Hoe Ensemble Learning en Dempster-Shafer Theorie de Geologische Identificatie tijdens Tunnelbouw Kunnen Verbeteren

Het verbeteren van de nauwkeurigheid van diepgaande leermodellen is een belangrijk onderwerp in de moderne technologie, en veel studies hebben aangetoond dat ensemble learning hierbij kan helpen. Het concept van ensemble learning houdt in dat meerdere modellen samenwerken om een beter resultaat te behalen. Dit principe kan worden toegepast op MobileNet-modellen, die als basismodellen fungeren, waarbij de resultaten van deze modellen worden gecombineerd om een beter generalisatievermogen te bereiken. Echter, wanneer verschillende basismodellen verschillende resultaten presenteren, is het noodzakelijk om een betrouwbare benadering te ontwikkelen om deze resultaten te integreren en zo de beste voorspelling te bereiken.

Een nieuw methodisch raamwerk dat gebruikmaakt van ensemble MobileNet-modellen in combinatie met DST, wordt aangeduid als EMNet, en heeft als doel de geologische omstandigheden die tijdens de tunnelbouw worden aangetroffen, met hoge nauwkeurigheid te identificeren. Dit model biedt niet alleen verbetering in de classificatie van de grondsoorten, maar maakt het ook mogelijk om de invloedrijke kenmerken die bijdragen aan de geologische identificatie te identificeren via de SHAP (Shapley Additive Explanations)-methode. Deze methode biedt verdere interpretatie van het ontwikkelde model, waardoor duidelijk wordt welke factoren het meeste gewicht dragen in het identificatieproces.

Geologische vooronderzoeken, bijvoorbeeld via boorgaten, zijn al jarenlang een gangbare methode voor het verkrijgen van geologische informatie voorafgaand aan de tunnelbouw. Toch biedt deze benadering slechts beperkte informatie, aangezien het slechts een beperkt aantal punten bestrijkt en extrapolatie naar andere gebieden vaak niet nauwkeurig is. Bovendien zijn booronderzoeken kostbaar en tijdrovend, en het verkrijgen van gedetailleerde geologische informatie via boorgaten kan leiden tot vertragingen in het project.

In tegenstelling tot destructieve methoden, bieden niet-destructieve technieken zoals seismische en akoestische methoden de mogelijkheid om zonder extra boorgaten de geologische toestand van het terrein te analyseren. Dit maakt het mogelijk om de tunneloperaties ononderbroken voort te zetten. Er zijn verschillende niet-destructieve technologieën die al met succes zijn toegepast, zoals grondpenetratie-radar en seismische sensoren, maar deze methoden vereisen vaak complexe apparatuur die niet altijd breed inzetbaar is door de hoge kosten.

Met de opkomst van machine learning en deep learning zijn er nieuwe kansen ontstaan om geologische omstandigheden te detecteren via slimme methoden die gebruik maken van de enorme hoeveelheden gegevens die moderne tunnelboormachines genereren. Dit maakt het mogelijk om de geologische conditie aan de voorkant van de tunnelboormachine in real-time te voorspellen. Echter, de toepassing van deze methoden wordt soms belemmerd door een aantal beperkingen, zoals de onduidelijkheid over de mechanismen van het voorspellen op basis van eerdere boorparameters. Daarnaast moeten geologische gegevens vaak nog steeds handmatig worden ingevoerd, wat de weg naar volledig autonome tunnelboormachines belemmert.

Naast de specifieke technieken zoals ensemble learning, DST en SHAP, is het essentieel voor de lezer te begrijpen dat het succes van deze aanpakken sterk afhankelijk is van de kwaliteit en kwantiteit van de beschikbare data. Geologische data kunnen variëren in complexiteit, en de juiste verwerking van deze gegevens is van cruciaal belang voor het bereiken van betrouwbare resultaten. Bovendien is het van belang dat de modellen goed worden afgestemd op de unieke omstandigheden van elke tunnelproject, aangezien de geologische variabiliteit per locatie sterk kan verschillen. De integratie van deze geavanceerde technieken kan niet alleen de geologische identificatie verbeteren, maar ook bijdragen aan de grotere visie van autonome tunnelboormachines die minimale menselijke tussenkomst vereisen voor veilige en efficiënte tunnelbouw.

Hoe kan Deep Reinforcement Learning (DRL) de Nauwkeurigheid van de TBM Staartbeweging Verbeteren?

De DRL-aanpak maakt gebruik van een geavanceerd neuraal netwerk, waarbij het Adam-optimalisatie-algoritme wordt toegepast om de netwerken van de 'actor' en de 'critic' continue aan te passen. Dit proces is ontworpen om te reageren op de specifieke uitdagingen van de TBM-operatie. Elk netwerk bestaat uit drie verborgen lagen, die elk 128 neuronen bevatten en geactiveerd worden door een sigmoidfunctie. In dit systeem worden ook verschillende hyperparameters ingesteld, zoals de discountwaarde van 0.99, de beleidsruis die normaal verdeeld is met een standaarddeviatie afhankelijk van de afwijkingen van de TBM, en de bijwerkingssnelheid van het netwerk om een stabiele leeromgeving te garanderen.

De verbeterde prestaties van de DRL worden verder bevestigd door visuele weergaven van de afwijkingen, die duidelijk maken dat de afwijkingen onder DRL-consistente condities veel minder variabel zijn dan bij handmatige bediening. Dit wordt ondersteund door de resultaten van de Bland-Altman-plots, die de consistentie van de resultaten vergelijken tussen handmatige en DRL-besturing. In de meeste gevallen liggen de verschillen binnen de 95%-consistentiebanden, wat aantoont dat de DRL-aanpak niet alleen effectiever is, maar ook betrouwbaar blijft.

De verdeling van de stuwkracht in de vier verschillende cilindergroepen wordt verder geanalyseerd, en hoewel de handmatige bediening verschillende fluctuaties vertoont, blijkt dat DRL een veel betere balans van krachten biedt. De dichtheidsplots van de stuwkrachten bevestigen de superioriteit van DRL, aangezien de krachten gelijkmatiger en consistenter over de verschillende cilinders worden verdeeld. Dit resulteert in een stabilisatie van de TBM-beweging en een afname van de mechanische belasting op de machine, wat belangrijk is voor de lange termijn betrouwbaarheid en efficiëntie van het boren.

Het gebruik van DRL in TBM-besturing toont niet alleen de effectiviteit van het systeem in het verbeteren van de nauwkeurigheid, maar ook in het creëren van een robuuste en betrouwbare besturingsmethode voor complexe booromgevingen. De voordelen van deze technologie zijn evident, vooral wanneer het gaat om het automatisch aanpassen van de houding van de TBM met minimale interventie van de operator.

Hoe wordt de status van hydraulische cilinders gedetecteerd en geoptimaliseerd in segmentassemblage?

Bij de assemblage van segmenten in een bouwscenario, zoals beschreven in de verschillende fasen van de sectie, is het essentieel om de status van de hydraulische cilinders te kennen en te optimaliseren. Deze cilinders, die verschillende segmenten van het bouwwerk op hun plaats houden, hebben specifieke kenmerken die per scenario verschillen. Het proces van segmentassemblage vereist dat bepaalde cilinders worden ingetrokken, afhankelijk van het segment dat wordt geïnstalleerd. Dit proces is verder gecompliceerd door de noodzaak om de druk van de cilinders te optimaliseren om spanningsconcentraties te voorkomen, die anders kunnen ontstaan door onjuiste cilinderinstellingen.

In de eerste fase van de assemblage moet het juiste segment en de bijbehorende cilinderstatus worden geselecteerd. Voor elke assemblagefase, van B-1 tot K-segmenten, wordt een bepaald aantal cilinders ingetrokken. Dit moet zorgvuldig worden gepland om de druk optimaal te verdelen, wat kan worden gedaan door middel van een geavanceerd classificatiemodel voor cilinderstatusdetectie. Dit model helpt bij het identificeren van de precieze status van elke cilinder en draagt bij aan het proces van drukoptimalisatie.

De assemblage begint vaak met het B-1 segment, waarbij de cilinders 9, 10, 11, en 12 moeten worden ingetrokken, gevolgd door de volgende segmenten, zoals B-2 en B-3. Deze segmenten vereisen telkens andere cilinders om in de juiste status te worden gebracht voor een soepele installatie. Tegelijkertijd moet er ook rekening worden gehouden met de assemblage van de L-segmenten, waarbij de hydraulische cilinders die al voor een ander segment zijn ingetrokken, niet onterecht weer worden uitgetrokken, wat onnodige belasting kan veroorzaken.

Het belang van de status van de hydraulische cilinders is niet alleen een technische vereiste voor de assemblage zelf, maar ook een veiligheidsmaatregel. Onjuiste cilinderstanden kunnen leiden tot overmatige druk, wat niet alleen de efficiëntie van het proces vermindert, maar ook gevaarlijke situaties kan veroorzaken. Daarom is het belangrijk dat het systeem om de status van de cilinders te detecteren nauwkeurig en betrouwbaar is. Hier komt machine learning in beeld, vooral het gebruik van het XGBoost-model, dat speciaal is ontworpen voor het omgaan met classificatieproblemen.

Het XGBoost-model maakt gebruik van een geavanceerde aanpak waarbij de status van de cilinders wordt geclassificeerd op basis van zeven verschillende bedrijfsmodi, die essentieel zijn voor het bepalen van de beste cilinderinstellingen. Dit wordt verder geoptimaliseerd door Bayesian optimization, waarmee de hyperparameters van het model worden aangepast om de nauwkeurigheid van de statusdetectie te maximaliseren. Dit proces maakt het mogelijk om real-time te voorspellen welke cilinders moeten worden ingetrokken en welke uitgetrokken, op basis van de specifieke scenario’s die zich tijdens de assemblage voordoen.

Het drukoptimalisatieproces zelf bestaat uit een herverdeling van de hydraulische cilinderdrukken, zodat deze gelijkmatig en efficiënt over het systeem wordt verdeeld. Dit wordt gedaan door middel van een optimalisatiemodel dat de drukverdeling van de cilinders herconfigureert om de belasting in elke fase van de assemblage te minimaliseren. De beslissing om dit te doen is afhankelijk van de specifieke scenario’s die zich voordoen, zoals aangegeven in de scenarioanalyse.

De drukverdeling is een van de kritische aspecten van het hydraulische systeem, aangezien het ervoor zorgt dat de cilinders niet worden overbelast, wat kan leiden tot schade of verminderde prestaties van het systeem. Het optimaliseren van de cilinderdruk vermindert niet alleen de mechanische belasting, maar verlengt ook de levensduur van de cilinders en verbetert de algehele prestaties van de assemblage. Dit maakt de combinatie van statusdetectie en drukoptimalisatie niet alleen noodzakelijk voor de efficiëntie, maar ook voor de veiligheid van het bouwproces.

Een belangrijk punt dat vaak over het hoofd wordt gezien, is dat de drukoptimalisatie niet alleen afhangt van de status van de cilinders, maar ook van de fysieke eigenschappen van de cilinders zelf, zoals hun capaciteit en de snelheid waarmee ze kunnen bewegen. Daarom moeten deze parameters in het ontwerp van het model worden geïntegreerd om een evenwichtige benadering van zowel de cilinderstatus als de drukverdeling te waarborgen.

Het detectiemodel en de drukoptimalisatie moeten altijd worden afgestemd op de specifieke omstandigheden van de bouwsite. Dit betekent dat de machine learning-modellen regelmatig moeten worden herzien en aangepast om nieuwe gegevens en veranderingen in de bouwomstandigheden te integreren. Een statisch model dat geen ruimte biedt voor aanpassing kan op lange termijn leiden tot inefficiëntie en verhoogde risico’s.

Het gebruik van geavanceerde machine learning-technieken, zoals XGBoost en Bayesian optimization, in combinatie met een gedetailleerde scenarioanalyse, stelt ingenieurs in staat om het assemblageproces te optimaliseren en tegelijkertijd de mechanische belasting van het systeem te minimaliseren. Dit leidt niet alleen tot een efficiënter bouwproces, maar verhoogt ook de veiligheid en de duurzaamheid van het systeem als geheel.

Hoe de optimale oplossing te selecteren voor tunnelprojecten: Een analyse van de Pareto-frontmethode

De voorgestelde benadering ondersteunt dus effectief aanpasbaar beslissingsproces voor het tunnellijn-alignmentproject. De analyse van het casestudy toont aan hoe de voorgestelde benadering in staat is een set van optimale oplossingen te genereren, wat het zogenaamde Pareto-front van de tunnellijnen wordt genoemd, voor verbeterde besluitvorming van het tunnelproject. De optimalisatie stelt optimale afwegingen vast tussen investeringen, wachttijd en comfort.

Een geselecteerde optimale oplossing kan worden bepaald aan de hand van het Pareto-front en wordt voorgesteld als referentieoplossing voor de projecteigenaren bij de tunnelontwerpen. Bij het ontwerpen van de tunnel kunnen echter prioriteiten vereist zijn door de specifieke vereisten van de projecteigenaar en de omgeving. Bijvoorbeeld, de investering moet binnen een bepaald budget vallen, indien er een bovengrens bestaat. Dit maakt het noodzakelijk om de voorgestelde aanpak verder te testen en de toepasbaarheid ervan in meer complexe scenario’s te onderzoeken, waarbij aanvullende besluitvariabelen in overweging worden genomen, zoals de snelheid en de vlootgrootte van de treinen tussen de twee stations.

Hoewel de snelheid van metro’s typisch constant blijft, kan de grootte van de vloot aanzienlijk variëren afhankelijk van de operationele behoeften, wat cruciaal is voor de efficiëntie van het transportsysteem. Daarom wordt vlootgrootte als een aanvullende besluitvariabele geïntroduceerd in deze studie. Naast deze variabele blijven de doelstellingen gericht op investeringen, wachttijden en comfort. De comfortmagnitude kan binnen een ideaal bereik blijven, zoals vastgelegd in de casestudy, van 0.8250 tot 0.8938. Op basis hiervan worden de doelstellingen voor investering en wachttijd nu als beperkingen behandeld.

De uitbreidbaarheid van de voorgestelde benadering wordt gedemonstreerd door de mogelijkheid om van eenvoudigere scenario’s met minder variabelen en beperkingen over te schakelen naar complexere situaties met extra besluitvariabelen en doelbeperkingen. Deze flexibiliteit maakt het mogelijk de benadering af te stemmen op de specifieke behoeften van de besluitvormer, zodat het toepasbaar wordt voor uiteenlopende projectscenario’s. Aanvankelijk omvatten de besluitvariabelen alleen de variabelen r en d, met minder doelbeperkingen. In dit stadium wordt vlootgrootte (fs) geïntroduceerd als een extra besluitvariabele, samen met meer doelbeperkingen, waardoor de benadering zich kan aanpassen aan veranderende projectprioriteiten en -omstandigheden.

De verdere uitbreiding van dit onderzoek kan de nadruk leggen op het toevoegen van andere variabelen die specifiek relevant zijn voor verschillende soorten projecten, bijvoorbeeld de overweging van milieukosten, sociale impact of de invloeden van veranderende wet- en regelgeving. Dit zou de toepasbaarheid van de methodologie vergroten en de beslissing van projecteigenaren nog meer in staat stellen om op maat gemaakte oplossingen te kiezen, passend bij de unieke eisen van elk tunnelproject.

Hoe digitale tweelingtechnologie de efficiëntie van TBM's kan verbeteren bij tunnelgraving

In de afgelopen jaren zijn verschillende benaderingen ontwikkeld om de prestaties van Tunnel Boring Machines (TBM's) te verbeteren, met behulp van geavanceerde technologieën zoals digitale tweelingmodellen en kunstmatige intelligentie. Deze benaderingen hebben geleid tot nieuwe inzichten in de manier waarop TBM’s kunnen worden geoptimaliseerd voor efficiënte en veilige tunnelgraving. De traditionele methoden voor het voorspellen van de prestaties van TBM’s waren vaak beperkt door een gebrek aan rekening houden met de temporele afhankelijkheden tussen operationele parameters en de daaruit voortvloeiende prestaties. Veel onderzoeken richtten zich voornamelijk op het extraheren van ruimtelijke kenmerken op hetzelfde tijdstip, zonder voldoende aandacht voor de invloed van prestaties in het verleden op de huidige toestand van de TBM.

Naast de theoretische benaderingen voor TBM-optimalisatie zijn er studies die proberen de TBM-bediening om te zetten in een meervoudig-objectief optimalisatieprobleem (MOO). Dit houdt in dat de operationele parameters van de TBM als variabelen worden behandeld die moeten worden aangepast om de prestatie-indicatoren (zoals voortgang, veiligheid, energieverbruik en gereedschapslijtage) te optimaliseren. Het gebruik van algoritmes zoals NSGA-II (Non-dominated Sorting Genetic Algorithm II) heeft bewezen effectief te zijn, vooral vanwege de lage rekentijd, de goede spreiding van oplossingen en de betere convergentie nabij de werkelijke Pareto-optimaal. Desondanks ontbreken er nog steeds belangrijke overwegingen in de meeste huidige benaderingen, zoals het gebrek aan tijdsafhankelijke factoren in de prestaties van de TBM. De prestaties op eerdere tijdstappen kunnen namelijk de huidige prestaties beïnvloeden, waardoor de geoptimaliseerde oplossingen mogelijk niet praktisch zijn in de daadwerkelijke tunnelingomstandigheden.

Een opkomend paradigma dat de kloof tussen theoretische optimalisatie en praktische toepassing kan overbruggen, is de digitale tweelingtechnologie (DT). Digitale tweelingen bieden een virtueel model van fysieke objecten die in real-time met elkaar communiceren. Door de gegevens van sensoren die door TBM’s worden verzameld te integreren met digitale tweelingen, kan een dynamisch en intelligent besturingssysteem voor de TBM worden gecreëerd. Dit systeem kan niet alleen de prestaties van de TBM in real-time monitoren, maar ook de nodige aanpassingen doen aan de operationele parameters op basis van de actuele omstandigheden.

Hoewel de meeste onderzoeken naar digitale tweelingen in de bouw- en infrastructuurindustrie zich momenteel in de prototypefase bevinden, tonen eerdere toepassingen het potentieel voor verbeterde prestaties en efficiëntie. Het combineren van digitale tweelingen met kunstmatige intelligentie en machine learning kan leiden tot een systeem dat niet alleen de huidige status van de TBM beoordeelt, maar ook proactief optimalisaties doorvoert. Dit kan de tunnelgraving veiliger, sneller en goedkoper maken.

Het combineren van de voordelen van digitale tweelingen met de krachtige optimalisatiemethoden zoals NSGA-II biedt een veelbelovende richting voor de toekomst van tunnelgraving. In plaats van te vertrouwen op statische modellen, kunnen digitale tweelingen dynamisch reageren op veranderingen in de omgeving en prestaties van de TBM. Dit stelt ingenieurs in staat om het graafproces in real-time te optimaliseren, met als resultaat een significante verbetering van de efficiëntie en veiligheid.

Het is echter belangrijk om te realiseren dat de implementatie van digitale tweelingtechnologie in de tunnelbouw, hoewel veelbelovend, nog steeds te maken heeft met technische en praktische uitdagingen. Het effectief integreren van sensoren, data-analysemethoden en besluitvormingsmodellen vereist aanzienlijke investeringen in technologie en infrastructuur. Bovendien moeten de algoritmen en modellen die de digitale tweeling aandrijven, worden aangepast aan de specifieke omstandigheden van elke tunnelproject om de gewenste resultaten te behalen.