Table of Contents

Понимание сложного ландшафта рисков проекта туннелирования

Современные проекты туннелирования относятся к числу наиболее сложных инженерных предприятий на планете. Они включают в себя скучное сквозь разнообразные и часто непредсказуемые геологические образования, управление огромными наземными давлениями, контроль над грунтовыми водами и координацию тяжелой техники в ограниченных пространствах. Ставки высоки: любое непредвиденное событие может каскадировать в задержки графика, перерасход бюджета, инциденты безопасности или даже катастрофические структурные сбои. Традиционные методы управления рисками в значительной степени зависят от детерминированных моделей и экспертных суждений, но эти подходы часто не дотягивают, когда сталкиваются с огромным объемом взаимодействующих переменных и присущей неопределенности подземных условий.

Появление машинного обучения как инструмента прогнозирования рисков

Машинное обучение (ML) появилось как преобразующая технология в гражданском строительстве, предлагая методологию, основанную на данных, для улучшения прогнозирования, оценки и смягчения рисков, характерных для туннелирования. В отличие от систем, основанных на правилах, модели ML учатся непосредственно из исторических данных, выявляя тонкие закономерности и корреляции, которые невозможно было бы обнаружить вручную. Путем интеграции различных потоков данных - от геологических исследований и показаний датчиков до журналов проектов и показателей производительности оборудования - алгоритмы ML могут генерировать вероятностные прогнозы рисков, которые позволяют проектным командам действовать проактивно, а не реактивно.

От реактивного к проактивному управлению рисками

Традиционное управление рисками при туннелировании часто зависит от периодических проверок и анализа после фактического обнаружения таких проблем, как неожиданный ввод воды или высокая нагрузка на прокладки туннелей, меры по смягчению последствий являются дорогостоящими и разрушительными. Машинное обучение меняет эту парадигму. Постоянно анализируя данные в реальном времени от туннельных буровых машин (МД), наземных инструментов мониторинга и датчиков окружающей среды, модели ML могут отмечать аномалии за несколько часов или даже дней до того, как они перерастут в серьезные проблемы. Этот сдвиг позволяет инженерам заранее корректировать авансовые ставки, изменять системы поддержки или перенастраивать настройки оборудования, сокращая время простоя и повышая безопасность.

Основные методы машинного обучения, применяемые к туннелированию рисков

Многократные алгоритмы ML были успешно развернуты в контекстах туннелирования. Модели обучения с контролем , такие как случайные леса, машины с опорными векторами и нейронные сети, обучаются на меченных исторических наборах данных для классификации уровней риска или прогнозирования непрерывных результатов (например, вероятность обрушения грунта). Методы обучения без надзора, включая кластеризацию и автокодировщики, помогают обнаруживать неизвестные шаблоны в данных датчиков — например, идентифицируя различные режимы работы TBM, которые предшествуют сбоям. Усиление обучения также исследуется для адаптивного управления TBM, где система изучает оптимальные параметры туннелирования посредством проб и ошибок в моделируемых средах.

Леса для прогнозирования геологических опасностей

Случайные модели лесов особенно популярны, потому что они хорошо справляются с нелинейными отношениями и смешанными типами данных. В туннелировании они использовались для прогнозирования вероятности падения крыши, выдавливания грунта и притока воды путем анализа таких параметров, как обозначение качества породы (RQD), совместное расстояние, глубина грунтовых вод и глубина туннеля. Эти модели выдают оценку вероятности, позволяя инженерам расставлять приоритеты зон, требующих дополнительной поддержки или предварительной обработки.

Долгосрочные сети памяти для прогнозирования временных рядов

Туннелирование генерирует непрерывные потоки данных временных рядов от датчиков ТБМ (крутящий момент, тяга, скорость проникновения, скорость вращения) и геотехнических инструментов (экстенсометров, пьезометров, нагрузочных ячеек). Сети с длинной кратковременной памятью (LSTM), тип повторяющейся нейронной сети, преуспевают в изучении временных зависимостей в таких данных. Например, LSTM может анализировать историю тяги и крутящего момента ТБМ, чтобы предсказать предстоящий износ режущих инструментов или увеличение давления на грунте, что позволяет планировать техническое обслуживание до сбоя.

Сбор и интеграция данных: основа успеха ML

Эффективность любой модели ML зависит от качества, объема и разнообразия данных, на которых она обучается. Проекты туннелирования в настоящее время генерируют беспрецедентные объемы данных, но эти данные часто размещаются в разных форматах и системах. Надежный конвейер ML требует интеграции данных из нескольких источников:

  • Геологические и геотехнические исследования: Бореоловые журналы, сейсмические профили, образцы ядер и тесты in-situ (например, SPT, прессометр) предоставляют информацию о типах почвы / породы, прочности, разрывах и условиях грунтовых вод.
  • Оперативные данные МБР: Реальные записи силы тяги, крутящего момента каттерхеда, скорости проникновения, давления суспензии (в EPB или суспензионных машинах) и температуры грязи.
  • Инструментация и мониторинг: Автоматические показания от датчиков сходимости, наклонных счетчиков, тензометров, экстенсометров и пьезометров, расположенных вдоль выравнивания туннеля и на поверхности.
  • Экологические данные: Сейсмическая активность, интенсивность осадков, уровни рек (важные для рисков попадания воды) и экстремальные температуры.
  • Записи проекта: Отчеты об инцидентах, задержках, перерасходах, изменениях заказов и результатах проверки.

Очистка данных, нормализация и разработка функций являются критическими шагами. Например, данные необработанных датчиков могут содержать шум или недостающие значения, которые необходимо вменить. Полученные функции, такие как отношение скорости движения к тяге, могут обеспечить понимание твердости грунта, которую не фиксируют только сырые показания.

Прогнозные модели ключевых рисков туннелирования

Прогностическая способность МО была продемонстрирована в нескольких конкретных категориях риска, общих для туннельных проектов:

Наземный коллапс и прогноз поверхностного расселения

Чрезмерное движение грунта может вызвать воронки, повредить поверхностные структуры или привести к обрушению туннеля. Модели ML, обученные на исторических данных о поселениях из аналогичных геологий, могут предсказать максимальное поверхностное урегулирование и форму расчетного корыта на основе параметров TBM (давление поверхности, объем затирки, скорость закрытия хвостовой полости). Методы сборки, такие как повышение градиента , достигли высокой точности в прогнозируемом урегулировании, позволяя подрядчикам корректировать стратегии затирки или устанавливать компенсационную затирку в режиме реального времени.

Водный вход и контроль подземных вод

Неожиданные притоки воды являются основной причиной задержек и опасностей безопасности при туннелировании. Модели ML могут анализировать геологические данные перед раскопками, гидрогеологические тесты и измерения притока воды в режиме реального времени из пробных отверстий для прогнозирования вероятности значительного проникновения воды на наступающем лице. Например, машины опорных векторов , обученные литологии, RQD, плотности трещин и гидравлической проводимости, успешно классифицировали зоны с высоким и низким риском воды. Такие прогнозы определяют решения по предварительной дренажной, шлифовальной или переходу на ТБМ закрытого режима.

Прогнозирование отказов оборудования и технического обслуживания

Незапланированные простои из-за отказов компонентов МД (резцы, подшипники, коробки передач, насосы) могут стоить миллионы в день. Модели ML, особенно те, которые используют оценку обнаружения аномалий и оставшегося срока службы (RUL), постоянно контролируют вибрацию, температуру, данные об обломках нефти и потребляемую мощность критических компонентов. Автокодеры могут узнать базовые «здоровые» рабочие сигнатуры и отклонения флага, которые указывают на надвигающийся отказ. Прогнозные графики технического обслуживания, полученные из этих моделей, уменьшают как частоту, так и тяжесть остановок.

Прогресс и продолжительность перерасхода

Задержки в расписании являются обычным явлением при туннелировании из-за непредвиденных наземных условий, поломок оборудования или производительности подрядчика. Модели ML, которые включают данные о конкретных участках (геология, тип ТБМ, опыт экипажа) и внешние факторы (сезонная погода, время выполнения цепочки поставок) могут прогнозировать вероятные темпы и даты завершения с доверительными интервалами. Количественные регрессионные леса использовались для составления вероятностных графиков, позволяя руководителям проектов создавать реалистичные непредвиденные обстоятельства и выявлять деятельность с высоким риском на ранней стадии.

Преимущества, реализуемые через интеграцию машинного обучения

Организации, которые приняли прогноз риска на основе ОД в туннелировании, сообщают о ощутимых улучшениях по нескольким аспектам:

  • Повышение безопасности: Ранние предупреждения о нестабильности грунта и обнаружении газа снижают вероятность несчастных случаев. Меньшее количество чрезвычайных мер означает более низкое воздействие на работников.
  • Контроль затрат: Оптимизированные меры поддержки (например, использование точно необходимого количества стальных ребер и дробного бетона) и снижение аварийной затирки минимизируют материальные и трудовые отходы. Прогнозное техническое обслуживание снижает затраты на ремонт и избегает дорогостоящего времени ожидания.
  • Соответствие графику: Прогнозы рисков в реальном времени позволяют динамически корректировать сдвиги, использование оборудования и закупки материалов, приближая проекты к базовым графикам.
  • Лучшая поддержка принятия решений: Руководители проектов и представители клиентов могут принимать решения, основанные на данных, о том, когда следует приостановить работу, изменить работу противотуберкулезной системы или адаптировать дизайн подкладки, а не полагаться исключительно на интуицию.
  • Повышение доверия заинтересованных сторон: Прозрачное отслеживание рисков с количественно измеряемыми вероятностями укрепляет доверие среди владельцев проектов, страховщиков, регулирующих органов и общественности.

Проблемы и ограничения машинного обучения в туннелировании

Несмотря на свое обещание, ОД не является серебряной пулей. Для успешного развертывания необходимо решить ряд проблем:

  • Качество и доступность данных: Многие унаследованные проекты не имеют хорошо документированных данных с высоким разрешением. Модели ML требуют больших репрезентативных наборов данных для эффективного обобщения. Несбалансированные данные (например, редкие, но катастрофические события) могут предсказывать смещения.
  • Интерпретируемость: Модели глубокого обучения часто являются черными ящиками, что затрудняет инженерам понимание того, почему был назначен определенный уровень риска.Разрабатываются технологии объяснимого ИИ (XAI), но остаются активной областью исследований.
  • Интеграция с существующими рабочими процессами: Выходы ML должны быть доставлены в контексте систем управления в реальном времени и платформ управления проектами.
  • Обобщение по проектам: Модели, подготовленные на основе данных из одного геологического региона, могут не работать хорошо в другом из-за различных типов пород, тектонических настроек или методов туннелирования. Обучение передаче и адаптация домена являются потенциальными решениями, но требуют дальнейшей проверки.
  • Вопросы регулирования и ответственности: Если модель МО делает плохой прогноз, который приводит к инциденту, определение юридической ответственности может быть сложным. Стандарты для проверки и сертификации моделей МО в критически важных для безопасности инженерных приложениях все еще развиваются.

Тематические исследования: ML в действии по реальным проектам туннелирования

Несколько последних проектов иллюстрируют практическую ценность прогнозирования рисков на основе ОД:

Скучный туннель под крупным городом: контроль над наземными поселениями

На проекте тоннеля метро в плотном городском районе была обучена сеть LSTM по данным инклинометра и конвергенции с первых 500 метров аванса. Модель предсказала максимальное поверхностное поселение со средней погрешностью менее 2 мм, что позволило подрядчику проактивно регулировать давление на лице и объемы затирки. Результатом стало 30%-ное снижение претензий, связанных с поселением, и нулевой ущерб накладывающимся зданиям.

Горный гидроэлектрический туннель: прогнозы проникновения воды

Гидроэлектрический туннель, пробуренный через карстовый известняк, столкнулся с серьезными рисками проникновения воды. Случайный классификатор леса с использованием картирования перед раскопками, журналов протока скважин и параметров предварительного захода ТБМ правильно определил 85% зон с высоким притоком. Подрядчик использовал эти прогнозы для планирования предкашлевых мероприятий только там, где это необходимо, сокращая затраты на зачистку на 40% при сохранении безопасности.

Кросс-Сити канализации: прогнозное обслуживание противотуберкулезных резцов

В 5-километровом канализационном туннеле система обнаружения аномалий на основе автокодера отслеживала вибрационные сигнатуры от столовой головки. Она пометила характер деградации подшипника за три дня до того, как произошел бы катастрофический сбой, что позволило спланировать изменение инструмента во время запланированного изменения смены. Вмешательство позволило избежать примерно 2,5 миллиона долларов США в незапланированных простоях и затратах на ремонт.

Эти тематические исследования показывают, что ОД не является теоретическим упражнением — он обеспечивает измеримую операционную и финансовую отдачу при внедрении с тщательным управлением данными и экспертизой в области.

Будущие направления: следующий рубеж в управлении рисками туннелирования, управляемый ML

В этой области наблюдается быстрый прогресс. Среди новых тенденций можно отметить:

  • FLT:0Федерированное обучение для обучения моделей в нескольких проектах без централизации конфиденциальных данных, что позволяет обмениваться информацией при защите конфиденциальной информации.
  • Цифровые двойники , которые интегрируют модели риска ML с 3D BIM, IoT в реальном времени и ГИС для создания живого моделирования туннеля, который постоянно обновляет профили рисков по мере развития строительства.
  • Обучение с подкреплением для автономного управления МД , где агент ИИ учится оптимизировать скорость, тягу и крутящий момент, чтобы минимизировать риск и максимизировать прогресс — концепция, уже проверенная в лабораторных условиях.
  • Объясняемые панели AI, которые представляют вероятности риска наряду с ключевыми факторами (например, «высокий риск воды из-за плотности переломов и недавних осадков»), что позволяет инженерам доверять и действовать на основе результатов модели.
  • Интеграция с моделями прогнозирования климата для учета изменившихся моделей осадков и подзарядки грунтовых вод в будущих климатических сценариях, что делает модели ML более надежными для долгосрочных проектов.

Заключение

Машинное обучение коренным образом меняет способ прогнозирования и управления рисками туннелирования. Изучая горы данных, которые генерируют современные проекты, алгоритмы ML предоставляют ранние, точные и действенные предупреждения, которые позволяют инженерам смягчать опасности до того, как они станут кризисами. От стабильности грунта и проникновения воды до надежности оборудования и производительности графика приложения разнообразны и преимущества доказаны.

Однако для успешной реализации требуется больше, чем просто алгоритмы. Это требует приверженности к высококачественному сбору данных, междисциплинарному сотрудничеству между учеными-данными и инженерами по туннелированию и готовности интегрировать идеи на основе ML в ежедневные рабочие процессы проекта. По мере того, как технология созревает и все больше тематических исследований демонстрируют ее рентабельность инвестиций, использование машинного обучения в прогнозировании рисков туннелирования перейдет от конкурентного преимущества к отраслевому стандарту. Для владельцев, подрядчиков и инженеров инвестирование в эти возможности сейчас не просто умно - это важно для обеспечения безопасных, эффективных и устойчивых туннелей завтрашнего дня.

Для дальнейшего чтения о практических применениях ML в геотехнической инженерии и туннелировании см. статью Научные отчеты о прогнозировании движения земли на основе данных , ASCE Journal of Computing in Civil Engineering case study on TBM anomaly detection и Туннеллинг и подземные космические технологии обзор ИИ для управления рисками туннелей . Эти ресурсы обеспечивают более глубокое техническое понимание алгоритмов и выводов, обсуждаемых здесь.