view in publisher's site

Diagnosing tunnel collapse sections based on TBM tunneling big data and deep learning: A case study on the Yinsong Project, China

Highlights•Time series forecasting is used to predict indices of an advancing boring section.•A drilling efficiency index is used to represent training and predicting elements.•The proposed algorithm can successfully predict unfavorable geological conditions.AbstractThe Yinsong Water Diversion Project in China’s northeast region contains a 20 km long tunnel section, which was drilled by a tunnel boring machine (TBM) and monitored in real time to generate continuously measured data. During the tunnel construction, 18 tunnel wall collapse failures were documented. This study reviews the boring performance of the TBM during these failures based on the field-collected data for the penetration rate, cutterhead rotation speed, torque, and thrust force, which were obtained at a 1-second interval. The main task in this study includes the development of a time series forecasting (TSF) approach combined with a deep belief network (DBN) that predicts the torque associated with a given penetration rate and rotation speed through a parameter called the drilling efficiency index, TPI, in a neural network. This study begins with a pilot case of a tunnel collapse that eventually caused the TBM construction to be abandoned. In this case, the TSF&DBN algorithm clearly identifies the deviations of the observed TPI values from those given by the neural network, indicating the successful prediction of an unfavorable geological condition. In addition, the cases of 13 other collapse sections are reviewed; of these, 11 clearly exhibit similar performance to the pilot case, whereas the remaining 2 provide no sufficient indications to exclude possible unstable roofs. This preliminary study shows that a systematic and high-quality TBM performance database can be useful in diagnosing adverse geological conditions in conjunction with the proper use of big data and machine learning techniques.

تشخیص بخش‌های فرو ریزش تونل براساس داده‌های بزرگ تونل زنی TBM و یادگیری عمیق: مطالعه موردی پروژه یین سانگ، چین

نقاط برجسته پیش‌بینی سری‌های زمانی برای پیش‌بینی شاخص‌های یک بخش خسته‌کننده در حال پیشرفت استفاده می‌شود. شاخص کارایی حفاری برای نمایش عناصر آموزشی و پیش‌بینی استفاده می‌شود. الگوریتم پیشنهادی می‌تواند به طور موفقیت آمیزی شرایط زمین‌شناسی نامطلوب را پیش‌بینی کند. پروژه انحراف آب در منطقه شمال شرقی چین شامل یک بخش تونل به طول ۲۰ کیلومتر است که توسط یک ماشین حفاری تونل حفر شده و در زمان واقعی برای تولید داده‌های پیوسته اندازه‌گیری شده، مورد نظارت قرار گرفته‌است. در طول ساخت تونل، ۱۸ شکست در فرو ریزش دیواره تونل ثبت شد. این مطالعه عملکرد خسته‌کننده TBM را در طول این شکست‌ها براساس داده‌های جمع‌آوری‌شده می‌دانی برای نرخ نفوذ، سرعت چرخش هد برش، گشتاور و نیروی رانشی بررسی می‌کند که در یک فاصله یک ثانیه‌ای به دست آمدند. وظیفه اصلی در این مطالعه شامل توسعه یک رویکرد پیش‌بینی سری‌های زمانی (TSF)همراه با یک شبکه باور عمیق (DBN)است که گشتاور مرتبط با نرخ نفوذ و سرعت چرخش معین را از طریق پارامتری به نام شاخص کارایی حفاری، TPI، در یک شبکه عصبی پیش‌بینی می‌کند. این مطالعه با یک مورد آزمایشی از فروپاشی یک تونل آغاز می‌شود که در نهایت باعث شد ساخت TBM رها شود. در این مورد، الگوریتم TSF به وضوح انحرافات مقادیر مشاهده‌شده TPI از مقادیر داده‌شده توسط شبکه عصبی را شناسایی می‌کند، که نشان‌دهنده پیش‌بینی موفق شرایط زمین‌شناسی نامطلوب است. علاوه بر این، موارد ۱۳ بخش فروپاشی دیگر مورد بررسی قرار می‌گیرند؛ از این موارد، ۱۱ مورد به وضوح عملکردی مشابه با مورد آزمایشی نشان می‌دهند، در حالی که ۲ مورد باقیمانده هیچ نشانه کافی برای حذف سقف‌های ناپایدار احتمالی فراهم نمی‌کنند. این مطالعه مقدماتی نشان می‌دهد که یک پایگاه‌داده عملکرد TBM با کیفیت و سیستماتیک می‌تواند در تشخیص شرایط زمین‌شناسی نامطلوب در ارتباط با استفاده مناسب از داده‌های بزرگ و تکنیک‌های یادگیری ماشین مفید باشد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Building and Construction
  • ترجمه مقاله Building and Construction
  • مقاله ساختمان‌سازی و ساخت و ساز
  • ترجمه مقاله ساختمان‌سازی و ساخت و ساز
  • مقاله Geotechnical Engineering and Engineering Geology
  • ترجمه مقاله Geotechnical Engineering and Engineering Geology
  • مقاله مهندسی ژئوتکنیکی و مهندسی زمین‌شناسی
  • ترجمه مقاله مهندسی ژئوتکنیکی و مهندسی زمین‌شناسی
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.