Jak skutecznie przewidywać ryzyko geologiczne w budownictwie tunelowym przy użyciu modeli HMM?

W budownictwie tunelowym, szczególnie przy stosowaniu maszyn TBM (Tunnel Boring Machine), istotnym zagadnieniem jest przewidywanie ryzyka geologicznego, które może znacząco wpłynąć na bezpieczeństwo oraz efektywność procesu wykopu. Wykorzystanie zaawansowanych metod predykcji, takich jak ukryte modele Markowa (HMM), stanowi istotny krok w stronę optymalizacji tego procesu. Jednak tradycyjne podejścia, które polegają na statycznym wykorzystaniu danych historycznych, mogą nie być wystarczająco elastyczne w dynamicznie zmieniających się warunkach eksploatacyjnych. Dlatego też powstał nowy, bardziej zaawansowany model — OHMM (Online Hidden Markov Model), który adaptacyjnie dostosowuje się do zmieniających się danych wejściowych, umożliwiając skuteczne prognozowanie ryzyka geologicznego w czasie rzeczywistym.

Model OHMM działa na zasadzie ciągłego uczenia online, gdzie każdy nowy zestaw danych jest natychmiastowo uwzględniany w procesie przewidywania. To oznacza, że dane geologiczne, które zbierane są w trakcie postępu wykopu, są natychmiastowo wykorzystywane do aktualizacji prognoz, co pozwala na bieżąco monitorować i przewidywać zmiany w strukturze geologicznej, nawet w miejscach, które dopiero będą wykopywane. Tego typu podejście jest szczególnie ważne w kontekście długoterminowych projektów budowlanych, gdzie każde nieprzewidziane zagrożenie geologiczne może prowadzić do poważnych opóźnień i dodatkowych kosztów.

Jednym z kluczowych aspektów skuteczności modelu OHMM jest jego zdolność do przewidywania ryzyka geologicznego w różnych odległościach czasowych. Zgodnie z wynikami badań, model ten wykazuje wysoką dokładność przewidywania do 100 kroków naprzód, utrzymując dobrą stabilność wyników nawet przy prognozach opartych na danych historycznych o zmiennym czasie próbkowania. Z kolei dla odległości większych, do 150 kroków, model nadal utrzymuje wysoką jakość prognoz, co daje szeroki zakres zastosowań w budownictwie tunelowym, gdzie zrozumienie ryzyka w dłuższym okresie jest kluczowe dla planowania dalszych prac wykopaliskowych.

Podstawowym elementem, który wpływa na skuteczność OHMM, jest odpowiednia ilość danych wejściowych. Zgodnie z badaniami, wstępna jakość prognoz jest wysoka dopiero po zgromadzeniu co najmniej 200 punktów danych. Im więcej danych jest dostępnych na początku, tym dokładniejsze mogą być prognozy w dalszym etapie wykopu. Przy mniejszej liczbie danych początkowych, model może wykazywać niestabilność, co wpływa na dokładność prognoz, szczególnie w początkowych fazach wykopu.

Efektywność OHMM w przewidywaniu ryzyka geologicznego znajduje potwierdzenie w przykładzie zastosowania w projekcie tunelu w Singapurze, gdzie przewidywanie oparte na tym modelu okazało się bardziej trafne niż tradycyjne podejścia, takie jak modele HMM, sieci neuronowe czy maszyny wektorów nośnych (SVM). Dzięki zdolności modelu do dynamicznego aktualizowania prognoz w czasie rzeczywistym, możliwe jest efektywne zarządzanie ryzykiem geologicznym, minimalizując wpływ nieprzewidzianych zjawisk na harmonogram i budżet projektu.

W kontekście tego modelu warto także zauważyć, że liczba kroków prognozy, która może wynosić nawet do 150, nie oznacza konieczności przewidywania odległości w każdym przypadku. W rzeczywistości, dla bardziej precyzyjnych prognoz, rekomenduje się ustawienie mniejszej liczby kroków naprzód — około 30, co pozwala na zachowanie równowagi pomiędzy długozasięgową prognozą a dokładnością analizy w każdym indywidualnym przypadku. W ten sposób, model jest w stanie przewidywać długoterminowe zmiany, jednocześnie zachowując wierność w odniesieniu do szczegółowych, bieżących danych.

Znajomość dokładności prognoz, która jest bezpośrednio związana z czasem zbierania danych oraz liczbą kroków naprzód, pozwala na świadome zarządzanie procesem budowy tunelu. Taki model predykcyjny może stać się nieocenionym narzędziem w rękach inżynierów, pozwalając na wczesne wykrywanie potencjalnych zagrożeń, zanim staną się one zagrożeniem dla samego procesu budowy.

Jak dokładność predykcji wpływa na stabilność parametrów postawy TBM?

Dane historyczne mają znaczący wpływ na wyniki prognozowania postawy TBM, jednak nie zawsze najnowsze dane mają największą wagę. Zgodnie z wynikami badań, 20 najbardziej wrażliwych wskaźników dla czterech parametrów postawy TBM obejmuje dane z ostatnich 11 kroków czasowych, choć kolejność tych wskaźników różni się w zależności od parametru. Takie wyniki sugerują, że decyzje dotyczące ustawienia postawy maszyny powinny być podejmowane z wyprzedzeniem, przynajmniej 11 kroków czasowych, aby umożliwić odpowiednią kalibrację. Największy wpływ na wyniki predykcji mają dane historyczne z czwartego kroku wstecz, co może sugerować, że optymalnym momentem do przeprowadzenia zmian w ustawieniu jest odległość w czasie o 4 kroki.

W praktyce inżynieryjnej, ustawienie progu postawy i wykorzystanie danych z etapu (t − 4) jako głównego odniesienia może znacząco pomóc w zapewnieniu odpowiednich korekt. Istotne jest, aby nie bagatelizować wpływu zmiany postawy na przyszłe stany maszyny, zwłaszcza 4 kroki do przodu. C- GRU, model wielokrokowej predykcji, stawia na uwzględnienie nie tylko aktualnych zmian, ale także ich potencjalnego wpływu na przyszłe stany maszyny. Takie podejście zapewnia lepszą kontrolę nad parametrami i zapobiega przekroczeniu progów kontrolnych.

Gdy dane historyczne są usunięte z modelu, parametry maszyny stają się bardziej wrażliwe na zmiany postawy w krótkim okresie czasu. W szczególności, dane takie jak HDA, VDA i VDT są wrażliwe na „siłę naporu” maszyny, chociaż w różnych krokach czasowych. Dalsze dane historyczne, po 10 krokach czasowych, mają mniejszy wpływ na postawę TBM. Warto zwrócić uwagę na pierwsze dwa wskaźniki pierwszorzędne, które są zdecydowanie bardziej wrażliwe na zmiany, i które wymagają szczególnej uwagi podczas dostosowań konstrukcyjnych.

Porównanie metod takich jak LSTM, GRU i C-LSTM wykazuje, że proponowana metoda C-GRU w przewidywaniu postawy TBM przewyższa te tradycyjne podejścia. Modele LSTM i GRU, choć ogólnie oddają trend danych, nie potrafią utrzymać wysokiej dokładności w długoterminowej predykcji. W szczególności, prognozy LSTM i GRU dla 21 kroków wykazują duże odchylenia od rzeczywistych danych, gdzie najwyższa wartość R2 w metodzie LSTM wynosi 0,9443, a w GRU tylko 0,8334. Model C-GRU z kolei utrzymuje stabilność i dokładność, przewyższając inne metody o średnio 30% pod względem wartości R2.

W porównaniu do tradycyjnych metod, C-GRU wykazuje znacznie lepszą dokładność, ale także wyższą stabilność. To oznacza, że dla aplikacji inżynierskich, gdzie kluczowa jest stabilność na każdym etapie prognozy, model C-GRU jest bardziej odpowiedni, gdyż zapewnia wysoką dokładność i mniejsze zmiany między poszczególnymi krokami predykcji. Ponadto, zastosowanie warstw konwolucyjnych i max-pooling w C-GRU skutkuje lepszym wydobyciem informacji z surowych danych, co przekłada się na poprawę wyników prognoz, szczególnie w przypadku zmiennych parametrów, gdzie sieci płytkie nie radzą sobie wystarczająco dobrze.

Jak optymalizacja wielokryterialna wpływa na wydajność TBM w budowie tuneli?

Rising demands for urban transportation, such as metro systems and various other subterranean engineering projects, have pushed the development of tunnel boring machines (TBM). These machines, due to their automation and efficiency, are increasingly being used for tunnel construction. The traditional TBM systems, however, come with their limitations. One key drawback is the intermittent nature of their operations, as they halt after excavating one ring and await the assembly of segments before resuming the excavation process. This back-and-forth significantly increases the overall construction time and costs.

In contrast, newer designs aim to tackle this inefficiency by introducing methods that allow for the simultaneous execution of excavation and segment assembly. The concept of Synchronous Excavation and Segment Assembly (SESA) has garnered attention as it can improve the construction efficiency of TBMs by as much as 30 to 50%. However, achieving SESA requires specific methods, such as the front navigation (F-NAVI), Lattice-type hydraulic cylinders, and dual-hydraulic cylinder methods. Among them, the dual-hydraulic cylinder method has become quite popular, especially in countries like China and Japan, due to its simplicity, reliable operation, and wide applicability.

One of the key approaches to addressing these issues is the implementation of advanced intelligent systems that can detect the status of the TBM in real-time and redistribute pressure from the cylinders accordingly. This is where multi-objective optimization methods come into play. These methods, which are rooted in data-driven decision-making, allow for a more precise and adaptive control of the TBM, ensuring that it operates within optimal parameters and addresses any issues before they escalate.

Multi-objective optimization has been successfully applied in various TBM control processes, such as tunnel alignment design, with the goal of balancing factors like project budgets and user comfort. However, the majority of studies have focused on optimizing the excavation phase, with much less attention given to the segment assembly process. This is significant, as the continuous nature of segment assembly demands real-time optimization to ensure efficiency.

Traditional offline optimization methods often fall short because they cannot dynamically adapt to ongoing changes in the operating environment. This is where online learning strategies come in, enabling continuous, real-time optimization. By combining multi-objective optimization with online learning, these systems are capable of updating themselves based on incoming data, providing optimal solutions in real time for the segment assembly process. This fusion of technologies provides the TBM with the flexibility to continuously adjust its operations, minimizing inefficiencies and ensuring smoother, more reliable tunnel construction.

In addition, the integration of reinforcement learning techniques, such as the Deep Deterministic Policy Gradient (DDPG), into the control system can further enhance the predictive capabilities of the TBM. These methods, which have already shown promising results in various applications, can significantly improve the speed and stability of TBM operations by predicting future conditions and making adjustments in advance. Moreover, as the technology advances, it opens the door to more sophisticated machine learning models that could take into account complex geological conditions, ensuring that the TBM adapts optimally to different tunneling environments.

In conclusion, as the complexity of tunnel construction projects increases, the role of intelligent systems in optimizing TBM performance becomes more pronounced. Multi-objective optimization combined with real-time learning offers a promising solution to the challenges faced in SESA methods, making tunnel boring machines more efficient and reliable. However, as these technologies continue to evolve, it is essential to remember that their implementation should also take into account the broader impact on safety, sustainability, and cost-effectiveness. The ongoing development of intelligent systems in tunneling will likely redefine the future of underground construction, making it faster, safer, and more efficient.