Hur Real-Time Optimering och Detektion Förbättrar Tunnelborrmaskinens Effektivitet

Den moderna tunneldrivningsindustrin strävar ständigt efter att optimera arbetsflöden och säkerställa maximal prestanda genom att använda avancerade teknologier. En sådan innovation är det system som möjliggör realtidsdetektion och optimering av hydraultryck. Genom att applicera en online Archimedean optimeringsalgoritm (AOA) kan denna metod kontinuerligt justera och optimera hydraultrycket under borrprocessen. För att validera effektiviteten i denna metod, byggdes ett SESA TBM experimentbord, där metodens tillämpning testades genom fältförsök. Resultaten visade på en markant förbättring av operationell stabilitet genom att minska spänningskoncentrationer i hydraulcylindrarna, vilket bidrar till en mer pålitlig och effektiv TBM-operation.

En ytterligare fördel med denna teknik är att den erbjuder en teoretisk grund för utvecklingen av synkroniserad grävning och segmentmontering. Detta kan i sin tur leda till en mer effektiv och tillförlitlig tunnelborrmaskinsdrift (TBM), särskilt i komplicerade grävförhållanden där snabb anpassning till föränderliga parametrar är avgörande. Tekniken ger möjlighet att snabbt identifiera och åtgärda potentiella problem, vilket gör tunnelbyggen både säkrare och mer kostnadseffektiva.

Kapitel som handlar om tunnelborrmaskinens felidentifiering och dess applikation i tunnelbyggnation beskriver mekanismer för misslyckanden samt systematiska metoder för att utvärdera risken för fel på skyddshjälmen under grävprocessen. Denna metod omfattar fyra steg: undersökning av felmekanismer, konstruktion av dynamiska fälträder, uppbyggnad av ett diskret-tids Bayesianskt nätverk och riskanalys. Den här ansatsen eliminerar vanliga problem med Markovmodeller, såsom explosionsrisker i tillståndsrum och felaktiga omvandlingsprocesser.

En annan viktig del av tunnelbyggandet är tunnelns linjejustering. Här tillämpas en genetisk algoritm (GA) för att optimera flera mål, vilket gör det möjligt att balansera motstridiga krav som radius, djup, investering och komfort. För att hitta den mest effektiva lösningen genereras en uppsättning kompromisslösningar längs Pareto-fronten, vilket ger beslutsfattarna ett bättre beslutsunderlag för projektet. Detta tillvägagångssätt har bekräftats genom ett verkligt projekt där projektägare har kunnat fatta mer informerade beslut.

Riskbedömning är också en kritisk aspekt i tunnelbyggnation. En hybridmetod som kombinerar Building Information Modeling (BIM) med Dempster-Shafer-teori för att hantera osäkerhet ger projektledare möjlighet att bättre förstå och visualisera de säkerhetsrisker som finns i ett tunnelbygge. Genom att använda en dynamisk riskvisualisering kan åtgärder snabbt sättas in för att minska potentiella faror. Denna metod har visat sig effektiv i flera fallstudier och erbjuder realtidsinformation som kan förbättra både säkerheten och produktiviteten.

För att förutse och optimera risker vid tunnelgrävning används en intelligent beslutsstödsram som baseras på djupa neurala nätverk (DNN). Denna ram tillåter både riskprognoser och optimering i de komplexa miljöer som tunnlar ofta skapas i. Den har testats i projekt som Wuhan-metroprojektet och har visat sig öka både noggrannheten i riskbedömningar och förmågan att optimera strategier för att hantera dessa risker. Denna teknologi bidrar till bättre beslut och gör tunnelbyggen säkrare och mer kostnadseffektiva.

Det är viktigt att förstå att även om dessa teknologier erbjuder stora fördelar, kräver de också en betydande investering i både infrastruktur och kompetens. Implementering av dessa avancerade system förutsätter att personalen är utbildad och att nödvändig teknologi och programvara är på plats. För att maximera effektiviteten av dessa teknologier måste hela byggprocessen vara digitalt integrerad, från projektplanering och design till drift och underhåll. Endast genom att fullt ut anamma dessa teknologier kan tunneldrivningsindustrin realisera de potentialer som dessa innovationer erbjuder.

Hur kan geologiska risker förutsägas i realtid med OHMM-modeller?

I ett underjordiskt byggprojekt där geologisk variation är komplex, ofullständig och ofta missvisande, är behovet av tillförlitliga förutsägelser kritiskt. En central utmaning i denna kontext är att koppla observerade jordtyper—ofta inkompletta, spridda och varierande i precision—till dolda tillstånd som representerar geologisk risk. Dessa tillstånd är inte direkt observerbara under konstruktionen men är avgörande för att förutse potentiella faror som påverkar stabilitet, framdrift och säkerhet.

Online Hidden Markov Models (OHMM) möjliggör ett kontinuerligt lärande där modellen uppdateras i realtid när nya observationer görs under tunnelborrning. Den centrala processen innefattar en sekventiell fyllning av data mellan borehål med hjälp av tillståndsberoende sannolikheter och modellens interna dynamik. När nästa sannolika tillstånd estimerats från det senaste observerade tillståndet, används denna estimering för att syntetisera mellanliggande observationer tills ett faktiskt nytt tillstånd observeras. Om tillståndet inte ändrats, upprepas den tidigare syntetiserade observationen. Om det däremot skett en förändring, identifieras en slumpmässig brytpunkt där övergången sker, och sekvensen delas i två delar: en del med det gamla tillståndet, och en med det nya. Denna sekvenskonkatenation fortsätter för varje ny observerad punkt.

För att övervaka hur väl modellen lär sig används ett mått kallat log-likelihood error, som kvantifierar skillnaden mellan den mest sannolika tillståndssekvensen modellen producerar och den verkliga tillståndssekvensen. Genom att använda Viterbi-algoritmen, beräknas den mest sannolika sekvensen givet de hittills observerade data, och denna jämförs med den sanna sekvensen. Skillnaden mellan modellens sannolikhetspoäng och den sanna sekvensens log-likelihood ger en indikator på modellens prestanda.

I praktiken innebär detta två huvudsakliga tillämpningsscenarier: inferens och prediktion. Inferens avser tolkning av dolda risknivåer baserat på tidigare och nuvarande observationer, medan prediktion innebär att man med hjälp av modellen förutser framtida dolda tillstånd i ännu ej uppgrävda sektioner. Det senare är av särskilt praktiskt värde, eftersom tidig varning för potentiellt farliga geologiska tillstånd möjliggör åtgärder innan kritiska situationer uppstår.

Prediktionens träffsäkerhet mäts genom så kallad forward accuracy, där modellens framtida tillståndssekvens jämförs med den faktiska sekvensen när den väl blivit känd. Precisionen kvantifieras som andelen korrekt förutsagda tillstånd, viktat över det antal steg framåt som modellen gör en prognos för.

Tunnelprojektet i Singapore, som omfattade 915 ringar, visar tydligt den problematik som OHMM är utformad för att lösa. Jordtyperna i området—bland annat flodlera, marin lera och organiskt material—uppvisar skarpa kontraster i både mekaniska och dynamiska egenskaper. Dessa skillnader resulterar i skilda sprickbildningsmönster och bärighetsbeteenden. Samtidigt är de tillgängliga data glesa; mellan två borrhål kan det finnas 20 till 30 tunnelringar, och varje borrhål representerar därmed bara en approximation av ett mycket mer detaljerat geologiskt landskap.

Hur kan geologiska förhållanden under tunnelborrning identifieras tillförlitligt med datorseende?

Under tunnelborrning med sköldmaskin är förståelsen av de geologiska förhållandena avgörande för effektiv planering, riskminimering och anpassning av driftparametrar. Traditionella metoder för bedömning av jordartstyper baseras ofta på manuell provtagning och efteranalys, vilket är tidskrävande, fragmentariskt och otillräckligt i realtidssammanhang. I detta sammanhang framstår datorseende, särskilt baserat på djupa neurala nätverk, som en nyckelteknik för automatisk och tillförlitlig identifiering av de jordarter som uppträder under borrningsprocessen.

Ett nytt angreppssätt som integrerar flera MobileNet-modeller i ett ensemble-system, kallat EMNet, föreslås som en lösning för att förbättra klassificeringen av jordarter utifrån bilder av det uppgrävda materialet som transporteras på transportbandet från TBM:n. Genom att använda DST (Dempster-Shafer-teori) för informationsfusion mellan de olika modellernas prediktioner, kan EMNet hantera osäkerhet och redundans i datan på ett robust sätt. Det är denna fusion, snarare än enskilda modellers kapacitet, som ligger till grund för den förbättrade prestandan.

Jämförelser mellan olika arkitekturer, såsom ResNet, VGG och GoogleNet, visar tydligt på EMNets överlägsenhet, särskilt i de mest utmanande klasserna av jordarter. ResNet felklassificerar samtliga bilder av S3-jord som antingen S1 eller S2. VGG och GoogleNet når inte bättre än 25% respektive 5% korrekt klassificering av S3, medan MobileNet når omkring 40% i sämsta fall. EMNet lyckas däremot identifiera majoriteten av S3 korrekt, vilket är avgörande i geologiskt känsliga miljöer där missklassificering kan leda till felaktig anpassning av stödtryck eller borrparametrar.

SHAP-analys (SHapley Additive exPlanations) används för att tolka modellens beslut och avslöjar att yttexturen hos det uppgrävda materialet är den mest inflytelserika faktorn för klassificering. Det innebär att de visuella egenskaperna hos jordfragment – såsom kornstorlek, struktur och färgvariationer – bär på avgörande information som kan extraheras av nätverket och användas som indikator för geologiska övergångar.

För läsaren är det avgörande att förstå att EMNet inte är en enkel förbättring av en befintlig modell, utan representerar en paradigmatisk förändring i hur visuell information från borrningsmiljön hanteras. Genom ensemble-inlärning kombineras flera svaga prediktorer till ett starkt kollektivt beslut, vilket är särskilt effektivt i miljöer med hög variation och okända jordarter.

Förutom den förbättrade prestandan bör man betona att tillämpningen av en sådan metod också innebär att man i realtid kan upptäcka övergångar mellan olika geologiska zoner, något som traditionella sensorer eller manuell bedömning inte alltid klarar. Det möjliggör snabb anpassning av borrparametrar, vilket i sin tur minimerar risken för kollaps, vattenintrång eller överdrivet slitage på maskinutrustning.

Det är också väsentligt att förstå att effektiviteten hos EMNet är starkt beroende av kvaliteten på de insamlade bilderna, förbehandlingsmetoderna och korrekt hantering av obalanserade datamängder. En felaktig träning på skeva datamängder kan snabbt urholka systemets noggrannhet. Därför krävs en strikt kontroll av datakvalitet och en djup förståelse för vilken typ av visuell information som bär semantisk vikt för klassificeringen.

Hur kan dynamiska felträd och tidsberoende Bayesianska nätverk användas för att analysera och förutsäga fel i sköldskärare vid tunnelborrmaskiner (TBM)?

Fel på sköldskärare i tunnelborrmaskiner är ett återkommande problem som ofta leder till betydande förseningar och ökade kostnader i tunnelprojekt världen över. Statistiskt sett utgör dessa fel nästan hälften av alla olyckor inom tunnelbyggnad, där bland annat de extrema förhållandena i marken, såsom hårdhet och blandade jordlager, accelererar slitaget på skärarna. Exempel från projekt i Singapore, Tyskland och Portugal illustrerar hur dessa förhållanden snabbt kan förkorta skärarets livslängd och till och med orsaka allvarliga säkerhetsincidenter, vilket understryker behovet av en djupare förståelse av felmekanismerna.

Traditionellt används felträd (fault trees) för att kartlägga och analysera kombinationer av komponentfel som kan leda till systemfel. Dessa statiska modeller använder enkla logiska grindar för att illustrera hur olika fel samverkar. Men de statiska felträden är otillräckliga när det kommer till att fånga dynamiska aspekter, såsom tidsberoende händelser, sekvensberoenden och användning av reservdelar, vilka ofta är centrala i komplexa system som TBM. Därför har dynamiska felträd (DFT) utvecklats som en förlängning för att hantera sekventiella och tidsberoende processer.

DFT använder en linjär modulariseringsalgoritm för att bryta ner stora felträd i mindre delträd, vilket gör det möjligt att hantera komplexa tidsberoenden och dynamiska logiska samband. Trots detta uppstår en utmaning i form av den så kallade "state space explosion", där antalet möjliga tillstånd växer exponentiellt med systemets komplexitet, vilket gör analyserna beräkningsmässigt mycket krävande och begränsar deras praktiska användbarhet för stora system.

Ett modernt alternativ för att hantera dessa utmaningar är införandet av tidsberoende Bayesianska nätverk (Discrete-Time Bayesian Networks, DTBN). Dessa nätverk möjliggör modellering av dynamiska system utan att drabbas av de problem som Markovkedjor och DFT-metoder ofta möter, såsom storleksökningen av tillståndsutrymmet och risken för fel vid konverteringar. Genom att kombinera DFT och DTBN skapas en hybridmodell som inte bara kan simulera och analysera olika komponenters beteenden och deras tidsmässiga interaktioner, utan också möjliggör både prediktiv och diagnostisk analys av fel i TBM:s sköldskärare.

Denna modell har validerats i praktiska tunnelprojekt, där man sett hur den kan förutse potentiella fel och därmed bidra till att optimera underhåll och riskhantering. Förståelsen av de olika typerna av fel på sköldskärare, såsom skärskivsslitage och sprickbildning, i relation till interna fel och externa geologiska förhållanden, är avgörande för att korrekt kunna använda dessa avancerade modeller.

Vidare är det viktigt att inse att TBM-operatörernas effektivitet beror på ett finjusterat samspel mellan mekaniska system, geologiska data och realtidsövervakning. Därför kan integrering av sensordata och maskininlärningstekniker med DFT och DTBN erbjuda nya möjligheter att förbättra prediktioner och förebygga fel innan de inträffar. En djupare insikt i dynamiken mellan slitagedelar och jordens egenskaper kan också leda till utveckling av mer hållbara material och konstruktioner som minskar risken för kritiska haverier.

Hur digitala tvillingar kan förbättra TBM-prestanda i tunnelbyggnad

Den digitala tvillingen (DT) har blivit en kraftfull teknologi för att förbättra prestanda och effektivitet inom många industriella processer. När det gäller tunneldrivning är tunnelborrmaskiner (TBM) särskilt fördelaktiga att integrera med digitala tvillingar för att optimera både drift och säkerhet. Genom att använda en digital tvilling av TBM kan ingenjörer och operatörer övervaka realtidsdata från maskinens fysiska system och göra justeringar för att förbättra arbetsflödet och minska driftstopp.

Med den kontinuerliga utvecklingen av teknologier som IoT och 5G öppnas nya möjligheter för fjärrövervakning och autonoma system. Det innebär att TBM kan kontrolleras på distans av experter från ytan eller till och med operera autonomt, vilket kan minska arbetskraftskostnaderna och eliminera potentiella säkerhetsrisker. Denna utveckling leder inte bara till en effektivisering av arbetsprocesser, utan också till en mer komfortabel arbetsmiljö för de som arbetar vid tunnelns yta.

En digital tvilling gör det också möjligt att samla in och analysera stora mängder data från maskinen i realtid. Detta skapar förutsättningar för att bygga upp en mer detaljerad och intelligent digital modell som kan förutspå och justera TBM:s prestanda beroende på de geologiska förhållandena som råder. Genom att integrera djupinlärning och optimeringsmetoder kan TBM:s drift justeras dynamiskt för att förbättra prestanda, minska energiförbrukning och förhindra överexkavation.

Ett exempel på en sådan tillämpning är det praktiska användandet av digitala tvillingar för att optimera TBM:s arbete under projektet Singapore Circle Line 6 C885. I detta fall samlades data in från nio operativa parametrar via dataloggar och analyserades med hjälp av avancerade algoritmer för att optimera tre parametrar som var kritiska för prestanda. Dessa parametrar inkluderade penetrationhastighet, överexkavationsgrad, energiförbrukning och verktygsnötning. Resultaten visade på en betydande förbättring i TBM:s prestanda – med en genomsnittlig förbättring på 21,12 %.

Vid användning av digitala tvillingar och avancerad dataanalys kan operatörer inte bara övervaka TBM:s status, utan även fatta mer informerade beslut om drift och underhåll. Den föreslagna onlineoptimeringsmetoden, som beaktar både rumsliga och tidsmässiga faktorer, visar på en överlägsen prestanda jämfört med traditionella metoder för optimering av TBM:s arbetsparametrar. Detta gör tekniken mer praktisk och användbar för daglig drift, samtidigt som den säkerställer en mer realistisk optimering i realtid.

Det är också viktigt att förstå att den tekniska utvecklingen inte bara handlar om att förbättra TBM:s prestanda i realtid, utan även om att förbereda framtiden för autonoma tunneldrivningssystem. Med hjälp av digitala tvillingar och 5G-teknologi kan operatörer på avstånd övervaka och styra TBM genom en avancerad gränssnitt som inte bara ökar produktiviteten utan även minskar risken för mänskliga fel. Genom att fortsätta implementera och utveckla dessa teknologier förväntas tunneldrivningens effektivitet och säkerhet öka avsevärt, vilket gör det möjligt att hantera mer komplexa och utmanande projekt.

Slutligen är det centralt att förstå att den långsiktiga tillämpningen av digitala tvillingar i tunnelbyggande inte bara syftar till att förbättra maskinens effektivitet utan också att möjliggöra mer hållbara och ekonomiska lösningar på lång sikt. Data som samlas in under olika driftsförhållanden ger värdefulla insikter som kan användas för att förutsäga framtida problem och optimera både nuvarande och framtida byggprojekt. Genom att bygga vidare på denna teknik kan man förvänta sig en ständig förbättring i tunnelborrningens precision och effektivitet.