Hoe kan de druk in hydraulische cilinders van een SESA TBM actief en optimaal worden geregeld?

De drukverdeling in hydraulische cilinders binnen een Synchronous Excavation and Segment Assembly (SESA) Tunnelboormachine (TBM) vormt een essentieel aandachtspunt in het streven naar structurele stabiliteit en mechanische efficiëntie. Het fenomeen van spanningsconcentratie dat zich voordoet tijdens het segmentassemblageproces vormt een structureel risico voor de prestaties van het systeem. Om dit probleem tegen te gaan, moet een actieve regeling van de hydraulische druk worden geïmplementeerd, gebaseerd op online multi-objectieve optimalisatie. Dit maakt het mogelijk de druk tussen meerdere cilinders op intelligente wijze te herverdelen.

De hydraulische cilinders van een TBM vormen het directe aandrijfmechanisme van de graaf- en montagecomponenten. Hun prestaties hebben directe invloed op zowel de efficiëntie als de betrouwbaarheid van het gehele systeem. Traditioneel werd het gedrag van deze cilinders benaderd met empirische, numerieke en experimentele methoden. Deze technieken kennen echter aanzienlijke beperkingen: menselijke beoordeling is onderhevig aan interpretatieverschillen, numerieke simulaties zijn computationeel kostbaar, en experimentele methoden zijn weinig schaalbaar en traag in ontwikkeling.

De opkomst van machine learning heeft een paradigmaverschuiving veroorzaakt. Data-gedreven modellen maken het mogelijk om de status van hydraulische cilinders met hoge nauwkeurigheid te voorspellen en te controleren. In het bijzonder geldt druk als een primaire prestatieparameter, waarbij realtime voorspellingen direct kunnen bijdragen aan de stabiliteit van het mechanisch systeem. Daarnaast is de voorspelling van de slaglengte, reactietijd en positie van cilinders cruciaal bij de trajectcontrole van het boorschild. Door machine learning-modellen te voeden met historische data en omgevingsparameters kan een hoge mate van controle worden bereikt.

Ondanks deze vooruitgang blijft actieve coördinatie tussen meerdere cilinders onderbelicht. De synchronisatie van cilinders in de SESA TBM vereist een vorm van samenwerking die verder gaat dan eenvoudige statusmonitoring. Het gaat hier om een diepgaand begrip van de onderlinge afhankelijkheden tussen cilinders tijdens kritieke processen zoals segmentassemblage, waarbij de geometrie en positie van de segmenten een directe invloed uitoefenen op de werkstatus van individuele cilinders.

De drukoptimalisatie binnen dit systeem bestaat uit drie stappen. Ten eerste wordt het bouwscenario geanalyseerd en worden de statusverschillen van de hydraulische cilinders vastgesteld. Vervolgens wordt met het BO-XGBoost-model de status van elke cilinder gedetecteerd. Ten slotte wordt via de online AOA het optimale drukverdelingsschema gegenereerd. De effectiviteit van dit raamwerk ligt in zijn vermogen om gelijktijdig meerdere prestatiecriteria te optimaliseren, zoals minimale spanningsconcentratie, maximale stabiliteit en continue operationele efficiëntie.

De structurele configuratie van de SESA TBM draagt bij aan het unieke karakter van deze drukverdeling. De machine maakt gebruik van twee hydraulische subsystemen: één aan de voorzijde voor excavatie en één in het middenschild voor segmentassemblage. Beide modules zijn scharnierend verbonden en kunnen vergrendeld of vrijgegeven worden naargelang de technische noodzaak. De integratie van extra cilinders tussen deze modules maakt gelijktijdige bediening mogelijk – een fundamenteel verschil ten opzichte van conventionele TBM's.

Bij de assemblage van segmenten is de cilinderstatus sterk afhankelijk van het type segment (B, H of K) en de positie ervan binnen de ringstructuur. Eén ring bestaat uit drie B-segmenten, twee H-segmenten en één K-segment. De combinatie van deze segmenten resulteert in zeven mogelijke statussen voor de hydraulische cilinders tijdens montage. Dit maakt een standaardaanpak voor drukregeling ineffectief, en vereist dus een adaptieve en intelligente controlemethode.

Hoe kan de tijd voor reparaties en feedbackanalyse de prestaties van TBM-systemen optimaliseren?

Ondergrondse werkruimten brengen aanzienlijke beperkingen met zich mee, vooral als het gaat om de tijdige uitvoering van onderhoud en reparaties. Het beheren van de tijd voor kleine of routinematige reparaties vereist zorgvuldige overweging, aangezien de ruimte en de omstandigheden in de werkruimte vaak beperkt zijn. Om deze onzekerheid te adresseren, werd een enquête verspreid onder veertien experts die betrokken waren bij de bouw van het DCS (dynamisch controlesysteem) van een Tunnel Boring Machine (TBM). Deze experts, negen domeinspecialisten met minimaal vijf jaar ervaring en vijf hoogleraren, werden gevraagd twee cruciale vragen te beantwoorden. Ten eerste: op welk niveau van onbetrouwbaarheid is een kleine reparatie noodzakelijk? En ten tweede: op welk niveau van onbetrouwbaarheid is een normale reparatie vereist? De resultaten gaven aan dat ten minste 80% van de experts het erover eens was dat een kleine reparatie nodig is wanneer de onbetrouwbaarheid de 0.10 overschrijdt, terwijl een normale reparatie nodig is wanneer de onbetrouwbaarheid de 0.20 overschrijdt.

Op basis van deze bevindingen werden twee indicatoren voorgesteld: T10 en T20. T10 vertegenwoordigt het moment waarop een kleine reparatie noodzakelijk is (wanneer de onbetrouwbaarheid 0.10 bereikt), en T20 markeert het moment waarop een normale reparatie moet worden uitgevoerd (wanneer de onbetrouwbaarheid 0.20 bereikt). Deze tijdstippen werden bepaald via de lineaire interpolatiemethode, die de specifieke tijdspunten voor T10 en T20 berekent, zoals geïllustreerd in figuur 8.

De feedbackanalyse speelt een cruciale rol bij het identificeren van de waarschijnlijkste oorzaken van falen binnen het systeem. Dit gebeurt door middel van diagnostische analyses binnen een Bayesiaanse inferentie, waarbij waargenomen informatie over een specifieke gebeurtenis de kansverdeling van de oorzaken bijwerkt. Als een falen wordt waargenomen, moeten de oorzaken met de hoogste kansverdeling nauwlettend worden gevolgd. Bij de CTF kan dit betekenen dat er speciale aandacht moet worden besteed aan de vier worteloorzaken, die geïdentificeerd worden als X5, X6, X7 en X8. De kansverdeling voor deze oorzaken varieert, afhankelijk van de staat van de CTF, die in vier fasen wordt verdeeld: veilig (δS), iets gevaarlijk (δSD), gevaarlijk (δD) en extreem gevaarlijk (δED).

De MTTF (Mean Time to Failure) is een waardevolle indicator die complexere kansverdelingen omvormt tot concrete, bruikbare getallen. Dit biedt een praktisch instrument voor de kwantitatieve beoordeling van de prestaties van de TBM-systemen. Door deze indicatoren te gebruiken, kunnen ingenieurs beter voorspellen wanneer bepaalde componenten waarschijnlijk zullen falen, wat essentieel is voor het plannen van reparaties en het optimaliseren van de bedrijfsvoering.

In deze context is het van groot belang om de prestaties van het systeem in realtime te blijven monitoren en de tijdstippen voor reparaties, zoals T10 en T20, voortdurend aan te passen. Dit stelt het team in staat om adequaat in te grijpen voordat de prestaties van het systeem een kritiek niveau bereiken.

Hoe kan BIM en Dempster Shafer Theorie bijdragen aan Risicoanalyse in Tunnelbouw?

De snelle vooruitgang en het wijdverspreide gebruik van Building Information Modeling (BIM) biedt een veelbelovende oplossing voor het risicomanagement in de bouw. BIM wordt beschouwd als de technologie van de toekomst, die traditionele 2D-tekenmethoden zoals computer-aided design (CAD) ver overstijgt. Sinds de introductie is BIM snel uitgegroeid tot een belangrijk hulpmiddel in de bouwsector, dankzij de voordelen die het biedt, zoals multidimensionale mogelijkheden, interactieve functies en informatie-uitwisselingsmogelijkheden. De platformen van BIM stellen gebruikers in staat om engineeringinformatie uit dynamische omgevingen te extraheren, wat het bouwbeheer aanzienlijk verbetert. Bovendien maakt de visualisatiecapaciteit van BIM het gemakkelijker om risicogebieden te identificeren en passende maatregelen te treffen.

De D-S bewijs theorie is een effectieve methode voor het fusioneren van informatie uit verschillende bronnen. Het biedt de mogelijkheid om met onvolledige of onnauwkeurige gegevens te werken, door de onzekerheid te behandelen als een probabilistische spreiding. In tegenstelling tot traditionele waarschijnlijkheidstheorie, waarbij bewijs slechts aan één specifieke gebeurtenis wordt gekoppeld, maakt de D-S theorie het mogelijk om bewijs aan meerdere gebeurtenissen of sets van bewijs te koppelen. Dit maakt de theorie bijzonder nuttig voor risicomanagement in complexe en onzekere situaties zoals tunnelbouwprojecten.

Door BIM en D-S bewijs theorie te combineren, kan een hybride model worden ontwikkeld dat het risicomanagement in ondergrondse tunnelconstructies aanzienlijk verbetert. Het model maakt gebruik van dynamische gegevens om de risicoloop in real-time te visualiseren, waardoor de kans op risico’s onmiddellijk zichtbaar wordt. Het biedt een visueel overzicht van risicogebieden, wat besluitvormers helpt om sneller en effectiever maatregelen te treffen. Bovendien kan het dynamische karakter van de gegevens de bewustwording van de risico’s verbeteren, wat cruciaal is voor het nemen van tijdige en goed geïnformeerde beslissingen tijdens de bouwfase.

Binnen dit hybride model wordt een API ontwikkeld die noodzakelijke informatie uit het BIM-platform haalt. Daarnaast wordt de D-S theorie geïntegreerd om de gegevens te combineren en de risico’s te perceiveren. Dynamo, een plug-in tool binnen BIM, wordt gebruikt voor de visualisatie van de risico’s. Een bewijs-update regel maakt het mogelijk om continu de risicostatus bij te werken, wat zorgt voor een accurate en actuele beoordeling van de situatie. Door deze tools te integreren, biedt dit model een krachtige oplossing voor risicobeoordeling in tunnelbouwprojecten.

Hoe Tunnelbouwrisico’s te Beheren: Toepassing van Deep Neural Networks voor Grondzetting en Veiligheidsmaatregelen

Tunnelbouw is een complex en risicovol proces, waarbij de veiligheid van zowel de constructie als de omliggende structuren nauwlettend in de gaten moet worden gehouden. Een van de belangrijkste aspecten van tunnelbouw is het beheer van risico’s die voortvloeien uit de verticale en laterale verplaatsingen van de grond. Grondzetting is een kritieke factor bij het inschatten van de potentiële schade aan naastgelegen gebouwen en infrastructuur, vooral in stedelijke gebieden waar bestaande structuren dicht bij de geplande tunnelroute liggen.

Grondzetting speelt een belangrijke rol in de risicoanalyse voor tunnels, vooral bij ondiepe tunnels. Overmatige zetting kan leiden tot aanzienlijke schade aan omliggende structuren, zoals scheuren, verplaatsingen, lekkages en andere defecten. Dergelijke schade heeft niet alleen invloed op de stabiliteit van de gebouwen, maar kan ook de operationele prestaties van systemen, zoals ondergrondse leidingen of nutsvoorzieningen, negatief beïnvloeden. Gezien de complexe interactie tussen tunnelwerkzaamheden, de omliggende grond en gebouwen, is het essentieel om deze onderlinge relaties grondig te begrijpen. Dit biedt niet alleen de mogelijkheid om risico’s beter te voorspellen, maar ook om effectieve maatregelen te nemen ter bescherming van zowel ondergrondse als bovengrondse faciliteiten.

Een deep neural network is bijzonder effectief voor het voorspellen van tunnelgerelateerde risico’s, omdat het in staat is om meerdere risicofactoren tegelijkertijd te voorspellen, wat een voordeel biedt ten opzichte van andere modellen zoals Support Vector Machines (SVM) of Random Forests (RF). DNN’s kunnen automatisch de juiste kenmerken uit de gegevens extraheren en optimaliseren, waardoor de behoefte aan handmatige feature-extractie wordt verminderd. Dit maakt het mogelijk om de effectiviteit van veiligheidsmaatregelen en het risico van grondzetting te voorspellen met een hoge mate van nauwkeurigheid. Bovendien kunnen DNN’s niet alleen risicofactoren identificeren, maar ook aanbevelingen doen voor risicobeheersing, wat een belangrijke stap vooruit is in het verbeteren van de veiligheid in tunnelbouwprojecten.

De kracht van DNN’s ligt in hun vermogen om grote hoeveelheden complexe gegevens te verwerken en patronen te ontdekken die met traditionele methoden moeilijk te herkennen zijn. Dit maakt het mogelijk om een betrouwbaar model te ontwikkelen dat de interactie tussen de tunnel, de grond en de omliggende structuren kan simuleren. Het integreren van deze modellen met geavanceerde optimalisatietechnieken, zoals gradient descent optimization (GDO), maakt het mogelijk om niet alleen de risico’s nauwkeurig te voorspellen, maar ook om specifieke strategieën te ontwikkelen die deze risico’s minimaliseren.

Bovendien biedt het gebruik van DNN’s in combinatie met multi-objective optimization (MOO) methoden de mogelijkheid om meerdere doelstellingen tegelijkertijd te optimaliseren, zoals kostenbeheersing, tijdsduur van de bouw en de impact op de omliggende infrastructuur. Dit is essentieel in een tunnelproject, waar vaak conflicterende belangen spelen tussen verschillende risicofactoren en projectbeperkingen. Door een DNN-meta-model te gebruiken, kunnen engineers niet alleen de veiligheid van de tunnel zelf verbeteren, maar ook een bredere benadering ontwikkelen die rekening houdt met de complexiteit van het gehele project.

Hoewel de toepassing van machine learning in tunnelbouw veelbelovend is, blijft het een uitdaging om de voorspellingen van deze modellen effectief te vertalen naar concrete risicobeperkingen. Het identificeren van optimale invoervariabelen en het verkrijgen van betrouwbare voorspellingen zijn noodzakelijke stappen, maar het is even belangrijk om ervoor te zorgen dat deze inzichten niet alleen theoretisch blijven, maar daadwerkelijk in de praktijk kunnen worden toegepast.

Hoe kan het optimaliseren van de tunneltechnologie risico's verminderen en de efficiëntie verhogen?

Het optimaliseren van tunneling in de bouw, met behulp van geavanceerde technieken zoals DNN (Deep Neural Networks) en GDO (Gradient Descent Optimization), biedt aanzienlijke voordelen voor zowel de veiligheid als de efficiëntie. Door nauwkeurig risicofactoren te voorspellen en deze in real-time te optimaliseren, kunnen grote risico's die gepaard gaan met de tunnelbouw aanzienlijk worden verminderd. Dit geldt zowel voor de tunnel zelf als voor de omliggende structuren en omgevingen.

In dit kader spelen de aanpassing van variabelen en het zorgvuldig afstemmen van operationele parameters een cruciale rol. De drie belangrijkste variabelen, namelijk de roterende snelheid van de snijder (x9), de operationele parameters (x11), en de bouwgerelateerde aspecten (x12), hebben het meeste effect op de kwaliteit van de optimalisatie en op de risicovermindering. Het is gebleken dat wanneer deze drie sleutelvariabelen worden aangepast, de optimalisatie aanzienlijk wordt verbeterd, met een gemiddelde verbetering van 56,3% voor de twee belangrijkste doelstellingen.

Het experiment toont aan dat het aanpassen van enkel de variabele x9, die de roterende snelheid van de snijder regelt, het grootste effect heeft op de afstand tussen de werkelijke oplossing en de ideale oplossing. Dit leidt tot een verbetering van 0,008%, wat een belangrijke bijdrage levert aan het reduceren van tunnelrisico's. Wanneer daarnaast x11 en x12 worden aangepast, kan de verbetering verder toenemen. Dit maakt het mogelijk om snel de grootste risico’s te identificeren en te verkleinen door middel van gerichte aanpassingen aan de meest invloedrijke parameters.

De methode die in dit onderzoek wordt gepresenteerd, biedt de mogelijkheid om niet alleen de risico’s van de tunnelbouw nauwkeurig te voorspellen, maar ook om concrete maatregelen te formuleren om deze risico’s te mitigeren. Dit gebeurt niet door traditionele, op ervaring gebaseerde methoden, maar door een systematische benadering die rekening houdt met een breed scala aan factoren en die zich richt op de meest significante variabelen. Door het gebruik van een hybride algoritme, dat zowel DNN voor risicopredictie als GDO voor optimalisatie combineert, kunnen de prestaties worden geoptimaliseerd en kunnen veiligheidsgaranties op een objectieve manier worden geboden.

Bijvoorbeeld, de snijderrotatiesnelheid (x9) kan het beste worden verlaagd in het bereik van -5% tot -3% om de risico’s van tunnelinschaling te minimaliseren. Dit leidt tot een toename van de veiligheid van het tunnelingproces. Het combineren van variabelen x9 en x11 biedt ook een substantieel verbeterde oplossing, waarbij de meest optimale waarden in de grafieken van figuren 12, 13 en 14 worden aangegeven. In deze visualisaties wordt het gewenste resultaat weergegeven voor de aanpassing van de geselecteerde parameters over 500 uitkomsten, wat weer het belang van precisie en detail in de tunneloptimalisatie benadrukt.

Bij het integreren van dergelijke benaderingen binnen de planning en uitvoering van tunnelprojecten, kan niet alleen de tunnelveiligheid aanzienlijk worden verhoogd, maar kan ook de algehele efficiëntie van de bouwprocessen verbeteren. Het gebruik van dergelijke optimalisatiealgoritmen maakt het mogelijk om risico's niet alleen te voorspellen maar ze actief te verminderen door het dynamisch aanpassen van de parameters tijdens het werk.