Jak interakcja człowiek-maszyna-środowisko wpływa na efektywność inżynieryjną w budownictwie i tunelowaniu?

Współczesne technologie, wykorzystywane w budownictwie tuneli, polegają na zbieraniu danych z sensorów zainstalowanych w strukturach tunelowych, na bieżąco zbieranych informacji z maszyny TBM (tunneling machine) oraz na analizie danych geologicznych i środowiskowych, takich jak wilgotność gleby, temperatura czy stabilność gruntu. Dziś większość procesów modelowania algorytmów opartych na sztucznej inteligencji zależy głównie od danych IoT, jak odczyty z sensorów na placu budowy tunelu. Jednak samo to podejście nie gwarantuje zawsze wysokiej jakości i wiarygodności wyników analitycznych. Zatem warto zastanowić się, jak w pełni wykorzystać potencjał interakcji człowiek-maszyna-środowisko. To podejście, stanowiące nowy kierunek w nauce, bada wzajemne relacje trzech elementów: człowieka, maszyny oraz środowiska, co prowadzi do tworzenia bardziej zaufanych i efektywnych systemów inżynieryjnych.

Struktura interakcji człowiek-maszyna-środowisko, przedstawiona na diagramie (rys. 3), pozwala na zrozumienie, w jaki sposób odpowiednia organizacja interakcji człowieka i maszyny z otoczeniem sprawia, że proces zbierania i analizy danych staje się bardziej odporny na zmiany i błędy. W takim systemie, zarówno człowiek, jak i maszyna odbierają informacje ze środowiska, co pozwala człowiekowi na pełniejsze zrozumienie aktualnego stanu otoczenia. Taka wiedza umożliwia podejmowanie bardziej świadomych decyzji w zakresie sterowania maszynami, a dzięki synergii trzech kluczowych elementów, model danych może być tworzony w sposób bardziej precyzyjny, oddający rzeczywiste warunki inżynieryjne. To z kolei umożliwia dostosowywanie modelu do zmieniającego się środowiska projektu.

Jednak w praktyce nie jest łatwo zrealizować pełną interakcję człowiek-maszyna-środowisko, szczególnie w kontekście wykorzystania ludzkiej wiedzy w modelowaniu. Ludzka wiedza jest nieustrukturalizowana i trudna do bezpośredniego włączenia do systemów komputerowych, co stanowi duże wyzwanie. W tym kontekście, przetwarzanie języka naturalnego (NLP) pełni istotną rolę w klasyfikacji tekstów, analizie semantycznej, zadawaniu pytań czy analizie sentymentów. NLP może pomóc w stworzeniu zamkniętej pętli symulującej procesy myślenia i rozumowania człowieka. Pomimo tego, dynamiczna i złożona natura maszyn oraz środowiska, które są wciąż w ruchu, również stanowi wyzwanie. W kontekście budownictwa tuneli status maszyn i warunków środowiskowych zmienia się w czasie, co wymaga opracowania adaptacyjnego mechanizmu dostosowującego proces podejmowania decyzji w czasie rzeczywistym.

Rozwiązaniem mogą być cyfrowe bliźniaki (Digital Twins), które zyskują ogromny potencjał w modelowaniu dynamicznych środowisk i podejmowaniu decyzji w czasie rzeczywistym. Zintegrowanie interakcji człowiek-maszyna-środowisko w ramach technologii cyfrowych bliźniaków może znacznie wzmocnić ich funkcje, umożliwiając ich bieżącą aktualizację, reprezentującą obecne dane, wiedzę i podejmowane decyzje w sposób intuicyjny i przystępny.

W kontekście zrównoważonego rozwoju, który staje się coraz bardziej istotny w budownictwie, w tym w projektach tunelowych, często ignorowano wpływ działalności budowlanej na środowisko. Branża budowlana, w tym projekty związane z wykopami i budową tuneli, jest jednym z głównych użytkowników zasobów naturalnych oraz źródłem dużego zużycia energii w procesach takich jak wydobycie, transport czy eksploatacja ciężkich maszyn. Z racji rosnącej troski o zmiany klimatyczne i ograniczone zasoby naturalne, istnieje ogromna szansa na wprowadzenie pozytywnych zmian w kierunku zrównoważonego budownictwa.

W 2021 roku Chiny opublikowały dokument polityczny, który zakłada osiągnięcie szczytu emisji dwutlenku węgla i neutralności węglowej do określonego terminu. To ważne narzędzie pozwala na harmonizowanie długofalowych korzyści ekologicznych z krótkoterminowymi celami ekonomicznymi, wspierając wdrażanie strategii budownictwa zielonego i niskowęglowego. Osiągnięcie celów związanych z redukcją emisji CO2 w budownictwie, szczególnie w miastach i na obszarach wiejskich, jest kluczowe, ale napotyka liczne trudności. Należy do nich użycie materiałów wysokoemisyjnych, skomplikowany charakter projektów budowlanych oraz brak świadomości i innowacji.

Aby zrealizować cele neutralności węglowej w budownictwie, konieczne jest opracowanie nowych systemów zaopatrzenia w energię, które skupią się na czystości, bezpieczeństwie, efektywności i zerowej emisji dwutlenku węgla, z naciskiem na źródła odnawialne, takie jak fotowoltaika, pompy ciepła czy energia wiatrowa. Równocześnie, ważne jest wprowadzenie materiałów odnawialnych, recyklingowanych i ponownie wykorzystywanych, co pozwoli na zmniejszenie śladu węglowego. Należy także dążyć do budowy budynków zeroemisyjnych, które będą w stanie samodzielnie produkować energię. Choć początkowe koszty takich obiektów są wyższe niż w przypadku tradycyjnych budynków, to długoterminowe korzyści ekologiczne i oszczędności energetyczne uzasadniają inwestycje w takie rozwiązania.

Cyfrowe bliźniaki mogą stać się kluczowym narzędziem w realizacji celów związanych z dekarbonizacją budownictwa. Integracja zaawansowanych technologii opartych na cyfrowych bliźniakach pozwala na elastyczne podejmowanie decyzji dotyczących zrównoważonego rozwoju na każdym etapie cyklu życia budynku, w sposób bardziej efektywny i zgodny z celami ochrony środowiska.

Jak Inteligentne Technologie Zmieniają Budowę Tuneli?

Budowa tuneli, która przez wiele lat była oparta na tradycyjnych metodach inżynierskich, zaczyna zyskiwać na nowoczesnych technologiach, które wprowadzają elementy inteligentnego zarządzania procesem budowy. To obszar, w którym technologia ma wciąż duży potencjał do rozwoju, a jej przyszłość wydaje się szczególnie obiecująca, gdyż nowe metody stwarzają możliwość nie tylko poprawy efektywności, ale także bezpieczeństwa i dokładności pracy.

Zastosowanie zaawansowanych technik w budowie tuneli jest nadal młodym tematem, który wciąż nie został w pełni zgłębiony. Pomimo tego, że wiele innowacyjnych rozwiązań zostało już wdrożonych w różnych gałęziach przemysłu, budowa tuneli pozostaje jednym z obszarów, w którym inteligentne technologie mogą dopiero w pełni rozwinąć swoje możliwości.

Jednym z obszarów, w którym technologia zmienia podejście do budowy tuneli, jest prognoza geologiczna. W klasycznym podejściu prognozowanie warunków geologicznych przed rozpoczęciem wykopu wiązało się z analizą ograniczonej ilości danych. Nowoczesne podejścia, takie jak model ukrytych Markowa (OHMM), które dostosowują prognozy w czasie rzeczywistym na podstawie nowych danych, pozwalają na precyzyjniejsze przewidywanie ryzyka geologicznego. Takie modele umożliwiają wczesne wykrywanie ryzyka, co pozwala na bardziej skuteczne planowanie działań i minimalizowanie potencjalnych problemów, nawet w przypadku niewielkiej ilości danych początkowych.

Podobnie w kontekście charakteryzacji warunków geologicznych w tunelach wykorzystuje się algorytmy łączące metody statystyczne i sztuczną inteligencję. Algorytm DTW-Kmedoids, bazujący na klasteryzacji szeregów czasowych, pozwala na automatyczne rozpoznawanie warunków geologicznych napotkanych przez maszyny TBM (tunelowe maszyny wiertnicze), bez potrzeby wcześniejszego zapoznania się z kategoriami geologicznymi. Dzięki temu możliwe jest bieżące dostosowywanie parametrów pracy maszyny w oparciu o realne dane operacyjne, co w znaczący sposób poprawia efektywność pracy i bezpieczeństwo.

Nie mniej istotnym aspektem jest wykorzystanie wizji komputerowej do analizy warunków geologicznych napotykanych w czasie rzeczywistym. Dzięki integracji modeli opartych na MobileNet z teorią Dempstera-Shafera, możliwe staje się klasyfikowanie warunków geologicznych na podstawie obrazów materiału wykopanego przez TBM i transportowanego na taśmie. Tego rodzaju technologie umożliwiają natychmiastową reakcję na zmiany w geologii w trakcie eksploatacji maszyny, co znacząco poprawia bezpieczeństwo oraz precyzję działań.

Kolejnym istotnym krokiem w kierunku inteligentnych technologii w budowie tuneli jest modelowanie niezawodności frontu wykopu. Metoda oparta na funkcji copula oraz analizie Monte Carlo pozwala na dokładną ocenę stabilności frontu wykopu w przypadkach, gdy brak jest pełnych informacji o rozkładzie prawdopodobieństwa. Dzięki tej metodzie możliwe jest bardziej precyzyjne modelowanie ryzyka w trudnych warunkach, gdzie dane są ograniczone, co przekłada się na większe bezpieczeństwo całego procesu budowy.

Wybór odpowiednich maszyn i urządzeń w tunelowaniu jest kolejnym obszarem, gdzie technologia może wprowadzać istotne zmiany. Za pomocą metody cloud-TOPSIS możliwe jest przeprowadzanie analizy wielokryterialnej, która uwzględnia niepewność w doborze odpowiedniej technologii wykopu tunelu. Integracja modelu chmurowego z metodą TOPSIS pozwala na dokładniejszą ocenę i podejmowanie decyzji w warunkach niepewności, co może okazać się szczególnie przydatne w przypadku skomplikowanych projektów tunelowych, takich jak budowa metra.

Z kolei prognozowanie wydajności maszyn TBM jest możliwe dzięki nowym algorytmom, takim jak C-GRU, które łączą sieci neuronowe i jednostki rekurencyjne, umożliwiając dokładniejsze przewidywanie postępów wykopu. W połączeniu z analizą czułości parametrów wejściowych za pomocą testu Fourier’a, takie modele pozwalają na znaczne podniesienie dokładności prognoz w czasie rzeczywistym, co może przyczynić się do lepszego zarządzania procesem wykopu i minimalizowania ryzyka opóźnień.

Zaawansowana kontrola pozycji maszyny TBM za pomocą technik uczenia ze wzmocnieniem (DRL) oraz modelowania przestrzenno-czasowego pozwala na precyzyjne sterowanie maszyną w skomplikowanych warunkach. Zastosowanie modelu LSTM w tym kontekście umożliwia jeszcze lepsze prognozowanie dynamiki pracy maszyny i optymalizację jej ruchów, co z kolei prowadzi do większej efektywności i dokładności wykopu.

Kiedy chodzi o synchronizację wykopu i montaż segmentów, technika SESA w połączeniu z metodą optymalizacji Bayesowskiej i algorytmem XGBoost daje możliwość automatycznego dostosowywania działań w czasie rzeczywistym, poprawiając zarówno efektywność, jak i jakość procesu budowy.

Przy wdrażaniu wszystkich tych inteligentnych technologii w proces budowy tuneli należy pamiętać, że kluczowym czynnikiem pozostaje integracja tych systemów w sposób płynny i efektywny. Każda z zaprezentowanych metod wymaga dostosowania do specyficznych warunków lokalnych, w których realizowane są projekty budowlane. Technologie te mogą nie tylko poprawić jakość samego procesu budowy, ale również przyczynić się do zmniejszenia kosztów i skrócenia czasu realizacji inwestycji.

Zrozumienie potencjału tych nowych technologii oraz ich wpływu na bezpieczeństwo i efektywność budowy tuneli jest kluczowe, by w pełni wykorzystać ich możliwości. Warto zauważyć, że wdrażanie takich rozwiązań wymaga nie tylko nowoczesnych narzędzi i technologii, ale także zmiany podejścia do zarządzania projektami budowlanymi. To już nie tylko kwestia wyboru odpowiednich maszyn, ale także umiejętności integracji różnych systemów informatycznych i technologicznych w celu uzyskania optymalnych wyników.

Jak optymalizować wydajność TBM za pomocą sieci neuronowych?

Zanim rozpoczniemy szkolenie modelu głębokiego uczenia dla maszyn TBM (Tunnel Boring Machine), konieczne jest odpowiednie przygotowanie danych wejściowych. Proces wstępnego przetwarzania danych obejmuje szereg kroków, takich jak normalizacja danych, reskalowanie oraz obliczanie wartości Z-score, co ma kluczowe znaczenie dla późniejszego skutecznego treningu modelu. Wartość Z-score dla parametru $X_i$ jest wyrażona wzorem:

z = \frac{x_i - \tilde{x}_i}{S_i}

gdzie $\tilde{x}_i$ oznacza średnią wartość parametru wejściowego, a $S_i$ to jego odchylenie standardowe. Wartości $x_{min}$ i $x_{max}$ to odpowiednio minimalna i maksymalna wartość zmiennej $X_i$ , a dane wejściowe obejmują zarówno parametry, jak i wyniki wydajności, które będą wykorzystywane do trenowania modelu głębokiego uczenia.

Po wstępnym przetworzeniu danych i przekształceniu ich do odpowiedniego formatu, możliwe staje się wydobycie parametrów potrzebnych do dalszego szkolenia modelu. Wcześniej, przed rozwojem inteligentnego modułu, warto zapoznać się z wskaźnikami wydajności, które będą monitorowane w procesie wydobycia tunelu.

Kluczowe wskaźniki wydajności TBM

Wydajność maszyny TBM zależy od kilku kluczowych wskaźników. Do najistotniejszych z nich należy wskaźnik prędkości penetracji (Pr), który wyraża szybkość wykopu i jest obliczany jako stosunek przebytej odległości wykopu do czasu jego realizacji bez zatrzymywania maszyny. Jest to jeden z najważniejszych wskaźników, który odzwierciedla efektywność procesu wykopu i wydajność konstrukcyjną. Wysoka prędkość penetracji oznacza lepszą wydajność wykopu i szybszy postęp budowy. Dlatego też wskaźnik ten jest uznawany za pierwszy cel optymalizacji wydajności TBM i oznaczany jako $O_1$ . Matematycznie przedstawia się go wzorem:

O_1 = Pr = \frac{N_s}{t}

gdzie $N_s$ to liczba uderzeń wykopu, a $t$ to czas spędzony na wykopie.

Drugim ważnym wskaźnikiem jest stosunek nadwyżki wykopu (Oev), który odzwierciedla bezpieczeństwo oraz niezawodność wykopu. Wyrażany jest jako stosunek rzeczywistej masy ziemi wydobytej przez TBM do wartości teoretycznej. Im mniejszy wskaźnik nadwyżki wykopu, tym mniejsze zakłócenia w glebie i mniejsze ryzyko uszkodzenia struktur nadziemnych. Wzór na obliczenie Oev:

O_2 = Oev = \frac{MS_{ac}}{MS_{theo}}

gdzie $MS_{ac}$ to rzeczywista masa ziemi usuniętej przez TBM, a $MS_{theo}$ to wartość teoretyczna masy ziemi dla jednej obręczy wykopu.

Kolejnym kluczowym wskaźnikiem jest zużycie energii (ET) maszyny TBM, które ma bezpośredni wpływ na całkowity koszt projektu. Zużycie energii na głowicy przecinającej może stanowić nawet 60–80% całkowitego zużycia energii. Zużycie energii szacowane jest na podstawie następujących wzorów:

O_3 = ET = E_1 + E_2

E_1 = \sum_{i=1}^{n} N_{si} \cdot F_i

E_2 = \sum_{i=1}^{n} \omega_i \cdot T_i \cdot t_i

gdzie $E_1$ to energia zużywana przez system hydrauliczny, a $E_2$ to energia zużywana przez system przecinający, $F_i$ i $T_i$ to odpowiednio siła naporu i moment obrotowy na głowicy, a $\omega_i$ to prędkość obrotowa głowicy.

Ostatnim wskaźnikiem jest zużycie narzędzi TBM (Tw), które jest istotne, ponieważ nadmierne zużycie narzędzi prowadzi do obniżenia efektywności wykopu, a w skrajnych przypadkach może uszkodzić samą głowicę TBM. W obecnej praktyce przemysłowej zużycie narzędzi jest mierzone w trakcie interwencji w głowicy co pewien czas. Zebrane dane mogą zostać wykorzystane do obliczenia zużycia narzędzi w każdej części wykopu, co opisuje wzór:

O_4 = Tw = \pi D \omega_i N_{si}

gdzie $D$ to średnica wykopu, $\omega_i$ to prędkość obrotowa, a $N_{si}$ to liczba uderzeń w czasie eksploatacji.

Model głębokiego uczenia do estymacji wydajności

Aby skutecznie ocenić wydajność TBM, konieczne jest stworzenie odpowiedniego modelu głębokiego uczenia. Zastosowanie sieci neuronowych GCN (Graph Convolutional Networks) oraz LSTM (Long Short-Term Memory) pozwala na uchwycenie zarówno cech przestrzennych, jak i czasowych w danych wejściowych.

W tym kontekście parametry operacyjne TBM traktowane są jako węzły, a zależności między nimi stanowią krawędzie. W efekcie całość danych wejściowych jest traktowana jako graf o strukturze. Sieci GCN wykorzystywane są do wydobywania cech przestrzennych, gdzie przepływ informacji między węzłami odbywa się w sposób konwolucyjny. Sieci LSTM natomiast są odpowiedzialne za uchwycenie zależności czasowych, które mają kluczowe znaczenie dla oceny wydajności na podstawie historii operacji.

Model składa się z dwóch warstw GCN, które następnie przechodzą do trzech warstw LSTM, a na końcu znajduje się pojedyncza warstwa gęsta, która generuje wynik prognozy. Do zaimplementowania modelu wykorzystano frameworki TensorFlow Keras i Stellargraph, a dane dzielone są na dwie części: 80% na trening i 20% na testowanie.

Dzięki temu podejściu możliwe jest uzyskanie dokładnych prognoz wydajności TBM na podstawie wcześniej zebranych danych operacyjnych. Co więcej, tego typu model umożliwia także optymalizację parametrów maszyny w czasie rzeczywistym, co znacząco wpływa na poprawę efektywności procesu wykopu.

Jak działają oscylacje sprzężone w układzie dwóch mas i trzech sprężyn?
Czy nasze pojęcie faktu jest wystarczająco stabilne, by go uznać za absolutne?
Jak wykrywać metale ciężkie elektrochemicznie przy użyciu cyklodekstryn?