van systeemgedrag over de tijd.

Het proces van storingdetectie begint met het identificeren van de specifieke faalmechanismen in het systeem. Dit houdt in dat we informatie verzamelen over de oorzaken en gevolgen van storingen binnen de componenten, het identificeren van risicofactoren die de prestaties kunnen beïnvloeden, en het systematisch documenteren van deze attributen. Het begrijpen van de faalmechanismen in de context van een TBM vereist zowel theoretische kennis als praktische ervaring, vaak verkregen door gesprekken met experts in het veld.

Er zijn drie hoofdfasen in de exploratie van faalmechanismen binnen tunnelingprojecten. De eerste fase is het verwerven van bestaande kennisbronnen, zoals bouwnormen, technische handleidingen en de tacit knowledge die verzameld is door middel van gesprekken met vakdeskundigen. In de tweede fase wordt relevante informatie verzameld over systeemcondities en processtromen, die de prestaties van het systeem kunnen beïnvloeden. De derde fase houdt in dat er relaties worden vastgesteld tussen deze variabelen, waarbij de verschillende invloeden van storingen en de gevolgen ervan in overweging worden genomen.

Een belangrijke uitdaging bij het implementeren van deze methodologie is het omzetten van dynamische foutpoorten naar een Bayesian netwerk. Dit vereist het ontwikkelen van nieuwe formele modellen die de kansverdeling van dynamische poorten zoals PAND en SEQ kunnen representeren zonder dat er grote multidimensionale waarschijnlijkheidstabellen nodig zijn. Het succes van deze aanpak is afhankelijk van het vermogen om condities zoals de volgorde en het tijdstip van falen van de verschillende componenten binnen het netwerk nauwkeurig te simuleren.

Bijvoorbeeld, de PAND-poort wordt gebruikt om de interactie tussen afhankelijke componenten te modelleren. Deze poort komt pas in een storingsstaat wanneer alle invoercomponenten in een gespecificeerde volgorde falen. Door de overgang van deze poort zorgvuldig te analyseren, kunnen we de kans berekenen dat de gehele systeemprestatie faalt op basis van de individuele fouten van de componenten. Dit helpt om de risicogebieden binnen het systeem te identificeren en gerichte verbeteringen door te voeren.

De integratie van deze geavanceerde foutdetectiemethoden maakt het mogelijk om storingen in TBM-systemen niet alleen in realtime te detecteren, maar ook om preventieve maatregelen te nemen op basis van voorspelde falen. Dit verhoogt de algehele efficiëntie en betrouwbaarheid van tunnelingprojecten aanzienlijk. Het is cruciaal om naast de technische aspecten van het falen ook de operationele en onderhoudsprocedures in overweging te nemen, aangezien menselijk falen of onvoldoende training van personeel ook bijdragen aan systemische storingen.