Como a Detecção de Condições Geológicas Pode Transformar a Construção de Túneis: Estudo de Caso e Resultados Experimentais

A detecção precisa das condições geológicas encontradas durante a escavação de túneis é essencial para o sucesso de projetos de engenharia subterrânea. No contexto de um estudo recente, imagens capturadas de correias transportadoras de terra (TBM) recém-excavada foram analisadas para detectar diferentes perfis geológicos. Essas imagens foram fundamentais para entender as condições geológicas encontradas ao longo das escavações, classificadas em três tipos principais: S1, S2 e S3.

O Tipo 1 (S1) corresponde à formação Kallang, um tipo de solo marinho. O Tipo 2 (S2) está relacionado à formação Jurong SV/SVI, enquanto o Tipo 3 (S3) refere-se às camadas SIII/SIV da mesma formação. A principal diferença entre os tipos S2 e S3, embora ambos pertençam à formação Jurong, é a maior quantidade de rochas no solo S3. A compreensão dessas variações permite uma avaliação mais precisa das condições geológicas ao longo das escavações, o que é fundamental para o planejamento e a execução segura do projeto.

Durante a análise das imagens, a variedade de solos foi representada por diferentes fotos, ilustrando as condições geológicas características de cada tipo. Essas imagens serviram de base para o treinamento de modelos de aprendizado de máquina, projetados para identificar e classificar as condições geológicas automaticamente. O treinamento envolveu a coleta de 449 imagens, divididas em um conjunto de treinamento e outro de teste. Para garantir a precisão e evitar o sobreajuste, foi utilizado um processo de validação cruzada com cinco dobras.

Além disso, o pré-processamento das imagens incluiu a remoção das bordas e a realização de cortes aleatórios para garantir que as imagens estivessem representando com precisão as condições reais de solo encontradas no campo. O modelo foi treinado usando a arquitetura MobileNet, que é uma abordagem eficiente para o reconhecimento de imagens, especialmente quando se trata de grandes quantidades de dados. Os resultados mostraram que, mesmo com um número reduzido de modelos base, a precisão das previsões se manteve impressionante, com valores de precisão, recall e F1 elevados.

O processo de validação cruzada revelou que o método proposto foi eficaz na detecção das condições geológicas, apresentando uma precisão média de 83,5%. Além disso, a fusão de vários modelos base através de uma estratégia de Ensemble, chamada DST (Dempster-Shafer Theory), mostrou que o modelo EMNet obteve os melhores resultados. Quando seis modelos foram utilizados, a precisão subiu para 87,6%, e a pontuação F1 alcançou 87,4%, destacando a eficácia da combinação de múltiplos modelos para otimizar a precisão e a robustez do sistema.

Ao longo do estudo, ficou claro que a aplicação de métodos de aprendizado de máquina na detecção de condições geológicas pode acelerar significativamente o processo de escavação e reduzir os riscos durante a construção de túneis. A automação na análise de imagens das correias transportadoras permite que as equipes de engenharia detectem mudanças nas condições do solo de forma mais ágil e precisa. Essa capacidade de monitorar em tempo real as características geológicas proporciona não apenas uma maior segurança nas obras, mas também uma gestão mais eficiente dos recursos.

Além disso, a flexibilidade do sistema, capaz de lidar com diferentes números de modelos base, é um ponto crucial. Mesmo com a utilização de apenas dois modelos base, a precisão foi superior a 83%, o que é suficiente para garantir a eficácia das previsões, especialmente em contextos em que a eficiência é mais importante do que a precisão absoluta.

Este estudo mostra como a inteligência artificial pode transformar a construção de túneis, permitindo uma detecção geológica mais precisa e ajudando a otimizar o processo de escavação. No entanto, é importante notar que, apesar dos avanços, a implementação prática desses sistemas deve ser acompanhada de uma análise contínua dos resultados e de ajustes constantes nos modelos, uma vez que as condições geológicas podem variar significativamente de um projeto para outro. A adaptação do sistema a essas variações é fundamental para garantir sua eficácia a longo prazo.

Como Otimizar o Controle de Pressão do Cilindro Hidráulico em Máquinas SESA TBM Usando Algoritmos de Otimização Multi-Objetivo em Tempo Real

O controle eficiente da pressão do cilindro hidráulico em máquinas de escavação, como as SESA TBM (Tunnel Boring Machine), é crucial para garantir a eficiência operacional e a durabilidade do equipamento. O processo de escavação e montagem dos segmentos no TBM depende diretamente da atuação dos cilindros hidráulicos, o que torna seu controle preciso uma questão de grande importância. Para otimizar esse processo, é necessário um sistema que possa não apenas monitorar, mas também ajustar dinamicamente a pressão dos cilindros em tempo real, com base nas condições operacionais e nos dados históricos.

A proposta apresentada neste capítulo foca no uso de um algoritmo de otimização multi-objetivo online para redistribuir a pressão nos cilindros hidráulicos, minimizando o fenômeno de concentração de tensões, que pode prejudicar a integridade do sistema. Esse método se baseia em um modelo de otimização extremada, denominado Bayesian Optimization Extreme Gradient Boosting (BO-XGBoost), que permite realizar a detecção da condição do cilindro. Além disso, um algoritmo de otimização Archimedean Online Algorithm (AOA) foi desenvolvido para reequilibrar as pressões de maneira eficiente, melhorando o desempenho global da máquina.

Em sistemas hidráulicos, a pressão é um indicador chave de desempenho, pois afeta diretamente tanto a velocidade quanto a força de operação dos cilindros. A predição precisa de parâmetros como a pressão, o movimento e a posição dos cilindros em tempo real é essencial para garantir a estabilidade da máquina durante a operação. Diferentes métodos têm sido utilizados para controle e previsão da pressão hidráulica, mas os tradicionais (baseados em experiência empírica, simulação numérica ou testes experimentais) têm limitações, principalmente no que diz respeito à escalabilidade e à precisão em cenários complexos.

Nos métodos empíricos, a análise é feita com base na experiência dos especialistas, o que pode resultar em uma grande incerteza devido à subjetividade envolvida. Já os métodos numéricos dependem de cálculos complexos baseados na mecânica dos fluidos, que exigem altos custos computacionais e nem sempre são viáveis em tempo real. Os métodos experimentais, embora altamente precisos, são caros e difíceis de implementar de forma ampla em projetos de engenharia.

Em contrapartida, o uso de técnicas de aprendizado de máquina tem se mostrado promissor, principalmente quando integrado ao controle de cilindros hidráulicos. Ao combinar dados históricos e parâmetros ambientais com modelos de aprendizado de máquina, é possível prever com precisão diversos parâmetros de operação do cilindro, como a pressão, o movimento e até mesmo o tempo de resposta do sistema hidráulico. Isso possibilita a antecipação de falhas e a realização de ajustes em tempo real para melhorar a eficiência da operação.

A novidade deste capítulo reside na proposta de integrar a otimização multi-objetivo online ao controle ativo da pressão, abordando uma lacuna importante na literatura: a falta de métodos para controlar a operação colaborativa de múltiplos cilindros em um sistema como o TBM. Ao empregar o BO-XGBoost para monitorar as condições dos cilindros e o AOA para otimizar a pressão de maneira contínua, é possível alcançar um controle preciso e dinâmico, adaptando-se às condições variáveis da escavação e montagem de segmentos.

Durante o processo de montagem dos segmentos, a distribuição da pressão nos cilindros hidráulicos deve ser otimizada para evitar o acúmulo de tensões, o que poderia prejudicar a integridade do sistema. A configuração hidráulica do SESA TBM, que consiste em dois conjuntos de cilindros (um para escavação e outro para montagem dos segmentos), exige um controle preciso e coordenado de suas pressões para garantir que o processo ocorra sem falhas. O modelo de otimização desenvolvido neste capítulo considera essas complexidades e fornece um sistema de controle em tempo real para melhorar a confiabilidade da máquina.

A implementação bem-sucedida desse sistema de controle exige, no entanto, que o ambiente de operação seja adequadamente monitorado e que os dados dos cilindros sejam constantemente atualizados. A detecção em tempo real das condições dos cilindros e a aplicação de algoritmos de otimização garantem que a pressão seja redistribuída de maneira eficiente, minimizando os riscos associados à operação do TBM. Essa abordagem é especialmente importante em cenários de escavação de alta complexidade, onde a precisão e o controle são essenciais para o sucesso da operação.

É importante também notar que a otimização da pressão dos cilindros não é uma solução isolada, mas parte de um conjunto de melhorias que devem ser aplicadas ao longo do processo de construção e escavação. A integração de tecnologias de detecção, previsão e controle avançado pode resultar em uma operação mais segura, rápida e econômica. A evolução contínua das metodologias de aprendizado de máquina e da otimização em tempo real oferece um grande potencial para a indústria de construção e engenharia civil, trazendo benefícios significativos em termos de eficiência e sustentabilidade.