Jak można skutecznie zidentyfikować warunki geologiczne podczas drążenia tunelu za pomocą uczenia zespołowego i teorii Dempstera-Shafera?

Wykorzystanie uczenia zespołowego stanowi jedno z najbardziej obiecujących podejść do zwiększenia dokładności modeli głębokiego uczenia, co potwierdzają liczne badania. W kontekście rozpoznawania warunków geologicznych podczas budowy tuneli, można zastosować zestaw modeli MobileNet jako bazowe elementy systemu, a następnie połączyć ich wyniki, uzyskując lepszą zdolność uogólniania. Problem jednak pojawia się wtedy, gdy modele bazowe dają rozbieżne wyniki – wówczas konieczne jest wprowadzenie niezawodnej metody fuzji informacji, która pozwoli na wybór optymalnej prognozy. W tym miejscu przydatna okazuje się teoria Dempstera-Shafera (DST), znana ze swoich zalet w łączeniu dowodów pochodzących z wielu źródeł oraz operowaniu na niepewności tych informacji. Każdy z modeli bazowych można potraktować jako niezależnego obserwatora, a jego przewidywania jako dowody o określonym stopniu niepewności. DST umożliwia wyznaczenie stopnia wiarygodności dla każdej klasy na podstawie tych dowodów, co pozwala na efektywne połączenie wyników i uzyskanie spójnej oceny.

Proponowana metoda, nazwana EMNet, integruje zespołowe modele MobileNet z teorią Dempstera-Shafera, co pozwala na identyfikację gleby napotykanej podczas budowy tunelu z wysoką dokładnością. Dodatkowo, zastosowanie metody SHAP (Shapley additive explanations) pozwala na interpretację działania modelu, wskazując najważniejsze cechy, które decydują o klasyfikacji geologicznej. W ten sposób nie tylko uzyskujemy precyzyjne rozpoznanie, ale także lepsze zrozumienie procesu podejmowania decyzji przez system.

Dotychczasowe metody rozpoznawania warunków geologicznych podczas tunelowania można podzielić na destrukcyjne, niedestrukcyjne oraz inteligentne. Metody destrukcyjne, polegające na bezpośrednich badaniach i wierceniach, choć pozwalają na potwierdzenie informacji w punkcie poboru próbki, mają ograniczoną przestrzenną reprezentatywność i są kosztowne. Niedestrukcyjne metody, oparte na sensorach takich jak sejsmiczne, akustyczne czy elektromagnetyczne, umożliwiają wykrywanie anomalii bez ingerencji w strukturę gruntu, jednak ich wdrożenie jest utrudnione przez koszty i wymagania sprzętowe. Inteligentne metody wykorzystujące uczenie maszynowe i głębokie sieci neuronowe zyskują na popularności dzięki możliwości wykorzystania dużych zbiorów danych operacyjnych maszyn TBM, lecz często spotykają się z krytyką dotyczącą opierania się na historycznych danych bez jasnego mechanizmu predykcji, a także konieczności manualnego wprowadzania informacji przez operatorów, co stoi w sprzeczności z ideą autonomicznego sterowania TBM.

Podejście oparte na wizji komputerowej, jak proponowane w metodzie EMNet, otwiera nowe możliwości automatycznego rozpoznawania warunków geologicznych na podstawie obrazów gleby lub skał, co może stanowić kluczowy krok ku pełnej autonomizacji procesu drążenia. Wykorzystanie nowoczesnych sieci konwolucyjnych oraz zaawansowanych technik fuzji danych i interpretacji modeli umożliwia wyjście poza tradycyjne ograniczenia istniejących metod.

Istotne jest również zrozumienie, że w procesie rozpoznawania warunków geologicznych kluczowe jest operowanie na niepewności i wielości informacji pochodzących z różnych źródeł – zarówno sensorycznych, jak i wyników analizy obrazów. Metoda EMNet stanowi przykład efektywnego połączenia podejścia zespołowego z teorią prawdopodobieństwa niepewności, co daje bardziej wiarygodne i stabilne wyniki. Ponadto, interpretowalność modelu, zapewniona przez SHAP, jest niezwykle ważna w kontekście zastosowań inżynieryjnych, gdzie zrozumienie podstaw podejmowanych decyzji jest konieczne dla zaufania do systemu oraz jego dalszego doskonalenia.

Ważne jest, aby czytelnik uświadomił sobie, że skuteczna identyfikacja warunków geologicznych podczas drążenia tunelu to nie tylko kwestia precyzyjnego modelu uczenia maszynowego, ale także umiejętności zarządzania niepewnością informacji oraz integracji różnych typów danych w ramach spójnego systemu decyzyjnego. Ponadto, istotne jest podkreślenie roli automatyzacji i interpretowalności modeli, które są fundamentem przyszłych systemów autonomicznych w inżynierii tunelowej, zmierzających do minimalizacji udziału człowieka i zwiększenia bezpieczeństwa oraz efektywności procesów budowlanych.

Jak zoptymalizować bezpieczeństwo przy wykopach tunelowych za pomocą algorytmów DNN i GDO?

W ciągu ostatnich lat rozwój technologii głębokich sieci neuronowych (DNN) oraz algorytmów optymalizacji, takich jak GDO (Gradient Descent Optimization), otworzył nowe perspektywy w zakresie przewidywania i kontroli ryzyka w skomplikowanych środowiskach budowlanych. W kontekście wykopów tunelowych, gdzie zmieniające się warunki geotechniczne oraz ryzyko osiadania gruntu i deformacji budynków są kluczowe dla bezpieczeństwa, takie podejścia mogą stanowić przełom w zarządzaniu ryzykiem.

Warto zwrócić uwagę na możliwość optymalizacji wyników przewidywania, które mogą być stosowane do minimalizacji ryzyka związanego z wykopami tunelowymi. W tym celu zastosowano algorytm GDO, który współpracuje z modelem DNN, aby znaleźć optymalne rozwiązania w kontekście dwóch celów: osiadania gruntu (Y1) i nachylenia budynku (Y2). Algorytm GDO, inspirowany metodą spadku gradientu, ma na celu optymalizację tych dwóch zmiennych jednocześnie, umożliwiając znalezienie rozwiązań, które zmniejszają ryzyko w sposób efektywny i szybki.

Po zastosowaniu algorytmu GDO, przeprowadzono 50 iteracji dla każdej z wybranych prób, analizując efektywność algorytmu w znalezieniu najlepszych rozwiązań. Przykładowe dane, takie jak punkt #121, wskazały, że w 80% przypadków wartość Y1 oraz w 76% przypadków wartość Y2 zostały zoptymalizowane na niższe poziomy, co prowadziło do średniego zmniejszenia odległości od punktu idealnego (0, 0) o 0,139%. Podobne wyniki uzyskano dla punktu #126, gdzie średnia poprawa odległości wyniosła 1,492%. W kontekście wykopów tunelowych, oznacza to możliwość szybszego wprowadzenia korekt do procesu budowlanego i zmniejszenia ryzyka związanego z osiadaniem gruntu oraz deformacją budynków.

Co więcej, algorytm GDO wykazuje dużą elastyczność w stosunku do wag przypisywanych poszczególnym celom w funkcji celu. Dzięki tej elastyczności możliwe jest dostosowanie optymalizacji w zależności od priorytetów danego projektu, np. w przypadku większego nacisku na zmniejszenie osiadania gruntu lub na minimalizowanie deformacji budynków. Eksperymenty przeprowadzone w ramach tego podejścia uwzględniały różne kombinacje wag (w1, w2), co pozwala na dalsze dostosowanie wyników optymalizacji do specyfiki projektu.

Znaczenie tej technologii w kontekście wykopów tunelowych polega na tym, że pozwala ona na dokładniejsze przewidywanie potencjalnych zagrożeń oraz umożliwia wdrożenie precyzyjnych działań zabezpieczających jeszcze przed rozpoczęciem wykopu. Odpowiednio zoptymalizowane parametry mogą nie tylko zmniejszyć ryzyko związanego z osiadaniem gruntu, ale także poprawić stabilność budynków i innych obiektów znajdujących się w pobliżu wykopu.

Aby jednak w pełni wykorzystać potencjał takiego podejścia, niezbędne jest zrozumienie, że sukces zależy nie tylko od samej jakości modelu DNN, ale również od precyzyjnego doboru danych wejściowych i odpowiedniej konfiguracji algorytmu optymalizacji. Im bardziej szczegółowe i reprezentatywne są dane wejściowe (takie jak właściwości gruntu, głębokość wykopu, rozmiar i konstrukcja budynków), tym lepsze będą wyniki przewidywań. Należy również pamiętać, że metoda ta jest wyjątkowo skuteczna w przypadku projektów o wysokim stopniu złożoności, gdzie klasyczne metody inżynierskie mogą okazać się mniej efektywne.