Het gebruik van Hidden Order Markov Models (OHMM) in de geologische risicovoorspelling biedt aanzienlijke voordelen ten opzichte van traditionele machine learning technieken. Het systeem maakt gebruik van sequenties van waarnemingen om de verborgen toestanden van geologische processen te voorspellen, zelfs bij beperkte data. Dit heeft een directe impact op de manier waarop risico's in de tunnelbouw worden beoordeeld, met name tijdens de initiële fasen van het graafproces.

In de vroege fasen van het model wordt de vastgestelde parameterinstelling, bijvoorbeeld bij 250 iteraties, bevroren. Gedurende deze fase blijven de modelparameters statisch, terwijl de statistieken die noodzakelijk zijn voor de voorspelling worden geüpdatet. Dit proces draagt bij aan de stabilisatie van de training, zodat het systeem genoeg informatie verzamelt om later de modelparameters effectief bij te stellen. Na de 250e iteratie kan men een trager maar consistent afnemende log-likelihood fout zien, wat duidt op een stabilisatie van het model en de convergentie naar een nauwkeurige risicovoorspelling.

Een belangrijke eigenschap van het getrainde OHMM is zijn vermogen om de verborgen toestanden nauwkeurig in te schatten, met name in gevallen waarin het model wordt geconfronteerd met korte subseries van waarnemingen die nieuwe gebeurtenissen bevatten. Dit kan leiden tot onzekerheden, bijvoorbeeld wanneer de vier gedefinieerde staten – laag, gemiddeld, hoog risico en onzeker – zich anders gedragen afhankelijk van de specifieke kenmerken van het tunnelringsegment. Het model maakt het mogelijk om de hoogste waarschijnlijkheid voor elk tunnelringsegment te achterhalen en zo het risico te beoordelen. Dit proces is cruciaal, aangezien hoog risico altijd de hoogste prioriteit heeft tijdens de graafwerkzaamheden. In gevallen waarin het model niet in staat is om een duidelijk oordeel te vellen, geeft het een “onzekere” status met hogere waarschijnlijkheden aan.

De kracht van het OHMM ligt ook in zijn vermogen om de risiconiveaus op een robuuste manier te voorspellen, zelfs als de hoeveelheid beschikbare data beperkt is. Traditionele methoden zoals Neurale Netwerken (NN) en Support Vector Machines (SVM) hebben vaak moeite met het onderhouden van consistente prestaties, vooral wanneer ze geconfronteerd worden met variaties in de dataset. In tegenstelling tot deze traditionele technieken, toont het OHMM zijn superieure prestaties door het gebruik van online overwegingen en het in kaart brengen van de verborgen toestanden in de waarnemingen. Dit zorgt ervoor dat het model zowel op korte termijn als lange termijn nauwkeurige voorspellingen kan doen, zelfs wanneer de hoeveelheid beschikbare gegevens in de beginfasen van het project klein is.

Vergeleken met andere voorspellende algoritmes, zoals Long Short-Term Memory (LSTM) en Hidden Markov Models (HMM), biedt het OHMM significante voordelen in termen van nauwkeurigheid van de voorspellingen. Het model is in staat om de verborgen toestanden, zoals het geologische risico, met een hoge mate van betrouwbaarheid te identificeren, terwijl het ook minder gevoelig is voor misclassificaties. Dit wordt aangetoond door de verwarring matrices en de hoge gevoeligheid van het model voor de “hoog risico” toestand. Dit maakt het OHMM bijzonder geschikt voor toepassingen in reële projecten, waar betrouwbaarheid en nauwkeurigheid essentieel zijn.

Een van de belangrijkste aspecten van de OHMM is zijn vermogen om nieuwe gegevens continu te integreren zonder dat er een enorme hoeveelheid initiële gegevens vereist is. Dit maakt het model zeer geschikt voor situaties waarin alleen beperkte waarnemingen beschikbaar zijn, zoals in de vroege fasen van de tunnelbouw. De mogelijkheid om het model continu bij te werken, zelfs wanneer de waarnemingen fragmentarisch zijn, zorgt ervoor dat het OHMM effectief blijft opereren door het hele proces van graafwerkzaamheden, van de initiële fasen tot de uiteindelijke uitvoering.

Hoewel de precisie van het model in de loop van de tijd toeneemt naarmate er meer data beschikbaar komen, blijft de betrouwbaarheid van de voorspellingen ook op langere termijn hoog. Het OHMM maakt gebruik van een geavanceerd mechanisme om waarnemingen te verlengen, wat de voorspellende kracht versterkt, zelfs als er minder gegevens beschikbaar zijn. Dit komt duidelijk naar voren wanneer het model wordt getest op variërende tijdinstantie van graafwerken, zoals te zien is in de voorspellingen voor verschillende tijdsintervallen tussen 100 en 600 ringen. Het model blijft consistent nauwkeurig, zelfs wanneer er voorspellingen voor langere periodes van 150 ringen worden gedaan.

Wat daarnaast belangrijk is voor de lezer, is het inzicht dat geologische risicovoorspellingen niet alleen afhangen van de hoeveelheid gegevens die in het model worden ingevoerd, maar ook van hoe het model de structuur van deze gegevens begrijpt en verwerkt. Het OHMM benadert dit probleem door dynamisch te reageren op nieuwe gegevens en de verborgen staten te blijven actualiseren, wat zorgt voor een robuuste risicobeoordeling die rekening houdt met onzekerheden in de vroegste stadia van de tunnelbouw. Dit benadrukt de noodzaak om niet alleen op volledigheid van data te focussen, maar ook op de kwaliteit en het vermogen van een model om met onzekerheden om te gaan.

Hoe kan een GRU-model de voorspelling van de TBM-houding verbeteren?

De traditionele benadering van de TBM (Tunnel Boring Machine)-houding wordt gekarakteriseerd door vertragingen in de metingen, waardoor aanpassingen vaak pas na aanzienlijke afwijkingen plaatsvinden. Dit probleem wordt verergerd door de huidige tijdreeksvoorspellingen die doorgaans slechts één stap vooruit kijken, wat onvoldoende tijd biedt voor praktische aanpassingen gezien de korte duur van elke tijdstap. Hierdoor zijn er onvoldoende mogelijkheden voor tijdige en nauwkeurige aanpassingen in de tunnelbouwprocessen, wat cruciaal is voor de stabiliteit en efficiëntie van de werkzaamheden.

Een oplossing die steeds meer aandacht krijgt, is de zogenaamde multi-step voorspelling. Deze benadering maakt gebruik van een sequentie-naar-sequentie methode, waarbij tijdreekskenmerken worden ingevoerd om toekomstige tijdreeksuitkomsten te voorspellen. Hoewel multi-step voorspellingen in de context van TBM-besturing nog relatief weinig aandacht hebben gekregen, zijn er enkele studies in verwante velden die vergelijkbare benaderingen hebben toegepast. Zo gebruikte Wei et al. een adaptieve empirische golflettransformatie en bi-LSTM voor het voorspellen van het rollende schip, waarbij hyperparameters werden geoptimaliseerd met behulp van PSOGSA. Andere onderzoeken hebben gebruikgemaakt van LSTM-netwerken voor het voorspellen van verwarmingsbelasting in gebouwen en van TPNet in combinatie met LSTM voor het voorspellen van scheepsroutes.

De traditionele LSTM-methode heeft echter een aantal nadelen, zoals een gebrek aan computationele efficiëntie, wat de effectiviteit van houdingaanpassingen bij TBM-beheersing belemmert. GRU (Gated Recurrent Unit) biedt een aantrekkelijk alternatief vanwege de meer beknopte structuur en verbeterde rekenkundige efficiëntie zonder concessies te doen aan de prestaties. De implementatie van GRU is tot nu toe echter vooral beperkt tot single-step voorspellingen in TBM-toepassingen. Een van de grootste uitdagingen bij multi-step voorspellingen is dat de nauwkeurigheid doorgaans afneemt naarmate de lengte van de voorspellingsreeks toeneemt. Het is daarom een complexe taak om een model te ontwikkelen dat zowel meerdere tijdstappen kan voorspellen als een hoge nauwkeurigheid behoudt.

Een bijkomend probleem is dat de invoergegevens vaak verstoringen bevatten die niet altijd vermeden kunnen worden. Dit vereist dat het model robuust genoeg is om nauwkeurige voorspellingen te doen onder zulke omstandigheden, wat van cruciaal belang is voor engineeringtoepassingen. Om deze uitdaging aan te gaan, kan een 1D-CNN (Convolutional Neural Network) effectief hoge-dimensionale kenmerken extraheren uit tijdreeksgegevens zonder dat voorafgaande verwerking nodig is. Dit versterkt de robuustheid van het model, vooral in situaties waarin verstoringen aanwezig zijn.

Het idee van een multi-step TBM-houdingvoorspelling door middel van de integratie van 1D-CNN en GRU kan dan ook aanzienlijke voordelen opleveren. In dit geval worden eerst de gegevens van de TBM verzameld en geëxporteerd naar een CSV-bestand, met daarin zowel actieve als passieve gegevens. Actieve gegevens omvatten de parameters die door de operator kunnen worden aangepast, zoals articulatieverplaatsing en trekkracht, terwijl passieve gegevens de waarden zijn die door sensoren worden geretourneerd, zoals aarddruk en torque. Gegevens die tijdens stilstand zijn verzameld, worden uit de dataset verwijderd, omdat deze niet bijdragen aan de multi-step voorspelling van de TBM-houding.

De volgende stap is het reconstrueren van de tijdreeksgegevens. Het is essentieel om te controleren op hoge lineaire correlaties tussen de geselecteerde invoer- en uitvoerparameters. Wanneer er geen duidelijke lineaire relatie bestaat, is een complex model nodig. De Pearson correlatiecoëfficiënt wordt hierbij vaak gebruikt om lineaire relaties te evalueren. Na de normalisatie van de gegevens, worden de tijdreeksdata herstructureerd zodat ze geschikt zijn voor gebruik in een multi-step voorspelling. Dit proces maakt het mogelijk om de meest recente tijdstappen te gebruiken als invoer voor toekomstige voorspellingen.

De modelopbouw gebeurt via de GRU-eenheid, die in 2014 werd geïntroduceerd als een verbeterde versie van RNN (Recurrent Neural Networks). GRU biedt een eenvoudiger structuur dan LSTM, wat resulteert in een snellere trainingstijd en een hogere rekenkundige efficiëntie. De GRU bestaat uit twee hoofdcomponenten: de updategate en de resetgate. De updategate bepaalt hoeveel informatie van de vorige tijdstappen naar de toekomst moet worden doorgegeven, terwijl de resetgate bepaalt hoeveel van de vorige informatie vergeten moet worden. Door deze twee mechanismen kan de GRU snel en efficiënt de belangrijkste informatie vasthouden, wat essentieel is voor nauwkeurige voorspellingen van de TBM-houding.

Naast de technische aspecten van dit voorspellingsmodel, is het belangrijk te begrijpen dat de betrouwbaarheid van de voorspellingen sterk afhankelijk is van de kwaliteit van de gegevens die als input dienen. Het is essentieel dat de invoergegevens representatief zijn voor de werkelijke operationele omstandigheden van de TBM, en dat verstoringen in de gegevens effectief worden behandeld. De robuustheid van het model moet niet alleen gewaarborgd zijn in ideale omstandigheden, maar ook in scenario's waar verstoringen onvermijdelijk zijn. Dit maakt het mogelijk om niet alleen de prestaties van de TBM nauwkeuriger te voorspellen, maar ook om afwijkingen van de norm te detecteren, wat belangrijke informatie kan opleveren voor het preventief onderhoud en het verbeteren van de operationele efficiëntie.

Hoe kunnen we tunnelingrisico's optimaliseren door middel van GDO-gebaseerde algoritmes?

In de context van tunneling voor stedelijke infrastructuur is het minimaliseren van risico’s zoals bodemdaling en scheefstand van gebouwen essentieel voor het behoud van de veiligheid en duurzaamheid van omgevingsstructuren. Bij het ontwerpen van tunnelboormachines (TBM) en de bijbehorende operationele parameters speelt optimalisatie een cruciale rol. Dit proces kan worden ondersteund door geavanceerde algoritmes zoals Gradient Descent Optimization (GDO), die in staat zijn om risicobeperking te integreren met technische aanpassingen aan de TBM-configuratie.

De werking van het GDO-algoritme is gebaseerd op het afstemmen van 16 variabelen die invloed hebben op het tunnelingproces. Deze omvatten zowel operationele parameters (zoals de rotatiesnelheid van de cutter en het groutvolume) als meer structurele parameters die betrekking hebben op de tunnelontwerpen en geologische factoren. Uit recente experimenten blijkt dat het mogelijk is om met minimale aanpassingen aan slechts zes operationele parameters dezelfde risicoreductie te bereiken als met het volledige pakket van 16 variabelen.

In de optimalisatie-analyse worden drie topoplossingen vergeleken op basis van verschillende gewichtsinstellingen. Het resultaat toont aan dat er een significante afname is in risico's, variërend van 0,996% tot 25,458% in respectieve gevallen voor de geselecteerde outputpunten #6 en #72. Dit bevestigt de mogelijkheid om door middel van afstemming van de juiste parameters aanzienlijke verbeteringen te realiseren zonder dat een complex geheel van factoren tegelijkertijd moet worden aangepast.

Door de resultaten te analyseren, blijkt dat er duidelijke afwegingen zijn tussen het verminderen van de cumulatieve bodemdaling en de scheefstand van gebouwen. Er is een directe correlatie tussen de afname van deze twee risicovariabelen en de mate van optimalisatie die kan worden bereikt door het zorgvuldig afstemmen van de belangrijkste parameters. Vooral de operatieparameters zoals de rotatiesnelheid van de cutter (x9) en het groutvolume (x11) blijken de grootste invloed uit te oefenen op de risicoreductie. Dit maakt het mogelijk om op een efficiënte manier de veiligheidsdoelen van tunneling te bereiken, zelfs bij het werken met een beperkter aantal variabelen.

De experimenten benadrukken ook de effectiviteit van het afstemmen van operationele parameters in plaats van alle variabelen tegelijk te veranderen. Dit maakt de optimalisatie flexibeler en meer haalbaar tijdens het daadwerkelijke tunnelingproces, waarbij de operaties vaak moeten worden aangepast op basis van real-time omstandigheden.

Bovendien blijkt uit de analyse van de invloed van verschillende parameters dat de operationele en gebouwparameters de grootste rol spelen in het verminderen van tunnelingrisico’s. De rotatiesnelheid van de cutter, het groutvolume en de relatieve horizontale afstand blijken de drie meest invloedrijke variabelen. Deze bevinding suggereert dat prioriteit moet worden gegeven aan het nauwkeurig afstemmen van deze variabelen om de beste resultaten te bereiken in de risicobeheersing van tunnelprojecten.

Het is belangrijk te begrijpen dat, hoewel het afstemmen van operationele variabelen significant kan bijdragen aan het optimaliseren van de risicobeheersing, de geologische en ontwerpparameters ook niet geheel genegeerd mogen worden. De integratie van alle factoren, inclusief de ondergrondse kenmerken en de tunnelstructuur, blijft essentieel voor een volledig risicovrije operatie, hoewel de invloed van deze variabelen in dit specifieke experiment minder prominent is gebleken.

Wat zegt loyaliteit over ons leven en keuzes?
Hoe spieren en spiermassa veranderen met de leeftijd en wat dat betekent voor je gezondheid
Hoe de Waardepropositie de Basis is van een Bedrijfsmodel en de Invloed op Verdienmodellen