Hur kan människa–maskin–miljöinteraktion förbättra hållbarheten och effektiviteten inom tunnelbyggande?

Moderna tunnelbyggen är beroende av en mångfald av tekniska lösningar för att säkerställa effektivitet, säkerhet och hållbarhet. Sensorer som är inbäddade i tunnelstrukturer, realtidsinformation från tunnelborrmaskiner (TBM), geologiska data och miljöförhållanden som jordfuktighet, temperatur och markstabilitet spelar alla en viktig roll i att samla in information för att optimera byggprocessen. Trots de framsteg som har gjorts genom IoT och andra digitala teknologier, är det fortfarande så att de flesta modeller för intelligenta algoritmer enbart bygger på dessa data, utan att tillräckligt beakta den komplexa interaktionen mellan människa, maskin och miljö.

I detta system kan både människor och maskiner uppfatta omvärldens tillstånd. Människor får därmed en mer exakt bild av miljöns aktuella status, vilket gör att de bättre kan informera sina beslut för att styra maskinerna. Denna synergistiska samverkan mellan människan, maskinen och miljön bidrar till att skapa datadrivna modeller som är mer realistiska och flexibla. De kan anpassas efter de faktiska byggförhållandena och förändras dynamiskt beroende på miljöförhållandena på byggarbetsplatsen.

Trots potentialen i denna modell finns det flera utmaningar, särskilt när det gäller att införliva mänsklig kunskap i den fysiska världen genom digitala system. Mänsklig kunskap är ofta ostrukturerad och svår att direkt integrera i system som enbart baseras på objektiva data från maskiner och sensorer. För att kunna lösa dessa problem är det nödvändigt att använda teknologier som naturlig språkbehandling (NLP), vilket kan simulera människors kognitiva processer och resonemangsförmåga. NLP kan hjälpa till att skapa en sluten loop av mänsklig inlärning och feedback, där maskinen inte bara agerar utifrån objektiva data utan också kan förstå och anpassa sig till mer komplex mänsklig inblick och tolkning.

Utmaningarna blir ännu mer påtagliga när man tar hänsyn till de globala hållbarhetsmålen och klimatförändringarna. Byggindustrin, inklusive tunnelbyggen, har under lång tid inte tillräckligt beaktat sin miljöpåverkan, vilket har resulterat i stora utsläpp och stort användande av naturresurser. Denna sektor är ansvarig för en stor del av den inbyggda energin i byggmaterial som används i tunnlar, samt för de stora energiförbrukningarna vid grävning och transporter. Den stora användningen av tung maskinvara som TBM:er bidrar också till betydande CO2-utsläpp.

För att möta målen om koldioxidneutralitet och minska de negativa effekterna av byggverksamhet krävs en övergång till mer hållbara byggstrategier. Kina har redan implementerat en politik för att nå koldioxidtoppar och koldioxidneutralitet, vilket ger en vägledning för att minska utsläppen inom byggsektorn. Nyckelåtgärder för att uppnå detta inkluderar utvecklingen av rena och effektiva energisystem som inte är beroende av fossila bränslen, som solenergi, vindkraft och värmepumpar. Därtill bör återvunna och förnybara byggmaterial prioriteras för att minska den totala koldioxidavtrycket.

Det är också nödvändigt att använda digital tvillingteknologi för att förutsäga och kontrollera koldioxidutsläpp under hela byggprojektets livscykel. Genom att integrera intelligenta tjänster för byggnadens avkarbonisering och optimering kan data-drivena beslut informera och styra processen mot mer hållbara bygglösningar.

I framtiden kommer den integrerade tekniken för människa–maskin–miljöinteraktion, när den kombineras med digitala tvillingar, att kunna ge ett mer exakt och dynamiskt verktyg för att både optimera byggprocesser och möta hållbarhetsmål.

Hur kan geologiska förhållanden förutses effektivt under tunnelborrning med TBM?

Med urbaniseringens framfart ökar behovet av snabba och miljövänliga transportlösningar, där tunnelborrmaskiner (TBM) blivit den föredragna tekniken för stadstunnelbyggande. TBM:er erbjuder många fördelar jämfört med traditionella metoder, såsom hög automatisering, kontinuerlig drift, minskad miljöpåverkan och bättre säkerhet, men deras effektivitet påverkas starkt av de geologiska förhållandena som ofta är okända i förväg. För att förbättra tunnlingens säkerhet och effektivitet är det därför avgörande att tidigt och tillförlitligt kunna upptäcka och karakterisera de omgivande bergartsförhållandena.

Att exakt förutsäga de geologiska förhållandena längs tunnelns väg är dock komplext på grund av underjordens mångfacetterade och ofta oklara natur. Traditionella undersökningsmetoder som borrhål och markradar är tidskrävande och kostsamma, medan avancerade tekniker som datortomografi och 3D-laserskanning, trots sin precision, ofta har höga initiala kostnader och är inte direkt kopplade till TBM:s operativa prestanda. Samtidigt genererar TBM:er enorma mängder data under borrningen, vilket öppnar för en ny era där artificiell intelligens kan utnyttjas för att analysera dessa data och förutsäga geologiska förhållanden i realtid.

Genom att använda maskininlärningsmetoder kan mönster i TBM:s data kopplas till bergarternas egenskaper, vilket möjliggör snabbare och mer precisa beslut om borrmaskinens drift. Dock är många nuvarande metoder beroende av fördefinierade och noggrant märkta data, vilket ofta är svårt att uppnå på grund av begränsat antal borrhål och den subjektiva naturen i bergartsklassificering. Detta leder till inkonsekvenser och bristande tillförlitlighet i de geologiska tolkningarna.

En lösning på detta problem är att använda klusteralgoritmer som kan gruppera omärkta data baserat på likheter, utan behov av förhandskunskap eller manuella etiketter. Denna metod avslöjar dolda mönster i data och möjliggör en snabb och praktisk geologisk profilering under själva borrningsprocessen. Särskilt tidsserie-klustring, som hanterar data ordnade i tidsföljd, är effektiv för att extrahera temporala mönster från den kontinuerligt insamlade datamängden. Metoder som dynamisk tidsvikning (DTW) används för att mäta likheter mellan tidsserier med olika längder och tidsskiftningar, och kan hantera brus och störningar i data.

Tillförlitlig identifiering av bergartstyper under borrning påverkar direkt säkerhet, arbetets framdrift och kostnadseffektivitet. Att kunna förutse de geologiska förhållandena i realtid skapar därmed en möjlighet att anpassa TBM:s driftstrategi dynamiskt, minimera risker och undvika oväntade stopp. Genom att integrera intelligenta klustringsmetoder i TBM:s övervakningssystem kan tunnling göras både snabbare och säkrare, samtidigt som man minskar behovet av dyra och tidsödande manuella tolkningar.

Det är viktigt att förstå att geologiska förhållanden i tunnlar är dynamiska och ofta komplexa. Förutom algoritmernas tekniska aspekter krävs en helhetssyn där geotekniska data, maskindata och erfarenhet kombineras för att skapa robusta och praktiskt användbara modeller. Dessutom bör man beakta att även avancerade AI-metoder är beroende av kontinuerlig kalibrering och validering med fältdata för att undvika felaktiga slutsatser. En djup förståelse för TBM:s mekanik och de geologiska processerna som påverkar borrningen är avgörande för att dessa system ska kunna bidra med verkligt värde i projekten.

Hur optimering av tunnelutformning påverkar investering, komfort och turtäthet

I projekt för tunnelbyggen är det av största vikt att hitta en balans mellan olika mål, såsom investeringskostnad, komfort och turtäthet. Dessa tre faktorer är ofta i konflikt med varandra, och för att uppnå en optimal lösning krävs noggrann analys och optimering. I detta sammanhang är det viktigt att förstå hur parametrar som tunnelns längd, hastighet på tågen och storleken på tågflottan påverkar både den ekonomiska sidan av projektet och passagerarnas komfort.

När man beräknar turtätheten, H, är det centralt att beakta både tunnelns längd, tågflottans storlek och den genomsnittliga hastigheten hos tågen. Formeln för att uppskatta turtätheten är:

Tunnelns längd är en kritisk parameter i detta sammanhang, eftersom en längre tunnel kan kräva högre accelerationshastigheter för tågen. För höga accelerationshastigheter kan dock leda till obehag för passagerarna. Därför är det i detta kapitel viktigt att undersöka komforten ur accelerationsperspektivet. Den fysiska komforten för passagerarna är beroende av hur snabbt tåget accelererar och de påfrestningar detta innebär för kroppen. En modell för att beräkna komforten relaterar accelerationen till ett mått på obehag som beskriver förändringen i acceleration över tid, även kallat "jerk". Enligt studier av Hou et al. och Yu och Zhao kan denna relation uttryckas genom en formel:

Där $x$ representerar jerk, $a, b$ och $c$ är parametrar som styr modellens form, och $C$ är komfortindexet. Det är också möjligt att beräkna tågets hastighet i relation till tiden med hjälp av en annan formel, vilket ger en mer exakt bild av hur accelerationen utvecklas under körning.

Genom att tillämpa denna algoritm på projektet kan en uppsättning lösningar presenteras, varav de bästa lösningarna representeras genom Pareto-fronten. Denna metod ger insikt i hur de olika beslutspunkterna, såsom tunnelns radie $r$ och djup $d$, påverkar de tre målen – investering, turtäthet och komfort. Genom optimering reduceras lösningsutrymmet till en uppsättning realistiska och praktiska alternativ, och den bästa lösningen kan väljas som referens för det specifika tunnelprojektet.

Därmed blir trade-off lösningarna ett viktigt verktyg för att hjälpa projektägaren att fatta informerade beslut. De resultat som erhålls genom denna optimering är inte bara användbara för att välja den bästa lösningen utan ger också en förståelse för hur varje parameter påverkar det övergripande resultatet. En lösning som minimerar både investering och turtäthet, samtidigt som den bibehåller en acceptabel komfort, skulle vara den mest optimala.

Vidare bör man tänka på att dessa optimeringar inte bara handlar om att minimera kostnader eller maximera komfort, utan också om att förstå hur de olika elementen samverkar och påverkar det övergripande tunnelprojektets genomförbarhet och effektivitet. Att kunna visualisera dessa relationer genom användningen av modeller och algoritmer hjälper till att fatta välgrundade beslut och att balansera de tekniska och ekonomiska kraven på projektet.

Hur kan flerobjektoptimering förbättra beslut i komplex tunnelprojektering?

Komplexa byggprojekt präglas ofta av motstridiga mål som utgör hinder för att finna en optimal lösning som tillfredsställer alla krav samtidigt. I fallet med tunnelprojektering blir detta särskilt tydligt, då faktorer såsom investeringskostnad, restidsintervall (headway) och komfort måste balanseras mot fysiska parametrar som tunnelradie, djup och fordonskapacitet. Genom att tillämpa en genetisk algoritm-baserad metod för flerobjektoptimering har man utvecklat ett ramverk som tillåter identifiering av kompromisslösningar längs en Paretofront, där varje punkt representerar en avvägning mellan mål.

Metodens tillämplighet prövas genom ett verkligt projekt i Wuhan, där optimeringsmålen var investering, headway och komfort, medan tunnelradie och djup utgjorde beslutvariabler. En initial lösning resulterade i en investering på 559,81 miljoner CNY, ett headway på 5,66 minuter och en komfortnivå på 0,8646, med tillhörande beslutvariabler på 356,8 meters radie och 44,0 meters djup. Det är i detta sammanhang man ser den praktiska styrkan i metodens flexibilitet och dess förmåga att generera tillförlitliga lösningar även under varierande prioriteringar.

För att testa metodens robusthet vidare konstruerades tre scenarier med olika prioriteringar. Scenario I resulterade i ett lösningsavstånd på 0,50 från den ideala punkten, med 561,80 miljoner CNY i investering, headway på 4,50 minuter och komfort 0,8781. Scenario II gav en lösning med något högre kompromissnivå (avstånd 0,51) och något reducerade parametrar. Scenario III visade ett större avstånd från idealpunkten (0,69), men uppfyller samtidigt två restriktioner samtidigt, vilket gör lösningen mer lämplig i fall där både investering och kapacitet är kritiska begränsningar. Den valda lösningen i Scenario III innefattade ett headway på 3,38 minuter, komfort 0,8529 och en investering på 559,31 miljoner CNY. Detta scenario åskådliggör metodens anpassningsförmåga: även om komforten sjunker, uppfylls projektets övriga prioriteringar.

Flerobjektoptimering via genetiska algoritmer möjliggör en holistisk analys där flera dimensioner av projektbeslut behandlas simultant. Istället för att söka ett enskilt "bästa" svar, fokuserar denna metod på att generera ett spektrum av lösningar där beslutsfattaren kan välja utifrån sina specifika prioriteringar. Det görs tydligt att när investeringskostnad reduceras för mycket, påverkas komforten negativt, vilket illustrerar de inneboende konflikterna. Att kunna visualisera och kvantifiera dessa kompromisser är avgörande för strategiskt beslutsfattande i komplexa infrastrukturella miljöer.

Metodens praktiska värde ligger i dess tillämpbarhet inom verkliga projekt med mångfacetterade krav. Genom att expandera beslutvariablerna till att inkludera exempelvis fordonskapacitet (fleet size) och tillämpa restriktioner direkt i optimeringsmodellen, kan projektägare generera lösningar som är både tekniskt genomförbara och strategiskt motiverade. Den föreslagna metoden erbjuder dessutom flexibilitet att införliva ytterligare parametrar utan att förlora beräkningsbarhet, vilket är av avgörande betydelse för moderna byggprojekt.

Det som ytterligare bör förstås är vikten av korrekt identifiering och kvantifiering av målkonflikter innan optimering påbörjas. En bristfällig definition av beslutvariabler eller mål leder till felaktiga eller irrelevanta optimeringsresultat. Det krävs också en tydlig förståelse för skillnaden mellan närliggande lösningar på Paretofronten, då två lösningar med marginellt olika parametrar kan innebära betydande skillnader i projektets långsiktiga driftskostnader eller sociala påverkan. Slutligen är det väsentligt att optimeringsmodellen inte endast betraktas som ett tekniskt verktyg, utan som ett centralt stöd i beslutsprocesser där flera intressenter är involverade med olika värderingar och mål.

Hur kan djupinlärning och optimeringstekniker förbättra styrningen av TBM-operatörer?

För att träna den djupinlärningsmodell som krävs används genomsnittlig kvadratfel (MSE) som förlustfunktion tillsammans med Adam som optimerare. Aktivationsfunktionerna som används inkluderar ReLU (Rectified Linear Unit), ELU (Exponential Linear Unit), och tanh (hyperbolisk tangent), som alla är nödvändiga för att säkerställa att modellen kan hantera de icke-linjära relationerna som finns i TBM-operatörernas prestandadata. För att utvärdera modellens prestanda används ytterligare mått som medelabsolutfel (MAE), rotmedelkvadratfel (RMSE) och determinationskoefficienten (R²), som alla hjälper till att bedöma hur väl modellen kan förutsäga faktiska driftresultat.

En av de mest utmanande delarna i denna process är att optimera styrparametrarna för TBM:en, särskilt när det gäller att hålla modellens prestanda hög genom kontinuerlig uppdatering och justering av de inputvärden som används för optimeringen. Här spelar NSGA-II en central roll, eftersom det gör det möjligt att generera flera Pareto-frontlösningar, varav den mest optimala lösningen väljs. Genom att använda TOPSIS kan vi identifiera den mest idealiska lösningen genom att mäta avståndet mellan varje potentiell lösning och de mest optimala samt de mest ogynnsamma lösningarna.

För att ytterligare förbättra styrningen används en online-uppdatering av resultaten från den djupinlärningsmodell som justerats efter varje tidsteg. Det innebär att de historiska värdena för prestanda ersätts med de optimerade resultaten från föregående iteration. Denna kontinuerliga uppdatering gör det möjligt att anpassa styrparametrarna dynamiskt i realtid, vilket säkerställer att TBM:en kan anpassa sig till förändringar i driftförhållandena och förbättra sin effektivitet över tid.

För att mäta förbättringarna i prestanda används ett mått för förbättring (Impi), som jämför de ursprungliga resultaten med de optimerade resultaten. Detta ger en tydlig bild av hur mycket effektiviteten har ökat genom användning av de föreslagna metoderna. Genom att använda denna metodik kan både teoretiska och praktiska förbättringar implementeras i TBM-styrsystem, vilket leder till både kostnadsbesparingar och ökad produktivitet på lång sikt.

För att få bästa möjliga resultat vid användningen av denna typ av djupinlärning och optimering är det viktigt att tänka på hur systemet interagerar med verkliga driftförhållanden. En modell som är tränad under specifika förhållanden kanske inte ger optimala resultat under andra förhållanden utan noggrann anpassning och vidareutveckling av modellen. Dessutom är det avgörande att systemet kan bearbeta och förstå stora mängder data snabbt och exakt, särskilt när det gäller att förutsäga komplexa scenarier i realtid.