תפקיד הלמידה של מכונות בחיזוי סיכונים בפרויקט מנהרות

הבנת המורכבות של פרויקט מנהרות

פרויקטים מודרניים של מנהרה הם בין המחויבויות הנדסיות המאתגרות ביותר על פני כדור הארץ.הם כרוכים משעמם דרך היווצרותים גיאולוגיים מגוונים ולעתים קרובות בלתי צפויים, ניהול לחצים קרקעיים עצומים, שליטה במים, ותיאום מכונות כבדות בחללים מוגבלים.ההההה"מ הם גבוהים: כל אירוע בלתי צפוי יכול לחלחל לעיכובים, להגבלות לוח זמנים, לתאונות בטיחות, או אפילו לכשלים מסורתיים של ניהול סיכונים, להסתמך על מודלים נטולי שיפוטיים וקבועים על פני השטח, לעתים קרובות, אך ורק על פני המשתנים אלה, אך ורק על פני המשתנים, כאשר היא מתמודדת עם המשתנים, כאשר היא מתמודדת עם המשתנים, כאשר היא מתמודדת עם המשתנים עם המשתנים, כאשר היא מתמודדת עם המשתנים, לעתים קרובות עם המשתנים עם המשתנים, עם המשתנים, עם המשתנים, עם המשתנים, עם המשתנים, כאשר היא מתמודדת עם המשתנים, ופעולות של מצבי שיפוטיים, לעתים קרובות עם המשתנים עם המשתנים עם המשתנים, עם המשתנים עם המשתנים, אך לעתים קרובות, אך לעתים קרובות, אך לעתים קרובות, עם המשתנים, כאשר היא מתמודדת עם המשתנים, עם המשתנים, כאשר היא מתמודדת עם המשתנים, כאשר היא מתמודדת עם המשתנים,

התפתחות המכונה למידה ככלי לחיזוי סיכונים

למידת מכונה (ML) התפתחה כטכנולוגיה טרנספורמטיבית בהנדסה אזרחית, המציעה מתודולוגיה מבוססת נתונים כדי לשפר את החיזוי, הערכה, והפחתה של סיכונים ספציפיים למנהרה.בניגוד למערכות מבוססות חוק, מודלים של ML לומדים ישירות מהנתונים ההיסטוריים, זיהוי דפוסים עדינים ותאים שלא יהיו מסוגלים לזהות באופן ידני את אלגוריתמים של פרויקטים מגוונים - החל מניתוחים גיאולוגיים ועד להצגת ביצועים לוגיסטיים ומכשירים ועד לחיזויים - אלגוריתמים יעילים יותר מאשר לאלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים.

ניהול סיכונים פעיל

ניהול סיכונים קונבנציונלי במנהרה לעתים קרובות מסתמכ על בדיקות תקופתיות ולאחר הניתוח של העובד.פעם בעיה כמו מים בלתי צפויים בתוקפנות או לחץ גבוה על כריות מנהרה מזוהה, אמצעי הפחתה הם יקרים ומשבשים. Machine Learning מהפך זה.על ידי ניתוח נתונים בזמן אמת ממכונות מנהרה משעמם (TBMs), ניטור קרקע, חיישנים סביבתיים, מודלים של ML יכולים למחוללי דגל או ימים לפני שיפור מוקדם יותר, כדי לשנות את המצב, כדי לשנות את המצב, או לשנות את רמת האבטחה.

טכניקות למידת מכונות מיידיות משמשות למנהרות סיכונים

אלגוריתמים רבים של ML כבר הוצבו בהצלחה בהקשרים של מנהרה:0 (המודלים של למידה מבוססת) 1, כגון יערות אקראיים, מכונות וקטורים, ורשתות עצביות, מאומן על נתונים היסטוריים מתוייגים לסווג רמות סיכון או לחזות תוצאות רציפות (למשל שבץ) באמצעות טרה-מקוד פתוח (Traphs) , לדוגמה, סימולציה של שיטות למידה אופטימ"מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ-מ

יערות אקראיים לחיזוי הזיכיון הגיאולוגי

מודלים של יער אקראיים פופולריים במיוחד כי הם מטפלים במערכות יחסים לא לינאריות וסוגים נתונים מעורבים היטב.במנהרה, הם שימשו כדי לחזות את הסבירות של קורת גג נופל, צפת הקרקע, וזרימות מים על ידי ניתוח פרמטרים כגון הגדרת איכות רוק (RQD), ספא משותף, עומק מים קרקעיים ועומק מנהרה. אלה פלטו הסתברות, המאפשרים מהנדסים כדי לקדם אזורי תמיכה או מראש.

רשתות זיכרון לטווח קצר לטווח ארוך עבור תחזיות זמן

מנהרה מייצרת זרמים רצופים של נתוני מחזור זמן מחיישנים של TBM (torque, דחף, קצב חדירה, מהירות הסיבוב) וכלים גיאוטכניים (מעגלים, מדממים, תאי עומס) רשתות לטווח קצר (LSTM), סוג של רשת עצבית חוזרת, הצטיין בלמידה של temporal תלוי בנתונים כאלה.לדוגמה, LSTM יכול לנתח את ההיסטוריה של TBM כדי לנבאת כלי תחזוקה או לחץ על מנת לכווץ לפני הפעלת לחץ על מנת להגביר את כלי קיבולת מופעלת.

איסוף נתונים ואינטגרציה: הקרן להצלחה ב-ML

יעילותו של כל מודל ML תלויה באיכות, בנפח ובמגוון הנתונים שהוא מאומנים עליהם.מנהרות פרויקטים מייצרים כעת כמויות חסרות תקדים של נתונים, אך נתונים אלה לעתים קרובות משולשים בפורמטים ומערכות שונות. צינור ML חזק דורש שילוב נתונים ממקורות מרובים:

(FLT:0) סקרים גיאולוגיים וגיאו-טכניים: ⁇ ⁇ :1 בוורוholes, פרופילים סיסמיים, דגימות ליבה, ובמבחנים נבחרים (למשל, SPT, לחץמטר) לספק מידע על סוגי אדמה / רוק, נקודות חוזק, הפסקות, תנאי מי קרקע.
(FLT:0)TBM נתונים תפעוליים:FLT:1IR-Time record of דחף Force, חיתוך ראש מומנט, קצב חדירה, לחץ מזחלות (ב-EPB או מכונות סלורין), וטמפרטורת מאק.
(FLT:0) Instrument and Monitoring:FreaLT:1) קריאה אוטומטית מדפי ההתכנסות, הטיהמטרים, מדדי זנים, רמפות, ומדפיפות מונחות לאורך היערכות המנהרה ועל פני השטח.
(FLT:0) נתונים של הישרדות:FLT:1 רשומות פעילות סיסמית, עוצמת גשם, רמות הנהר (חשובות לסיכונים של מים), וקיצוניות טמפרטורה.
(ב) תועדו:0 (הרש"פ): דוחות על אירועים, עיכובים, עלות יתר, שינוי הזמנות וממצאים.

ניקוי נתונים, נורמליזציה והנדסת תכונות הם שלבים קריטיים.לדוגמה, נתוני חיישן גולמי עשויים להכיל רעש או ערכים חסרים כי צריך להיות מוטבע. דרביd תכונות כגון היחס של קצב מראש דחף יכול לספק תובנות לתוך קשיחות הקרקע כי קריאה גולמית לבד לא ללכוד.

מודלים חיזויים לסיכון מנהרות מפתח

היכולת החיזויית של ML הודגמה במספר קטגוריות סיכון ספציפיות, נפוצות בפרויקטים של מנהרה:

תחזיות קרקעיות וחיזוי יישוב הפנים

התנועה הקרקעית מוגזמת עלולה לגרום לשקוע, נזק למבנים משטח, או להוביל להתמוטטות מנהרה.מודלים של ML מאומן על נתוני התיישבות היסטוריים מגולוגיות דומות יכולים לחזות את התיישבות פני השטח המקסימלית ואת צורת ההתנחלות המבוססת על פרמטרים של TBM (לחץ פנים, נפח גרף, קצב סגירה של זנב) ללא תשלום (FLT:0Ensemble Methodsemble as ⁇ FLT) השיגו דיוק גבוה בחיזוי אמיתי, או התנחלויות, ומאפשרות בזמן התאמות).

מים ובקרת מים קרקעיים

שטף מים בלתי צפויים הם גורם מוביל לעיכובים ולסיכון בטיחות במנהרה.מודלים של ML יכולים לנתח נתונים גיאולוגיים טרום-החמדת, בדיקות הידרוגולוגיות, ומדפי מים בזמן אמת מברזל מחורבנים כדי לחזות את ההסתברות של מים משמעותיים בתוקפנות על פני המתקדמים.

כשל בציוד ותחזוקת תחזיות

לא מתוכנן בזמן בשל תקלות רכיב TBM (מדפים, נושאים, ארגזי הילוכים, משאבות) יכול לעלות מיליוני דולרים ליום. ML מודלים, במיוחד אלה באמצעות זיהוי אנומלי ולהישאר בחיים שימושיים (RUL) estimation, לפקח ברציפות, טמפרטורה, שמן פסולת נתונים, והחלפת כוח של רכיבים קריטיים.

קצב התקדמות ומשך Overruns

עיכובים בלוח זמנים נפוצים במנהרה בשל תנאי קרקע בלתי צפויים, התמוטטות ציוד או ביצועי קבלן.מודלים של ML המשלבים נתונים ספציפיים לאתר (גיאולוגיה, טרף מסוג, ניסיון צוות) וגורמים חיצוניים (מזג אוויר עונתי, זמני שרשרת האספקה) יכולים לצפות מראש את הריבית ואת תאריכי ההשלמה עם מרווחי ביטחון.

יתרונות הגשמה באמצעות אינטגרציה של Machine Learning

ארגונים אשר אימצו חיזוי סיכון מבוסס ML בדו"ח מנהרות שיפור ממשי על פני ממדים מרובים:

(FLT:0) בטיחות מובטחת: 1FLT 1 אזהרות מוקדמות של חוסר יציבות קרקע וגילוי גז להפחית את הסבירות לתאונות.
(FLT:0) בקרת בקרת:0 (FLT:1) אופטימיזציה אמצעי תמיכה (למשל, שימוש בכמות הנדרשת של צלעות פלדה וסחרחורנית) וצמצום מיצוי חירום מצמצם את הפסולת החומרית וההעבודה.
(FLT:0) דבקות: 1FLT 1 תחזיות סיכון בזמן אמת מאפשרות התאמה דינמית של שינויים, ניצול ציוד, ורכישה חומרית, שמירה על פרויקטים קרוב יותר ללוח הזמנים הבסיסי.
(FLT:0) תמיכה בקבלת החלטות טובה יותר: מנהלי פרויקטים ונציגי לקוחות יכולים לקבל החלטות ממוקדות נתונים לגבי מתי לעצור, לשנות את פעולת TBM, או להתאים את עיצוב הציפוי, ולא להסתמך רק על אינטואיציה.
(FLT:0) אמון בעלי המניות: FIRLT:1) הסיכון הזמני מעקב עם התחייבויות ניתנות לחיזוי הקוונטיות בונה אמון בקרב בעלי פרויקטים, מורדים, הרגולטורים והציבור.

אתגרים ומגבלות של למידת מכונות במנהרות

למרות הבטחתו, ML אינה כדור כסף.יש לטפל באתגרים רבים עבור פריסה מוצלחת:

(FLT:0Data Quality andזמינות: FLT:1) פרויקטים רבים של מורשת חסרים נתונים בעלי ביצועים גבוהים ורזולוציה גבוהה.מודלים של ML דורשים נתונים גדולים, נציגים כדי להכלל ביעילות נתונים מאוזנים (למשל, אירועים נדירים אך קטסטרופליים) יכולים להונות תחזיות.
(FLT:0) מודלים של למידה עמוקה הם לעתים קרובות ארגזים שחורים, מה שהופך את זה קשה למהנדסים להבין מדוע רמת סיכון מסוימת הוקצה.
(FLT:0) אינטגרציה עם זרמי עבודה קיימים: מיצוי 1 ML חייב להיות מועבר בהקשר של מערכות בקרה בזמן אמת ופלטפורמות ניהול פרויקטים.
(FLT:0) הכללה על פני פרויקטים: מודלים 1FLT 1 מאומן על נתונים מאזור גיאולוגי אחד לא יכול להופיע טוב באחר בשל סוגים שונים של סלעים, הגדרות טקטוניות, או שיטות להובלת למידה והתאמה לתחומים הם פתרונות אפשריים, אך דורשים אימות נוסף.
(FLT:0) ,regulatory נושאים באחריות: FLT:1 אם מודל ML הופך חיזוי גרוע שמוביל לאירוע, קביעת אחריות משפטית יכולה להיות מורכבת. Standards for אימות והתאמה מודלים של ML ביישומים הנדסיים קריטיים בטיחותיים עדיין מתפתחת.

מחקרים: ML בפעולה על פרויקטים של מנהרות

כמה פרויקטים אחרונים ממחישים את הערך המעשי של תחזית הסיכון המבוססת על ML:

מנהרה משוגרת מתחת לעיר הגדולה: בקרת ההתיישבות הקרקעית

בפרויקט מנהרה מטרו באזור עירוני צפופה, רשת LSTM הוכשרה על נתונים תוך קוצר דם והתכנסות מ-500 מטר הראשונים של התקדמות.המודל חזה התיישבות מקסימלית עם טעות ממוצעת של פחות מ 2 מ"מ, המאפשרת לקבלן להתאים את לחץ הפנים ואת הכרכים הרצעתיים באופן פרואקטיבי.ה התוצאה הייתה ירידה של 30% בתביעות הקשורות להתנחלויות ואפס נזק לבניינים מופרזים.

מנהרה הידרואלקטרית הררית: מים פולשים

מנהרה הידרואלקטרית משעמם דרך אבן גיר קרסטי נתקלה בסיכון חמור למים חמורים.ממד יערות אקראי באמצעות מיפוי טרום-החלות, גלי זרימת הבלוטות, ו- TBM מראש זיהו נכון 85% מאזורי זרימה גבוהים.קבלן השתמש בתחזיות אלה כדי לקבוע התאמות טרום אינטגרציה רק במידת הצורך, חיתוך עלויות על ידי 40% תוך שמירה על בטיחות.

מנהרת Cross-City Sewer: תחזוקת חיזוי של TBM Cutters

בכונן מנהרה של 5 ק"מ, מערכת זיהוי מבוססת אוטומטי של anomaly מעקב אחר חתימות רטט מן החתיכה.Itagged asubion דפוס השפלה שלושה ימים לפני כשלון קטסטרופלי היה קורה, המאפשר שינוי כלי מתוכנן במהלך שינוי מתוכנן.ההתערבות נמנעה מ-2.5 מיליון דולר בזמני השבתה ותיקון עלויות.

מחקרים אלה מראים כי ML אינו פעילות תיאורטית - היא מספקת החזרים תפעוליים ופיננסיים הניתנים למדידה כאשר הוא מיושם עם ניהול נתונים קפדני ומומחיות דומיין.

כיוונים עתידיים: הגבול הבא במנהרת ניהול סיכונים

התחום מתקדם במהירות.מגמות מתפתחות כוללות:

(FLT:0) למידה מוגברת של למידה FLT:1 כדי להכשיר מודלים על פני פרויקטים רבים ללא ריכוז נתונים רגישים, המאפשר תובנות משותפות תוך הגנה על מידע קנייני.
(FLT:0) תאומים של גיל המעבר 1 (FLT) המשלבים מודלים בסיכון של ML עם 3D BIM, בזמן אמת IoT, ו- GIS כדי ליצור סימולציה חיה של המנהרה המעדכנת בקביעות פרופילים סיכון כמו התקדמות בנייה.
(FLT:0) חיזוק הלמידה עבור אוטונומי TBM ControlrovalFLT:1), שבו סוכן AI לומד לייעל מהירות, דחף, ו torque כדי למזער את הסיכון תוך כדי למקסם את ההתקדמות - מושג שכבר נבדק בהגדרות מעבדה.
(FLT:0) מחוונים AI הסבירים של AIFLT:1, המציגים את הסיכויים לסיכון לצד גורמי מפתח תורמים (למשל, סיכון גבוה למים עקב צפיפות שברים ומשקעים אחרונים), המאפשרים למהנדסים לבטוח ולפעול על פלטי מודל.
(FLT:0) אינטגרציה עם מודלים של הקרנה אקלים 1R) כדי להסביר את השינויים במשקעים ואת דפוסי טעינת מים קרקע תחת תרחישי אקלים עתידיים, מה שהופך מודלים ML חזקים יותר עבור פרויקטים ארוכי טווח.

מסקנה

למידת מכונות היא שינוי יסודי של האופן שבו סיכונים מנהרות צפויים ונוהלים.על ידי למידה מההרים של נתונים שפרויקטים מודרניים מייצרים, אלגוריתמים של ML מספקים אזהרות מוקדמות, מדויקות ופעולות שמעצימות מהנדסים להפחית סיכונים לפני שהם הופכים למשברים.

עם זאת, יישום מוצלח דורש יותר מאלגוריתמים בלבד.זה דורש מחויבות לאיסוף נתונים באיכות גבוהה, שיתוף פעולה בין מדעני נתונים למהנדסי מנהרה, ונכונות לשלב תובנות המבוססות על ML לתוך זרימת עבודה יומית של פרויקטים.כטכנולוגיה בוגרת ועוד מחקרים מקרה להראות את ROI, השימוש במכונה בחיזוי סיכון מנהרה ישתנה מתועלת תחרותית לסטנדרט, קבלנים, ומהנדסים, עכשיו, לא מספק יכולת יעילה, כרגע, לא יעילה, היא לספק מנהרות יעילות, היא לספק, רק בעתיד, היא פשוט לספק את היכולות הקיימות, לא יעילה, היא פשוט מבטיחות, היא לספק את יכולת יעילה, היא לספק את יכולת יעילה, היא פשוט יעילה, היא לספק, פשוט לספק את יכולת יעילה, היא לספק את יכולת יעילה יותר, פשוט יעילה יותר, היא לספק את יכולת יעילה יותר, עכשיו, עכשיו, יעילה, עכשיו, עכשיו, יעילה של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות סיכון, לא יעילה, עכשיו, לא יעילה, לא יעילה, עכשיו, עכשיו, עכשיו, לא יעילה, לא יעילה, היא פשוט יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות יעיל של פתרונות אבטחה, עכשיו, עכשיו, עכשיו, עכשיו, לא זמין

(ב) לקריאה נוספת על יישומי ML מעשיים בהנדסה גיאוטכנית ובמנהרה, ראה את ה-FLT:0reaFLT:1Scientific Reports מאמר על חיזוי תנועת הקרקע מונחת נתונים:2sFLT 3:2, את הממצאים FLT:4cio:5AS Journal of Computing in Civil Engineering Case on TBM an Detection Exvental Detection:2Falisches 6Falisches and Visual, and the AIFLT 9.