Hoe kan onzekerheid de besluitvorming in tunnelaanleg beïnvloeden?

In de praktijk kunnen beslissingen over de selectie van tunnelingstechnologieën sterk worden beïnvloed door onzekerheden, zowel in de beoordeling van alternatieven als in de simulatie van de mogelijke uitkomsten. De resultaten van een gedetailleerde analyse van een casestudy tonen aan dat de voorkeuren van de alternatieven kunnen variëren afhankelijk van de mate van onzekerheid die in de evaluaties wordt meegenomen. In dit onderzoek is de onzekerheid gemodelleerd door middel van simulaties die de invloed van verschillende variabelen op de uiteindelijke rangorde van alternatieven in de tunnelselectie demonstreren.

Bij het evalueren van de resultaten kwam naar voren dat er niet altijd een vaste rangorde was. Door de onzekerheid in de simulaties varieerden de rangschikkingen van de alternatieven tussen de iteraties. Dit werd duidelijk geïllustreerd door de spreiding van de afstanden tot de PIS en NIS in de simulatie (Fig. 5). Dit benadrukt de instabiliteit die kan optreden wanneer het besluitvormingsproces afhangt van subjectieve en kwalitatieve beoordelingen, zelfs als er met kwantitatieve methoden wordt gewerkt.

Naast de algemene beoordeling van de alternatieven werd een gevoeligheidsanalyse uitgevoerd om de impact van de verschillende criteria op de uiteindelijke beslissing te onderzoeken. De gevoeligheid van het alternatief A4 bleek vooral te worden beïnvloed door factoren zoals de bodemomstandigheden (C5) en de veiligheid van de constructie (C14). Deze factoren toonden de grootste positieve invloed, terwijl de factor die de grootste negatieve invloed had, de impact van de tunneltechnologie op oppervlakteverstoring (C7), was. Het begrijpen van deze gevoeligheidsfactoren is cruciaal voor belanghebbenden, aangezien deze aspecten directe gevolgen kunnen hebben voor zowel de uitvoering van het project als de veiligheid en de kosten.

In tegenstelling tot wat men zou verwachten, kan de keuze van de beste technologie, ondanks de onzekerheid, soms in verschillende simulaties variëren. Dit werd bijvoorbeeld duidelijk toen in 137 van de 1000 iteraties het alternatief A3 als de optimale keuze werd geïdentificeerd in plaats van A4. Dit resultaat benadrukt de noodzaak voor besluitvormers om rekening te houden met de mogelijkheid van variabele uitkomsten wanneer ze werken met onzekere data, zoals de subjectieve beoordelingen van een evaluatieteam.

De bevindingen tonen ook aan dat de mate van onzekerheid in de evaluatieprocessen invloed heeft op de betrouwbaarheid van de uiteindelijke rangschikkingen. De gevoeligheid voor onzekerheid werd verder onderzocht door het toepassen van verschillende onzekerheidsfactoren op de evaluatieparameters. Het bleek dat kleinere onzekerheidsfactoren resulteerden in meer stabiele en voorspelbare uitkomsten, terwijl grotere onzekerheden de variabiliteit in de rangorde vergrootten.

Wat de implicaties betreft, moeten ingenieurs en besluitvormers zich bewust zijn van de intrinsieke onzekerheden die gepaard gaan met de evaluatie van tunnelingstechnologieën. De simulatie kan nuttige inzichten bieden, maar de invloed van externe factoren zoals de locatie van het project, de technische specificaties van de gebruikte apparatuur en zelfs de omgevingsomstandigheden kunnen niet altijd volledig worden geanticipeerd. Een zorgvuldige afweging van deze onzekerheden en een grondige gevoeligheidsanalyse zijn essentieel voor het nemen van weloverwogen beslissingen.

Hoewel het model van onzekerheid hier verkennend wordt toegepast, is het van belang dat het niet alleen gaat om de rangschikking van alternatieven, maar ook om het begrijpen van de factoren die het beslissingsproces beïnvloeden. Besluitvormers moeten zich realiseren dat er altijd een mate van variabiliteit in de uitkomsten zal zijn, zelfs bij het gebruik van de meest geavanceerde methoden. Het beheersen van deze onzekerheden, door bijvoorbeeld robuustere simulaties of het gebruik van andere evaluatiemethoden, kan helpen om de risico’s van verkeerde besluitvorming te minimaliseren.

Hoe kan slimme constructiemethoden de tunnelbouw verbeteren?

Slimme constructiemethoden bieden een veelbelovende toekomst voor de tunnelbouw, met het potentieel om zowel de efficiëntie als de veiligheid van projecten aanzienlijk te verbeteren. De ontwikkelingen op dit gebied zijn relatief nieuw, maar de technieken die momenteel in gebruik zijn, vertonen veelbelovende resultaten. Dit hoofdstuk onderzoekt verschillende slimme benaderingen en hun toepassing in tunnelbouwprojecten, met speciale aandacht voor geavanceerde voorspellings- en analysemethoden die de traditionele processen transformeren.

Een andere belangrijke innovatie is de karakterisering van geologische kenmerken via de DTW-Kmedoids hybride algoritme. Dit tijdreeks clustering-algoritme combineert Dynamic Time Warping (DTW) voor het meten van overeenkomsten en K-medoids voor robuuste classificatie. De methode vereist geen voorafgaande kennis van geologische categorieën en maakt gebruik van grote hoeveelheden TBM-operationele gegevens om nauwkeurige geologische feedback te leveren. Dit stelt ingenieurs in staat om de TBM-operaties in real-time aan te passen aan de geologische omstandigheden.

Op het gebied van geologische conditiedetectie wordt een computervisie-gebaseerde benadering voorgesteld om geologische voorwaarden te identificeren tijdens TBM-operaties. Door gebruik te maken van mobiele netwerktechnologieën en de Dempster-Shafer Theory (DST) voor informatiefusie, kunnen geologische kenmerken betrouwbaar worden geclassificeerd op basis van beelden van geëxtraheerde grond die via de transportband van de TBM wordt vervoerd. Deze techniek bleek vooral effectief in een tunnelproject in Singapore, waar het mogelijk was om de geologische risico’s beter in te schatten en de TBM-operaties aan te passen.

De betrouwbaarheid van de tunnelwand is van cruciaal belang voor de veiligheid van een tunnelproject. De Monte Carlo (MC)-copula-methodologie is ontwikkeld om de stabiliteit van de tunnelwand betrouwbaar te analyseren door de gezamenlijke kansverdeling van variabelen te modelleren. In een case study van het metroproject in Wuhan werd deze methode toegepast om de betrouwbaarheid van de excavatiewand te evalueren, zelfs bij beperkte waarnemingen, wat resulteerde in een efficiënter gebruik van beschikbare gegevens.

Naast de geologische aspecten speelt de keuze van tunneling apparatuur ook een belangrijke rol. De Cloud-TOPSIS-methode combineert de techniek van de “Technique for Order Preference by Similarity to Ideal Solution” (TOPSIS) met een cloudmodel om onzekerheid in de selectie van de optimale tunnelmethode te beheersen. Deze aanpak is getest in het Wuhan Metro Line 2-project en bleek een nuttige beslissingstool te zijn, vooral in complexe engineeringomgevingen waar veel variabelen de uitkomst beïnvloeden.

Ook de voorspelling van TBM-prestaties heeft aanzienlijke vooruitgangen geboekt. De C-GRU-methode, die gebruik maakt van een combinatie van een 1D-convolutionele neurale netwerken (CNN) en een gated recurrent unit (GRU)-netwerk, heeft de nauwkeurigheid van langetermijnvoorspellingen van TBM-prestaties aanzienlijk verbeterd. Dit model werd gevalideerd met data uit een tunnelproject in Singapore, waar het in staat was om betrouwbare voorspellingen te doen over de houding van de TBM over meerdere fasen van het tunnelen.

Ten slotte biedt de geavanceerde houdingcontrole van de TBM via Deep Reinforcement Learning (DRL) veelbelovende resultaten. Door de ruimtelijke en temporele dynamiek van de TBM te integreren in een LSTM-netwerk, kan de positionering van de TBM nauwkeuriger en efficiënter worden bestuurd. Deze methode werd gevalideerd met behulp van echte tunneldata uit Singapore en verbeterde de voorspellende nauwkeurigheid van het systeem aanzienlijk, wat resulteerde in efficiëntere en betrouwbaardere tunnelingoperaties.

Naast deze technologische vooruitgangen is het belangrijk om te begrijpen dat de implementatie van slimme systemen in de tunnelbouw niet alleen afhankelijk is van de technologie zelf, maar ook van de integratie van deze technologieën in de bredere context van het projectmanagement. De technologische innovaties moeten zorgvuldig worden afgewogen tegen de kosten, de impact op de operaties en de bestaande infrastructuur. Het is eveneens essentieel dat er voldoende kennis en training beschikbaar zijn voor ingenieurs en projectmanagers, zodat ze optimaal gebruik kunnen maken van deze nieuwe technologieën. Het toepassen van kunstmatige intelligentie, machine learning en data-analysemethoden vereist niet alleen technologische aanpassing, maar ook een verandering in de manier van denken en werken binnen de tunnelbouwsector.

Hoe kan Deep Learning en Optimalisatie de Prestaties van TBM Verbeteren?

Het gebruik van deep learning en optimalisatietechnieken biedt aanzienlijke voordelen voor de controle en verbetering van de prestaties van Tunnel Boring Machines (TBM). In dit verband is een meta-model ontwikkeld, gebaseerd op een spatio-temporele voorspellingsaanpak, die historische en actuele gegevens van de belangrijkste TBM-operatieparameters gebruikt om de prestaties van de TBM nauwkeurig te voorspellen. Dit model maakt het mogelijk om de besturing van de TBM in real-time aan te passen, wat direct voordelen biedt voor zowel de operators als de operationele efficiëntie.

De resultaten van dit deep learning model zijn veelbelovend. De training laat zien dat de verliesfunctie in de beginfasen snel daalt, wat aangeeft dat het model zich effectief aanpast aan de data. Na ongeveer 20 epochs bereiken de modellen hun optimale prestaties, zoals blijkt uit de lage waarden van de verliesfunctie, zowel voor de trainings- als validatiefases. Dit is een indicatie dat het model goed in staat is om de werkelijke prestaties van de TBM te voorspellen, met minimale fouten die binnen de aanvaardbare grenzen liggen.

Wat verder de effectiviteit van het model aantoont, zijn de resultaten van de optimalisatie via de NSGA-II algoritme. Het gebruik van 200 datasets uit een testperiode (1000-1200) wordt geoptimaliseerd om de ideale besturingsparameters voor de TBM te vinden. De geoptimaliseerde parameters worden vervolgens gebruikt in de intelligentie-module van het digitale twin-systeem, waardoor de operatoren de prestaties van de TBM in real-time kunnen volgen en bijsturen. De voorgestelde aanpak maakt het mogelijk om de TBM-operaties te optimaliseren, met behoud van de grenzen die zijn ingesteld voor de werkelijke operationele omstandigheden. Deze aanpak voorkomt dat de geoptimaliseerde resultaten onrealistisch worden of schade aan de TBM veroorzaken.

Na optimalisatie blijken de prestaties van de TBM aanzienlijk verbeterd te zijn, ongeacht de mate van beperking die op de parameters werd toegepast. De gemiddelde boorsnelheid kan bijvoorbeeld worden verhoogd van 40.230 mm/min naar 50.931 mm/min, terwijl de over-excavatie, het energieverbruik en de slijtage van de gereedschappen respectievelijk kunnen worden verlaagd. Dit resulteert in een gemiddelde verbetering van ongeveer 21,12% in de algemene prestaties van de TBM. Deze verbetering benadrukt de effectiviteit van de online optimalisatiemethode en het belang van een intelligent systeem voor de besturing van de TBM.

Bij het toepassen van de methode wordt de betrouwbaarheid van het voorgestelde meta-model geëvalueerd door verschillende statistische maatstaven zoals MAE (Mean Absolute Error), RMSE (Root Mean Square Error) en R². De resultaten tonen aan dat de voorspellingen van het model nauwkeurig zijn, met lage foutmarges en hoge correlaties tussen de voorspelde en werkelijke prestaties van de TBM. Dit biedt operators waardevolle inzichten in de operationele prestaties van de TBM en stelt hen in staat om weloverwogen beslissingen te nemen met betrekking tot de boorstrategie en optimalisatie van de machine.

Het belang van dit type technologie voor de toekomst van tunnelboringen kan niet genoeg benadrukt worden. De integratie van digitale tweelingen en slimme optimalisatiemodellen zal niet alleen de operationele efficiëntie verbeteren, maar ook de duurzaamheid van de TBM verhogen, door onnodige slijtage te verminderen en de levensduur van de machines te verlengen. In een steeds competitievere markt voor infrastructuurprojecten kan deze aanpak helpen om kosten te verlagen, prestaties te verhogen en de algehele projecttijden te verkorten.