Deutsch
Francais
Nederlands
Svenska
Norsk
Dansk
Suomi
Espanol
Italiano
Portugues
Magyar
Polski
Cestina
Русский
Tunnelborrning genom varierande geologiska förhållanden ställer stora krav på förståelsen av markens egenskaper och maskinens interaktion med omgivningen. I projekt där tunnlar grävs genom mjuklera, fluviala sandlager och utfyllnadsmaterial blir insamlingen och analysen av TBM:s (Tunnelborrmaskinens) operativa data avgörande för att kunna följa och förutsäga geologiska förändringar längs tunnelsträckan.
De viktigaste geologiska förhållandena som påverkar borrprocessen kan delas in i fyra huvudtyper: marint lera, fluviala sand- och lerblandningar, utfyllnadsmaterial samt fluvial sand med silthalt. Varje typ har karakteristiska egenskaper såsom bulkdensitet, elasticitetsmodul och permeabilitet, vilka påverkar sättningar, stabilitet och borrmaskinens dynamiska belastning. Denna klassificering ger en grund för att förstå hur TBM:n påverkas och anpassar sina parametrar.
För att fånga dynamiken i TBM- och markinteraktionen har ett avancerat sensorsystem installerats, som mäter sju centrala parametrar: drivkraft, skärhuvudets moment, rotationshastigheter för skärhuvud och skruv, penetrationshastighet samt tryck i borrkammaren och mot marken. Dessa variabler speglar både maskinens belastning och jordens beteende under borrning, vilket gör det möjligt att observera förändringar i geologiska förhållanden i realtid.
Datainsamlingen sker kontinuerligt med hög upplösning, vilket skapar stora tidsseriedataset för varje tunnelring, där varje ring är cirka 1,5 meter lång. För att säkerställa datakvalitet tas de första och sista mätningarna bort för att eliminera brus och utliggare, vilket gör att analysen baseras på stabila och representativa data.
Den centrala metoden för att tolka dessa omfattande data är en obevakad klustringsalgoritm, en variant av DTW-Kmedoids, som grupperar tidsseriedata baserat på likhet utan förutbestämda etiketter eller träning. Genom att tillämpa denna algoritm kan mönster i TBM:s operation och markens svar upptäckas automatiskt, vilket möjliggör realtidsövervakning och anpassning till markförhållanden utan manuellt ingripande. Detta är särskilt värdefullt när stora datamängder ska hanteras och då förhandskunskap om förhållandena är begränsad.
Resultaten visar att de flesta segmentringar i tunneln går genom mjuk lera och sand, där klustringsmetoden effektivt kan särskilja olika geologiska lager genom variationer i parametrarna. Detta stödjer användningen av tidsserieanalys som ett verktyg för att förbättra förståelsen av borrprocessen och geologiska förhållanden.
Vidare jämförelser mellan olika klustringsalgoritmer med både Euclidisk avståndsmått och DTW (Dynamic Time Warping) visar att metoder baserade på DTW är bättre anpassade för att hantera tidsförskjutningar och icke-linjära variationer i data. Detta är kritiskt för att tolka TBM-data som är dynamiska och varierande över tiden.
Det är av vikt att förstå att denna metod bygger på en djupare integrering av geoteknisk kunskap och maskinparametrar, där statistiska beskrivningar av data ger insikt i TBM:s prestanda och markens respons. Genom denna kombination kan man inte bara följa utan också förutse förändringar i geologiska förhållanden, vilket i sin tur möjliggör bättre planering och optimering av borrprocessen.
Att lägga till förståelse för variationer i geologiska lager och deras påverkan på TBM-operation kan ge läsaren en bredare insikt i tunnelbyggandets komplexitet. Att reflektera över hur parametrarnas fluktuationer korrelerar med olika jordtyper och de praktiska konsekvenserna för maskinens kontrollstrategier fördjupar förståelsen ytterligare. Betydelsen av att hantera osäkerheter i data, inklusive brus och outliers, samt vikten av kontinuerlig övervakning för att förebygga driftstörningar, är också centralt.
Förutom det tekniska perspektivet är det viktigt att förstå hur denna dataanalys kan integreras i ett större system för projektledning, där snabba och pålitliga geologiska tolkningar kan minska risker, kostnader och förseningar i tunnelbyggnadsprojekt. Denna helhetssyn, där teknologi, geologi och ingenjörskonst samverkar, är avgörande för framgång i moderna infrastrukturella satsningar.
Hur optimeras hydraulcylinderns tryckfördelning för att minska stresskoncentration vid segmentmontering i SESA TBM?
Tack vare hyperparameteroptimering via Bayesian Optimization (BO) för XGBoost uppnås maximal potential i den integrerade trädmodellen med högsta möjliga noggrannhet och effektivitet. Detta gör BO-XGBoost särskilt väl anpassad för ingenjörsapplikationer där snabba och precisa beslut är avgörande, vilket även underlättar efterföljande onlineoptimeringar. Efter att status för hydraulcylindrarna identifierats exakt sker en dynamisk omfördelning och optimering av trycket med en onlinealgoritm som uppdaterar data var tionde sekund och direkt påverkar TBM-styrsystemet. Denna kontinuerliga inmatning möjliggör anpassning till den ständigt föränderliga verkliga arbetsmiljön, något som offline-algoritmer misslyckas med eftersom de enbart beaktar start- och slutstatus.
Användningen av online AOA-algoritmen i kombination med TOPSIS-metoden för Pareto-lösning ger en robust metod för att hantera högdimensionella variabler i olika driftsscenarier. I sex optimeringsscenarier, där hydraulcylindrarna delvis tas bort vid segmentmontering, minskar tryckvariansen signifikant och sprider belastningen jämnare mellan cylindrarna. Det leder till en reducering av maximalt tryck från 254 till 175 bar under hela monteringscykeln, vilket avsevärt minskar belastningen på både cylindrar och segment.
Resultaten visar att tryckomfördelningen kraftigt reducerar fenomenet med stresskoncentration, vilket annars skulle kunna leda till för tidigt slitage eller skador. Effekten av optimeringen varierar dock beroende på hur många och vilka cylindrar som saknas; till exempel minskar trycket med omkring 15 % vid fyra saknade cylindrar, medan det endast minskar med cirka 10 % vid en enda frånvaro. När fem cylindrar saknas beror förbättringen på deras placering, där symmetriskt bortfall ger mindre effekt än asymmetriskt. Utan optimeringsalgoritmen förekommer dessutom tryckarv, ett fenomen där tidigare monteringssteg påverkar efterföljande, vilket undviks med den kontinuerliga onlineoptimeringen.
Jämförelser mellan offline- och online-AOA bekräftar att onlineversionen ger bättre optimering och mer pålitliga resultat, tack vare sin förmåga att iterera med aktuella data och minska beräkningsfel. Skillnader i felmarginaler visar att online-AOA är mer exakt och effektiv i att kontrollera maximalt tryck i hydraulcylindrarna under den fortlöpande driften.
Det är viktigt att förstå att hydraulcylindrarnas tryckoptimering i en komplex och dynamisk arbetsmiljö kräver just-in-time anpassning där algoritmer kontinuerligt bearbetar realtidsdata. Detta skiljer sig fundamentalt från statiska optimeringsmetoder som inte kan hantera förändringar och variationer som uppstår under ett TBM-arbetscykel. Betydelsen av att använda metoder som online AOA är alltså inte bara en fråga om bättre prestanda, utan om att möjliggöra en långsiktigt hållbar och säker drift där både maskin och arbetsmiljö skyddas från överbelastning och skador. Dessutom visar resultaten att algoritmernas effektivitet inte bara beror på matematiska modeller utan också på hårdvarans svarstid och sensors noggrannhet, faktorer som måste beaktas i praktisk tillämpning.
Slutligen framgår att en optimal tryckfördelning bidrar till minskade driftstopp, lägre underhållskostnader och förbättrad säkerhet för personal och utrustning, vilket gör denna typ av intelligent styrning ovärderlig i moderna tunnelborrmaskiner. Denna teknik representerar därför ett viktigt steg mot mer automatiserad och adaptiv maskinstyrning i komplexa ingenjörsprojekt.