Deutsch
Francais
Nederlands
Svenska
Norsk
Dansk
Suomi
Espanol
Italiano
Portugues
Magyar
Polski
Cestina
Русский
Hoewel methoden voor multi-objectieve optimalisatie (MOO) erkend worden als effectieve tools voor het oplossen van problemen met conflicterende doelen en het ondersteunen van besluitvorming, is hun toepassing in bouwprojecten nog steeds beperkt. Een van de belangrijkste obstakels is dat MOO vaak meerdere optimale oplossingen oplevert, wat de besluitvorming bemoeilijkt. Bijvoorbeeld, Koo et al. [5] identificeerden tot wel 250 optimale oplossingen voor het probleem van de tijd-kostentrade-off bij tunnelprojecten via GA-optimalisatie. Deze overvloed aan optimale oplossingen kan de besluitvormers in de bouwsector overweldigen, waardoor het moeilijk wordt om de beste optie te kiezen. Daarom zijn aanvullende regels nodig om specifieke oplossingen te selecteren onder bepaalde omstandigheden, wat het optimalisatieproces complementeert en de toepasbaarheid van MOO in de bouw vergroot.
Dit hoofdstuk stelt een op genetische algoritmes (GA) gebaseerde benadering voor om conflicterende doelen in complexe bouwprojecten te optimaliseren, waarbij een compromisoplossing wordt geboden om de besluitvorming te ondersteunen. Het behandelt twee hoofdvragen: (1) hoe een besluitvormingsaanpak op basis van multi-objectieve optimalisatie ontwikkeld kan worden voor bouwprojecten, en (2) hoe deze benadering inzichten kan bieden voor belanghebbenden wanneer de omstandigheden en informatie veranderen. Een tunnelalignementproject wordt gebruikt als casestudy om de effectiviteit van de voorgestelde benadering te demonstreren. In dit geval kan de besluitvormer doelen en besluitvariabelen identificeren, relaties tussen hen construeren en het optimalisatieproces uitvoeren. De benadering levert een reeks optimale compromisoplossingen op, selecteert degene die het dichtst bij het ideale ligt als referentie voor besluitvorming, en presenteert vervolgens de uiteindelijke optimale beslissing. De casestudy toont aan dat de benadering in staat is om conflicterende doelen aan te pakken en biedt flexibiliteit door een reeks oplossingen aan te bieden, waardoor verdere analyse over meerdere dimensies mogelijk is.
Metrolijnen zijn essentieel voor de stedelijke ontwikkeling, en het optimaliseren van hun ontwerp is al jaren een belangrijk onderzoeksdoel. Bijvoorbeeld, Zhang en Chiaradia [7] analyseerden metronetwerkstructuren en ontdekten dat een ontwerp van twee elkaar overlappende ellipsen efficiënter was dan een simpele ring, waardoor de netwerkefficiëntie en betrouwbaarheid werd verbeterd. Nian et al. [8] pasten een Tabu-zoekalgoritme toe om optimale corridors voor nieuwe lijnen te identificeren, met als doel de veerkracht van het openbaar vervoer te verbeteren. Onderzoekers onderzochten ook de impact van nieuwe metrolijnen op de bestaande infrastructuur van de stad. Gu et al. [9] onderzochten de effecten op systemen voor het delen van fietsen, en Fu en Gu [10] bestudeerden de invloed op de passagiersstromen en reistijden in het vervoersnetwerk. Hoewel deze studies de impact van nieuwe metrolijnen op de stedelijke ontwikkeling benadrukten, is er weinig aandacht besteed aan het ontwerp van de alignementen tussen bestaande stations. Dit is een belangrijk gat, omdat het ontwerpen van lijnalignementen gepaard gaat met complexe factoren, vooral in volwassen gemeenschappen rondom stations.
In 1975 introduceerde professor Holland van de Universiteit van Michigan het genetische algoritme (GA), een zoekmethode geïnspireerd door biologische evolutie, die nu veel wordt toegepast om conflicterende doelen in bouwprojecten te optimaliseren [11]. GA wordt vaak gebruikt voor besluitvormingsproblemen met conflicterende doelen vanwege zijn sterke globale zoekcapaciteiten en lage algorithmische complexiteit. Het is gebaseerd op natuurlijke selectie, waarbij de sterkste individuen worden gekozen voor voortplanting om de volgende generatie te genereren. Het proces begint met het selecteren van de fitste individuen uit een initiële populatie, waarvan de nakomelingen hun kenmerken erven, wat leidt tot een verbeterde fitheid na meerdere iteraties. De laatste generatie, de Pareto-grens, vertegenwoordigt de set van niet-gedomineerde oplossingen waarbij geen enkel doel kan worden verbeterd zonder dat een ander doel wordt aangetast. Zoals geïllustreerd in figuur 1, zijn f1(x) en f2(x) de twee fitnessfuncties van de doelen in het optimalisatieprobleem. A en B zijn twee willekeurige en optimale niet-gedomineerde oplossingen op de Pareto-grens. Oplossing A heeft een grotere waarde in fitnessfunctie f2(x), maar wordt onvermijdelijk gedomineerd door oplossing B in fitnessfunctie f1(x).
Zonder enige voorkeur worden alle oplossingen op de Pareto-grens als even optimaal beschouwd. In plaats van naar een enkele oplossing te zoeken, voert GA de zoektocht uit op een set oplossingen, wat het een krachtig hulpmiddel maakt voor complexe MOO-problemen [12]. RazaviAlavi en AbouRizk [13] stelden een op GA gebaseerd optimalisatiemodel voor om de optimale oplossingen te zoeken tussen de lay-out van de bouwplaats, de bouwoperaties en de kosten. Toch, hoewel het zoeken naar een reeks oplossingen GA het voordeel biedt om het conflict tussen doelen op te lossen, zorgt de relatief brede reeks oplossingen (vaak meer dan twee) ook voor moeilijkheden in de besluitvorming. Dit komt omdat alle oplossingen op de Pareto-grens, zoals weergegeven in figuur 1, als even optimaal worden beschouwd. Nadat de optimale oplossingen van de Pareto-grens zijn verkregen, zijn er methoden nodig om de reikwijdte van de oplossingen te verkleinen.
Hoewel de waarde van MOO in bouwprojecten erkend wordt, richten de meeste studies zich momenteel op twee of drie primaire factoren, zoals planning, kosten en kwaliteit. Andere cruciale doelen, zoals systeem efficiëntie en gebruikerscomfort, hebben echter een aanzienlijke invloed op het succes van bouwprojecten. Bijvoorbeeld, bij tunnelalignementprojecten verhoogt de kopafstand de transportefficiëntie [14], en het comfortontwerp heeft invloed op het aantal passagiers en de terugverdientijd van de investering [15]. De bouw van nieuwe metrolijnen heeft invloed op verschillende stedelijke aspecten, waardoor het noodzakelijk is om factoren zoals de stadsontwikkelingsstrategie, verkeersstromen en veiligheidskwesties met betrekking tot bestaande gebouwen in overweging te nemen [10]. Daarom is het belangrijk om multi-objectieve optimalisatie in metro-lijnconstructie te benaderen met meerdere doelen. MOO in de bouw moet zowel algemene factoren (bijvoorbeeld tijd en kosten) als specifieke factoren (bijvoorbeeld systeem efficiëntie en comfortontwerp) omvatten. Het ontwikkelen van methoden voor het optimale ontwerp van metro-lijnalignement vereist een flexibele optimalisatieaanpak die meerdere dimensies kan accommoderen, wat het begrip van de MOO-uitdagingen in de bouwsector verder kan verrijken.
Het hoofdstuk stelt een op GA gebaseerde benadering voor om een optimale set compromisoplossingen voor tunnel-lijnalignement te identificeren, en uiteindelijk een geselecteerde optimale oplossing te presenteren die de besluitvorming ondersteunt. Zoals geïllustreerd in figuur 2, bestaat de benadering uit drie belangrijke stappen: (1) probleemanalyse, (2) relationele constructie, en (3) optimalisatie. Het succes van de voltooiing van bouwprojecten hangt af van talrijke onderling verbonden factoren, wat een goed georganiseerde analyse vereist om effectieve planning, ontwerp en uitvoering te ondersteunen. De eerste stap omvat het uitvoeren van een gedetailleerde analyse om besluitvariabelen, waarde-omvang, doelen, beperkingen en hun onderlinge relaties te identificeren. Deze analyse maakt de constructie van geschikte relatiefuncties tussen besluitvariabelen en doelen mogelijk, die uitgedrukt worden via fitnessfuncties voor optimalisatie. Ten slotte wordt het GA-proces toegepast om de optimalisatie uit te voeren.
Hoe kan BIM en D-S Theorie de Risicoanalyse in Tunnelbouw Verbeteren?
De bouw van tunnels, vooral in stedelijke gebieden, is een intrinsiek risicovolle onderneming. De complexiteit en onzekerheid van de ondergrondse omgeving maken de risicoanalyse voor dergelijke projecten bijzonder uitdagend. De voortdurende groei van stedelijke metro- en spoorwegsystemen, die vaak afhankelijk zijn van tunnels, benadrukt de noodzaak om risico's nauwkeurig te identificeren en te beheersen. In China bijvoorbeeld, is het aantal tunnelbouwincidenten tussen 2002 en 2016 gestegen tot 246, wat resulteerde in vertragingen, kostenoverschrijdingen en zelfs dodelijke slachtoffers. Dit illustreert niet alleen de inherente risico's van tunnelconstructie, maar ook de tekortkomingen van de traditionele, op ervaring gebaseerde risicobeheersing.
Traditioneel wordt tunnelveiligheid beheerd door middel van empirische methoden die zwaar leunen op de ervaring en documentatie van ingenieurs. Echter, deze benadering heeft haar beperkingen, vooral wanneer het gaat om complexe omgevingen en onbetrouwbare gegevens. Bovendien kunnen de gebruikelijke analytische methoden vaak niet de onderlinge relaties tussen invloedrijke factoren en de risico's die ze met zich meebrengen, goed weergeven. Dit leidt vaak tot ernstige besluitvormingsfouten die de veiligheid en efficiëntie van het project negatief beïnvloeden.
Om deze lacunes in de risicoanalyse te vullen, wordt een hybride benadering voorgesteld die gebruik maakt van de voordelen van Building Information Modeling (BIM) en Dempster-Shafer (D-S) bewijs theorie. BIM biedt uitgebreide mogelijkheden voor dataverwerking en visualisatie, terwijl D-S theorie een robuuste methodologie biedt voor het omgaan met de vagueness en onzekerheid van gegevens. Het combineren van deze twee technologieën maakt het mogelijk om niet alleen risiconiveaus te visualiseren, maar ook dynamisch te reageren op veranderende omstandigheden.
In dit verband wordt een hybride aanpak gepresenteerd die BIM, gerelateerde technologieën en D-S bewijs theorie combineert om de risicoanalyse van tunnelbouw te verbeteren. De kern van deze benadering is de integratie van een visuele interface, zoals Dynamo, die gebruikers in staat stelt om risiconiveaus in real-time te volgen. Dit zorgt ervoor dat risicobeheerders snel de huidige risicostatus kunnen waarnemen en onmiddellijk de nodige maatregelen kunnen nemen. Dit draagt bij aan een snellere en meer informatieve besluitvorming, wat essentieel is voor het beheersen van de complexe risico's die gepaard gaan met tunnelconstructie.
De toegevoegde waarde van deze hybride benadering komt voort uit de mogelijkheid om risicostatussen dynamisch bij te werken. Door een regel voor informatie-updating toe te passen, kunnen veranderingen in de omgeving of de voortgang van de tunnelboring direct worden weerspiegeld in het risicomodel. Dit maakt het mogelijk om de risicoperceptie in real-time aan te passen aan nieuwe informatie, waardoor de aanpak reactiever wordt ten opzichte van veranderende omstandigheden. Daarnaast zorgt het opnemen van een informatiefusie-regel ervoor dat de nauwkeurigheid en de zekerheid van risicobeoordelingen aanzienlijk wordt verhoogd, wat cruciaal is voor het verminderen van de impact van onzekerheden in de gegevens.
Het gebruik van D-S bewijs theorie is van bijzonder belang, omdat deze theorie goed omgaat met onvolledige of onduidelijke gegevens. In plaats van te vertrouwen op harde feiten, biedt D-S een probabilistische benadering die de mate van geloofwaardigheid van verschillende gegevensbronnen integreert. Dit maakt het mogelijk om risico's op een meer holistische en flexibele manier te beoordelen, wat een belangrijk voordeel biedt in de onzekere wereld van tunnelbouw.
De voorgestelde aanpak maakt het mogelijk om risico's niet alleen visueel weer te geven, maar ook in real-time bij te werken, wat het potentieel biedt voor proactieve risicobeheersing. In plaats van slechts af te wachten tot een probleem zich voordoet, kunnen betrokkenen onmiddellijk reageren op veranderingen in risiconiveaus. Dit kan helpen om onvoorziene risico's tijdig te identificeren en te mitigeren, waardoor de algehele veiligheid en efficiëntie van tunnelbouwprojecten verbetert.
Naast de bovengenoemde technologieën, moeten risicobeheerders ook rekening houden met de specifieke geotechnische en operationele omstandigheden van elk tunnelingproject. Tunnelboringen kunnen, afhankelijk van de bodemgesteldheid en de diepte van de tunnel, variërende risico's met zich meebrengen, zoals bodemvervorming en waterlekken. Het is daarom van cruciaal belang om geavanceerde modellen te gebruiken die zowel de geotechnische eigenschappen van de bodem als de operationele parameters van de tunnelboringmachine in overweging nemen. Gegevens die voortkomen uit sensoren en monitoringapparatuur, zoals drukmeters en grondwatermonitoring, kunnen bijdragen aan het verder verfijnen van de risicoanalyse, waardoor de kans op onvoorziene gebeurtenissen wordt verkleind.
De dynamische aard van de voorgestelde benadering maakt het ook mogelijk om de effectiviteit van risicobeperkende maatregelen te evalueren en bij te stellen op basis van real-time gegevens. Dit draagt bij aan een voortdurende verbetering van het risicomanagementproces en zorgt ervoor dat tunnelbouwprojecten beter voorbereid zijn op onverwachte uitdagingen.