Hoe Online HMM Kan Worden Gebruikt Voor Geologische Risico Voorspelling

In de geologie is het van cruciaal belang om de ondergrondse risico’s, zoals aardverschuivingen of bodeminstabiliteit, tijdig te voorspellen om schade aan infrastructuur te voorkomen. In dit kader heeft het gebruik van Online Hidden Markov Models (OHMM) zich bewezen als een krachtig hulpmiddel voor het voorspellen van geologische risico’s. Het OHMM kan worden ingezet voor zowel het interpreteren van verborgen geologische risico's op basis van beschikbare waarnemingen, als het voorspellen van toekomstige geologische risico's wanneer er nog geen waarnemingen beschikbaar zijn.

Het proces begint met het verkrijgen van een model dat de volgende staat voorspelt, afhankelijk van de vorige toestand. Dit wordt bereikt door het ‘next_ob’ te vullen met een model dat de toekomstige waarnemingen van geologische toestanden weerspiegelt, zoals beschreven in de voorgestelde procedure. Dit is belangrijk omdat het model in staat is om de overgang van de ene geologische toestand naar de andere te begrijpen, zelfs als de waarnemingen onvolledig of onzeker zijn.

De evaluatie van de prestaties van dit model wordt gedaan aan de hand van de log-likelihood fout. Dit kwantificeert het verschil tussen de meest waarschijnlijke toestanden die het model voorspelt en de werkelijke toestanden. Door de gebruikelijke Viterbi-algoritme toe te passen, kan het model de meest waarschijnlijke reeks van verborgen toestanden berekenen tot een bepaald tijdstip, en daarmee de log-likelihood vergelijken met de werkelijke log-likelihood van de werkelijke geologische toestanden. Dit proces biedt een mate van nauwkeurigheid die helpt te bepalen hoe goed het model de geologische risico’s voorspelt.

Het gebruik van OHMM kan ook goed worden geïllustreerd met een voorbeeld uit de praktijk. In een tunnelcase in Singapore, die 915 tunnelringen beslaat, werd de geologische risico-informatie verzameld uit verschillende boringen en observaties. In dit geval werd de bodem geklasseerd volgens de gestandaardiseerde Amerikaanse bodemclassificatie, waarbij drie hoofdcategorieën van risico werden gedefinieerd: laag (sands), medium (fine-grained soils) en hoog (soft soils). Het model houdt rekening met onzekerheden in de waarnemingen, zoals ontbrekende gegevens of meerdere records, en biedt een classificatie van geologisch risico in vier hoofdtypen: laag, gemiddeld, hoog en onzeker.

Bij de ontwikkeling van het model werd gebruikgemaakt van de gestructureerde waarnemingen en de verborgen toestanden, waarbij het model zowel de bestaande geologische risico’s interpreteerde als de toekomstige risico’s voorspelde. Dit was een cruciaal aspect, aangezien de waarnemingen in de tunnel alleen sporadisch beschikbaar waren, en het model in staat moest zijn om geologische risico’s te voorspellen op plekken waar geen data aanwezig waren.

Het voorspellen van geologische risico's vereist meer dan alleen de toepassing van algoritmes. Het vraagt om een diepgaand begrip van de bodemsoorten, de onderliggende geologische structuren en de manier waarop deze risicofactoren zich verhouden tot de gemeten waarnemingen. Bovendien moeten we erkennen dat er altijd onzekerheden zijn in de waarnemingen. Zo kunnen boringen die met grote tussenpozen zijn uitgevoerd, een onnauwkeurig beeld geven van de werkelijke geologische situatie, vooral wanneer de eigenschappen van de bodem sterk variëren over korte afstanden.

Er is ook een risico dat het model niet in staat is om plotselinge veranderingen in de bodemstructuur of onverwachte geologische verschijnselen te voorspellen, aangezien dergelijke veranderingen vaak niet goed worden weerspiegeld in historische gegevens. Het is dan ook essentieel om het model regelmatig bij te werken met nieuwe waarnemingen en de vooruitzichten van geologische risico’s constant te evalueren en bij te stellen.

Naast het verbeteren van de modelnauwkeurigheid, zou het ook waardevol zijn om de betrouwbaarheid van het model verder te onderzoeken in verschillende geologische omgevingen en met verschillende types van bodemgesteldheden. Het begrijpen van de beperkingen van het model en de omstandigheden waaronder het het beste presteert, is van cruciaal belang voor een succesvolle implementatie in de praktijk. Geologische risicovoorspellingen zijn vaak een iteratief proces, waarbij modellen steeds opnieuw worden getest en verfijnd op basis van nieuwe gegevens en waarnemingen.

Hoe TBM-gegevens en historische tijdstappen de nauwkeurigheid van modelvoorspellingen verbeteren

Deze kenmerken helpen bij het vastleggen van de interactie van de TBM-machine met de omgeving en de veranderende factoren tijdens het tunnelen, waarbij de waarden variëren in de loop van de tijd. Sommige van deze kenmerken worden gegenereerd op basis van de verstrekte gegevens, zoals de verandering in de coördinaten van de TBM in elke tijdstap, wat het pad van de machine beschrijft. Naast de positie wordt de penetratiesnelheid van de TBM ook meegenomen om de snelheid van de graafactiviteit te regelen, evenals de aarddruk die als een gemiddelde wordt berekend van de sensorwaarden aan de linker- en rechterzijde van de TBM. Deze gegevens geven samen een gedetailleerd overzicht van de toestand van de TBM tijdens de boring.

Naast de operationele parameters die de houding van de TBM beheersen, zoals de horizontale en verticale afwijking van de TBM-tail, worden ook de duwkrachten van de cilinders in verschillende groepen gemeten (A, B, C, D). In het Deep Reinforcement Learning (DRL)-algoritme zijn er vier acties die betrekking hebben op de duwkrachten en twee toestanden die de afwijkingen meten. Deze gegevens worden getraind in een tijdreeksvoorspellingsmodel, dat gebruik maakt van twee historische tijdstappen voor het aanpassen van de operationele parameters van de TBM.

Bij de ontwikkeling van het model wordt een Adam-optimalisatie-algoritme met een leersnelheid van 0,005 gebruikt om het LSTM-gebaseerde model te trainen voor de gesimuleerde omgeving. Een leerplan wordt ook toegepast, waarbij de leersnelheid automatisch wordt aangepast om de training te optimaliseren. Het model wordt verder geoptimaliseerd door een grid search, waarbij de hyperparameters zorgvuldig worden gekozen om de beste instellingen voor de leersnelheid te vinden.

Het model wordt getraind op 4500 monsters uit de dataset, terwijl 1000 monsters worden gebruikt voor de testfase, en de resterende 500 monsters voor de beoordeling van de prestaties van het DRL-algoritme. De training wordt gedurende 100 epochs gevolgd, waarbij de prestaties worden beoordeeld op basis van verlies- en nauwkeurigheidsmetingen. De resultaten tonen aan dat het model effectief wordt getraind, aangezien de verlieswaarden in de loop van de tijd snel afnemen en uiteindelijk stabiliseren.

Wanneer de prestaties van het model worden getest met verschillende aantallen historische tijdstappen, blijkt dat twee historische stappen de beste resultaten opleveren, met een R2-waarde van 0,86 voor de horizontale afwijking en 0,92 voor de verticale afwijking. Het gebruik van slechts één tijdstap levert een lagere R2-waarde op, wat de voordelen van het gebruik van twee tijdstappen benadrukt.

Het gebruik van Long Short-Term Memory (LSTM)-netwerken om de afwijkingen van de TBM te voorspellen, wordt vergeleken met andere geavanceerde technieken, zoals Convolutional Neural Networks (CNN), hybride CNN-LSTM-netwerken en transformer-netwerken op basis van LSTM. De vergelijkende studie laat zien dat LSTM de beste prestaties levert voor het voorspellen van de TBM-afwijkingen, waardoor het een waardevol instrument is voor het verbeteren van de operationele efficiëntie van TBM’s in tunnelbouwprojecten.

Het is essentieel om te begrijpen dat de betrouwbaarheid van de voorspellingen sterk afhankelijk is van de kwaliteit en de representativiteit van de historische gegevens die worden gebruikt voor het trainen van het model. Hoe meer historische gegevens beschikbaar zijn, hoe nauwkeuriger het model kan reageren op veranderingen in de omgeving. Het gebruik van meerdere tijdstappen helpt niet alleen bij het verbeteren van de nauwkeurigheid van de voorspellingen, maar maakt het ook mogelijk om beter te anticiperen op de toekomstige toestand van de TBM, wat de algehele efficiëntie van het tunnelboorproces kan verbeteren.

Hoe kan de herverdeling van de hydraulische cilinderdruk efficiënt en betrouwbaar worden geoptimaliseerd?

In de complexe wereld van de tunnelbouw, waarin krachtige machines zoals de Synchronous Excavation and Segment Assembly (SESA) TBM worden gebruikt, is de juiste verdeling van hydraulische cilinderdruk essentieel voor de stabiliteit en efficiëntie van het proces. Deze hoofdstuk richt zich op het optimaliseren van de drukverdeling binnen een hydraulisch systeem door middel van een gedetailleerde analyse van twee belangrijke doelstellingen: het minimaliseren van de drukvariantie en het minimaliseren van de verandering van de druk per cilinder.

De eerste doelstelling (Y1) richt zich op het minimaliseren van de drukvariantie na herverdeling. Deze benadering zorgt ervoor dat elke hydraulische cilinder een vergelijkbare drukbelasting ondergaat, wat belangrijk is om ongelijke belasting en mogelijke schade aan het systeem te voorkomen. Een voorbeeld wordt gegeven waarin de druk in twee cilinders wordt geoptimaliseerd van de waarden [100, 20] naar [40, 80] of [80, 40]. Hoewel beide nieuwe configuraties als valide worden beschouwd voor Y1, is de tweede optimalisatiestrategie beter, omdat deze een kleinere belasting op het besturingssysteem legt en efficiënter is in termen van uitvoering.

De tweede doelstelling (Y2) is gericht op het minimaliseren van de verandering in druk tussen de toestand vóór en na de herverdeling. Dit wordt bereikt door de Euclidische afstand van de drukverandering te minimaliseren, waardoor het systeem minder abrupt reageert en de efficiëntie van het proces wordt verbeterd. Het optimaliseren van zowel Y1 als Y2 zorgt ervoor dat de herverdeling van de hydraulische cilinderdruk niet alleen effectief is, maar ook betrouwbaar.

Naast de klassieke benadering van drukoptimalisatie, wordt in dit hoofdstuk een verbeterde versie van de Aritmetische Optimalisatie Algoritme (AOA) voorgesteld, die specifiek is aangepast voor online-updates. Het traditionele AOA-algoritme is al bekend om zijn snelle convergentiesnelheid en sterke adaptieve vermogen, maar in de context van realtime tunnelboringen is de mogelijkheid om online aanpassingen te maken cruciaal. De online AOA maakt het mogelijk om de drukverdeling continu te optimaliseren terwijl de cilinders in werking zijn. Gedurende de eerste 10 seconden van een nieuwe segmentassemblage wordt de druk in de cilinders real-time gemeten en geoptimaliseerd, wat zorgt voor voortdurende verbetering van de prestaties zonder dat de machine in rust hoeft te gaan.

Het proces van online optimalisatie verloopt in twee fasen: de exploratiefase en de exploitatiefase. In de exploratiefase wordt het oplossingsgebied breed onderzocht om gebieden te identificeren die mogelijk de optimale oplossingen bevatten. Na deze verkenning worden in de exploitatiefase de beste oplossingen verder verfijnd. De AOA maakt gebruik van wiskundige operatoren zoals deling (D), vermenigvuldiging (M) en aftrekking (S) om de zoekruimte effectief te doorzoeken, en de parameterinstellingen worden dynamisch aangepast om de zoekresultaten te verbeteren.

De combinatie van drukvariantie-optimalisatie, het minimaliseren van drukveranderingen en het gebruik van een online AOA-aanpak creëert een krachtig hulpmiddel voor het verbeteren van de efficiëntie en veiligheid van hydraulische systemen in tunnelbouw. Door deze methoden te implementeren, kunnen we ervoor zorgen dat de systemen niet alleen optimaal functioneren, maar ook adaptief blijven in veranderende omstandigheden, wat essentieel is voor de succesrate van grote tunnelboringen en segmentassemblages.

Hoe kan AOA-technologie de drukverdeling in hydraulische cilinders optimaliseren?

In het kader van de ontwikkeling van geavanceerde technologieën voor tunnelboormachines (TBM), is de optimalisatie van de hydraulische cilinderdruk een essentieel onderwerp geworden. De drukverdeling speelt een cruciale rol bij het minimaliseren van spanningsconcentraties tijdens de segmentassemblage van tunnels. Het gebruik van geavanceerde algoritmen, zoals de AOA (Angle of Arrival) optimalisatiemethode, heeft bewezen effectiever te zijn dan traditionele methoden, vooral in dynamische scenario’s waarin real-time aanpassingen vereist zijn.

De online AOA-optimalisatie, in vergelijking met offline benaderingen, biedt aanzienlijke voordelen in de nauwkeurigheid en snelheid van de drukredistributie. Een belangrijk voordeel van online AOA is dat het in staat is om in real-time aanpassingen te maken, wat bijdraagt aan een betere afstemming op de werkelijke omstandigheden van de TBM. Dit zorgt ervoor dat de systeemparameters constant worden geoptimaliseerd om spanningsconcentraties te verminderen, wat anders kan leiden tot structurele schade of inefficiënt gebruik van energie.

In experimenten is aangetoond dat de online AOA-optimalisatie de nauwkeurigheid met 30,5% kan verbeteren ten opzichte van offline benaderingen. De snelheid van de online methode is een andere belangrijke factor; de berekeningen worden binnen enkele seconden uitgevoerd, terwijl offline benaderingen vaak aanzienlijk meer tijd vereisen voor optimalisatieprocessen. Dit maakt de online AOA-technologie bijzonder geschikt voor toepassingen waarbij tijd en precisie van groot belang zijn.

Een ander opvallend aspect is de effectiviteit van AOA in termen van ruimteverdeling. De AOA-algoritme biedt een betere spreiding van de oplossingen in vergelijking met andere evolutie-algoritmen, zoals NSGA-II of MOEA. Dit betekent dat AOA sneller en efficiënter een breder bereik van oplossingen kan genereren, wat essentieel is voor het afstemmen van de systeeminstellingen over verschillende scenario’s. De AOA-methode biedt dus niet alleen een snelle convergentie maar ook een bredere en meer representatieve dekking van mogelijke operationele omstandigheden.

Wanneer AOA wordt gecombineerd met krachtige machine learning-methoden, zoals BO-XGBoost, ontstaat er een nog robuustere oplossing voor het optimaliseren van de hydraulische cilinderdruk. De combinatie van deze technieken levert indrukwekkende prestaties op in termen van nauwkeurigheid en robuustheid. In experimenten bleek BO-XGBoost de hoogste nauwkeurigheid te behalen, met een F1-score van 0.9891, wat een significante verbetering betekent ten opzichte van traditionele methoden zoals AdaBoost en SVM.

Wat verder opvalt is dat de integratie van online optimalisatie, door het gebruik van zowel AOA als BO-XGBoost, de mogelijkheid biedt om in real-time de prestaties van de hydraulische cilinders te monitoren en aan te passen. Dit biedt niet alleen voordelen op het gebied van efficiëntie, maar ook van betrouwbaarheid, wat essentieel is voor de operationele effectiviteit van tunnelboormachines die werken onder variabele en dynamische omstandigheden.

Hoewel de voordelen van AOA en BO-XGBoost in theoretische en experimentele omgevingen duidelijk zijn, is het ook belangrijk om te benadrukken dat de werkelijke effectiviteit van deze technologieën sterk afhankelijk is van de kwaliteit van de gegevens en de implementatie van het optimalisatieproces. De nauwkeurigheid van de sensoren en de mogelijkheid om deze technologieën in real-time te integreren met de bestaande TBM-systemen zijn cruciaal voor het succes van deze benadering.

Met de verdere ontwikkeling van zowel machine learning-technieken als optimalisatie-algoritmen, kan de toekomst van tunnelboortechnologie gericht zijn op steeds meer verfijnde methoden voor het beheersen van de hydraulische druk en het optimaliseren van de prestaties van TBM’s. De integratie van online AOA-optimalisatie kan een belangrijke rol spelen in de evolutie van deze technologieën, waardoor de efficiëntie, snelheid en veiligheid van tunnelboorprojecten aanzienlijk verbeteren.