Hvordan forutsi geologiske forhold under tunnelkonstruksjon ved hjelp av avanserte modeller?

Tunnelboring er en kritisk aktivitet i infrastrukturutvikling, da det muliggjør ferdsel gjennom forskjellige geologiske formasjoner. Samtidig innebærer tunnelbygging betydelige geologiske risikoer som kan føre til forsinkelser, økte kostnader og sikkerhetsutfordringer. Tradisjonelt har borehullslogging vært den mest brukte metoden for å samle geologiske data. Denne metoden er imidlertid begrenset både i horisontal oppløsning og i rekkevidde, da den kun gir informasjon fra vertikale punkter, ofte med lange avstander mellom prøvene. For å overvinne disse begrensningene, har det blitt utviklet konvensjonelle geologiske modeller som kartlegger geologiske forhold og vurderer risiko ved hjelp av ulike kartleggingsteknikker.

De siste årene har utviklingen innen maskinlæring (ML) hatt en betydelig innvirkning på forskning på geologisk risikovurdering, og har ført til utvikling av nye teknikker for å estimere bergkvalitet og vurdere geologiske forhold under tunneldrivingen. Maskinlæringsteknikker som støttevektormaskiner (SVM), beslutningstrær (DT), og gaussian prosessregresjon er noen av de mest brukte metodene for å forutsi geologiske forhold. For eksempel har det blitt utviklet metoder som benytter data fra tunneldrivere (TBM) som kutterhastighet og fremdriftshastighet for å gruppere og identifisere geologiske enheter langs tunnelen.

I tillegg til tradisjonelle ML-metoder, har også dyplæring (deep learning) fått betydelig oppmerksomhet. Metoder som lange korttidsminnenettverk (LSTM), grafkonvolusjonsnettverk (GCN) og generative adversariale nettverk (GAN) har blitt implementert for å forbedre nøyaktigheten i geologiske prediksjoner. Deep learning har vist seg å være spesielt nyttig for å håndtere komplekse, ikke-lineære forhold og store datamengder, noe som gjør det ideelt for dynamiske geologiske miljøer.

Et betydelig utfordring ved geologiske prediksjonsmodeller er imidlertid at de fleste modeller baseres på data som samles inn før graveringen starter, og tar ikke hensyn til de kontinuerlige dataene som samles inn under selve tunneldrivingen. Den manglende integreringen av disse kontinuerlige dataene kan føre til at viktige endringer i de geologiske forholdene ikke fanges opp i tide, noe som kan påvirke sikkerheten og effektiviteten til tunneldrivingen. Dette er et område hvor moderne teknikker som online HMM (Hidden Markov Models) kan være svært nyttige. HMM-teknikker gir muligheten til å kontinuerlig oppdatere geologiske modeller basert på nye data, og kan dermed bidra til å forutsi geologiske risikoer mer presist under byggeprosessen.

Et av de viktigste elementene ved online HMM er muligheten til å bruke sparse boreprøver sammen med sanntidsdata fra tunneldrivere. Denne teknikken benytter en mekanisme som utvider observasjonene ved å bruke tilbakemeldinger fra oppdaterte OHMM-modeller (Online Hidden Markov Model), og gir en mer nøyaktig forutsigelse av de geologiske forholdene som ligger foran TBM-maskinen. Ved å kombinere borehullsdata med sanntidsmålinger kan modellen oppdage eventuelle geologiske endringer og gi verdifulle advarsler til konstruksjonsteamet.

Som et resultat av den kontinuerlige forbedringen av maskinlæringsalgoritmer og de økte mulighetene for å samle inn sanntidsdata under tunnelkonstruksjonen, har vi nå muligheten til å forutsi geologiske forhold på en mer dynamisk og presis måte. Ved å bruke en kombinasjon av tradisjonelle geologiske data og moderne teknologier som online HMM, kan man redusere risikoene som er forbundet med tunneldriving, og på samme tid forbedre både sikkerheten og effektiviteten i byggeprosessen. Geologiske prognoser vil fortsette å utvikle seg, og det er viktig å forstå at suksessen avhenger av både kvaliteten på de dataene som samles inn, samt evnen til å integrere disse dataene på en meningsfull måte for å forutsi de usikkerhetene som kan oppstå under tunnelkonstruksjonen.

Hvordan vurderer man robustheten og påliteligheten til valg av tunnelboremaskinmetode under usikkerhet?

Blant de fem vurderte alternativene (A1–A5), er det alternativ A4 – skjoldbasert tunnelboremaskinmetode – som konsekvent oppnår høyest rangering. Dets gjennomsnittlige nærhetskoeffisient (CC4) er 0.684, sammenlignet med 0.656 for A3, som kommer på andreplass. En hypoteseprøving bekrefter at denne forskjellen er signifikant på 5 % nivå (p-verdi = 0), noe som styrker påliteligheten av A4 som den foretrukne løsningen. I tillegg viser avstandene til PIS og NIS at A4 ligger nærmest den ideelle løsningen og lengst fra den verste. Dette støttes ytterligere av resultater fra sensitivitetstesting: for omtrent halvparten av kriteriene har A4 de høyeste vurderingsverdiene, og kun i tre kriterier (C7, C8 og C10) presterer det dårligere enn andre alternativer.

Normaltetstene av nærhetskoeffisientene viser at disse følger normalfordeling, og standardavvikene mellom alternativene er små (fra 0.0206 til 0.0258). Dette styrker tilliten til den statistiske robustheten i vurderingsrammeverket. Det gir grunnlag for å trekke slutninger med høy grad av sikkerhet, til tross for underliggende usikkerheter i vurderingene.

Et sentralt aspekt i analysen er identifikasjonen av de mest innflytelsesrike kriteriene. Kriterium C5 – aksept av grunnforholdene for tunnelteknologien – har sterkest positiv korrelasjon (0.371) med nærhetskoeffisienten til A4. C14 – teknologiens støtte til konstruksjonssikkerhet – følger med en korrelasjon på 0.232. Disse faktorene har direkte praktisk relevans: grunnforholdene og sikkerheten i anleggsfasen er avgjørende i tettbebygde områder, hvor tunnelprosjekter ofte

Hvordan bestemme optimale reparasjonstidspunkter for TBM-feil

Når man arbeider med tunnelboringsmaskiner (TBM), er det ofte begrenset plass til vedlikeholdsarbeid under jorden, noe som gjør at valget av tidspunkt for nødvendige reparasjoner må gjøres med stor forsiktighet. Spørsmålet om når mindre eller rutinemessige reparasjoner bør utføres, innebærer usikkerhet som kan håndteres gjennom systematisk analyse og ekspertvurdering. En gruppe eksperter ble derfor spurt om å vurdere når det er nødvendig med reparasjoner basert på ulike nivåer av pålitelighet.

Basert på dette ble to indikatorer, T10 og T20, foreslått for å representere tidspunktene for å utføre henholdsvis mindre og normale reparasjoner. Den lineære interpolasjonsmetoden ble brukt for å bestemme de spesifikke tidspunktene for T10 (når påliteligheten når 0,10) og T20 (når påliteligheten når 0,20), som vist i diagrammet. Denne tilnærmingen har blitt illustrert i flere eksempler, hvor den viser hvordan man kan evaluere systemets pålitelighet over tid.

En annen viktig observasjon fra dataene er at komponenten CTF (Cutter Tool Failure) er mer utsatt for feil sammenlignet med de andre komponentene. Ved å analysere T10- og T20-verdiene for forskjellige noder, ble det funnet at CTF har de laveste verdiene, noe som indikerer at det er den første komponenten som kan feile hvis ikke reparasjoner utføres i tide. Dette peker på behovet for tidlige reparasjoner for denne komponenten for å unngå alvorlige feil i systemet.

For å forbedre påliteligheten og redusere risikoen for feil, har en modell for tilbakemeldingskontroll blitt utviklet. Denne tilbakemeldingskontrollen er designet for å identifisere de mest sannsynlige årsakene til feil ved hjelp av diagnostisk analyse basert på Bayesiansk inferens. Gjennom oppdatering av den posterior sannsynlighetsfordelingen for rotårsakene over tid, kan man identifisere de komponentene som mest sannsynlig vil føre til feil. Denne tilnærmingen gir et dynamisk system som kan tilpasse seg etter hvert som data samles inn under TBM-operasjonen.

Det er viktig å merke seg at feil som skjer i TBM ikke nødvendigvis kan knyttes til én enkelt rotårsak. I stedet vil forskjellige komponenter være i fokus avhengig av nivået på systemets pålitelighet. Ved å bruke indikatorene T10, T20 og MTTF (Mean Time To Failure), kan man kvantifisere og analysere systemets ytelse i ulike faser, og dermed bestemme når reparasjoner er nødvendige. Dette hjelper operatørene å ta informerte beslutninger og unngå unødvendige kostnader ved tidlige reparasjoner, samtidig som man sikrer at de mest kritiske feilene blir håndtert før de utvikler seg til store problemer.

I de eksperimentelle studiene som ble gjennomført, ble det også sett på hvordan forskjellige scenarier påvirker sannsynligheten for feil i rotårsakene. I Scenario 1 og 2, når CTF fungerer innenfor trygge nivåer, er det rotårsaken X7 som har de laveste MTTF-verdiene, noe som gjør den til den mest sannsynlige kilden til feil. I Scenario 3 og 4, der CTF er i et mer kritisk eller farlig tilstand, viser analysen at rotårsaken X6 er den største trusselen.

Denne dynamiske vurderingen av sannsynlighetene for feil over tid krever at operatørene kontinuerlig oppdaterer sitt fokus basert på de siste observasjonene. For å ivareta TBM-operasjonens pålitelighet er det nødvendig å være årvåken for endringer i systemets tilstand og justere vedlikeholdsstrategiene deretter.

Å forstå hvordan systemet reagerer på ulike feiltilstander og når reparasjoner bør utføres, er avgjørende for å sikre en effektiv og kostnadseffektiv drift av TBM. Ved å bruke de foreslåtte indikatorene T10, T20 og MTTF kan man få en bedre forståelse av når reparasjoner er nødvendige og unngå dyre og unødvendige avbrudd i tunneldrivingen.