DOI: https://doi.org/10.1038/s41598-025-34273-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41507319
تاريخ النشر: 2026-01-08
المؤلف: Tek Bahadur Katuwal وآخرون
الموضوع الرئيسي: الأنفاق وميكانيكا الصخور
نظرة عامة
تقدم البحث إطار عمل قائم على التعلم الآلي (ML) مصمم للتنبؤ بأداء آلة حفر الأنفاق (TBM) وتقييم مخاطر الانسداد في الظروف الجيولوجية الصعبة لمنطقة الهيمالايا. باستخدام قاعدة بيانات TBM عبر المشاريع، يستخدم الدراسة تقنيات ML متنوعة، بما في ذلك الغابة العشوائية، والتجميع، وXGBoost، وتجميع التكديس، والشبكات العصبية الاصطناعية. حققت النماذج دقة تنبؤية عالية، مع معاملات تحديد ($R^2$) تتراوح من 0.960 إلى 0.965، مما يدل على أداء قوي في التنبؤ بمعدل الاختراق الصافي (PRnet) لآلات TBM. حدد تحليل شابلين الإضافي (SHAP) أن العزم، والدفع، وجودة كتلة الصخور تؤثر بشكل كبير على PRnet.
بالإضافة إلى ذلك، طورت الدراسة نظام تسجيل مخاطر الانسداد المدمج (CJR) الذي يتنبأ بفعالية بأحداث انسداد TBM المحتملة، موفرة إشارات تحذير مبكرة تقريبًا 1.5 متر قبل حدوث الأحداث العالقة. تؤكد النتائج على أهمية دمج تقنيات ML لإجراء تعديلات تشغيلية في الوقت الحقيقي، مما يعزز أداء TBM في البيئات الجيولوجية المعقدة. تدعم النطاقات التجريبية التي تم تحديدها لبرامج التحكم والاستجابة لـ TBM اتخاذ القرارات التشغيلية، مما يجعل هذا الإطار أداة قيمة لتحسين عمليات TBM في منطقة الهيمالايا وفي بيئات جيولوجية مشابهة على مستوى العالم.
مقدمة
تناقش مقدمة ورقة البحث التعقيدات الجيولوجية لمنطقة الهيمالايا، التي تشكلت نتيجة تصادم الصفائح التكتونية الهندية والأوراسية قبل حوالي 70-50 مليون سنة. تؤدي هذه النشاطات التكتونية المستمرة إلى بيئة صعبة لآلات حفر الأنفاق (TBMs)، وخاصة TBMs ذات الدرع المزدوج، التي تُفضل لكفاءتها في التنقل عبر الظروف الجيولوجية المعقدة في المنطقة. تسلط الورقة الضوء على المخاطر المرتبطة بحفر الأنفاق باستخدام TBM في الهيمالايا، بما في ذلك تسرب المياه، وانهيار وجه النفق، وإمكانية الانسداد، مما يتطلب تخطيطًا دقيقًا وتطبيق تقنيات حفر متقدمة.
أظهرت التطورات الأخيرة في التعلم الآلي (ML) وعدًا في تحسين توقعات أداء TBM من خلال تحليل مجموعات بيانات كبيرة والتقاط العلاقات المعقدة بين الظروف الجيولوجية وعمليات TBM. بينما تحتوي النماذج التجريبية والإحصائية الحالية على قيود، تقدم تقنيات ML قدرات تنبؤية محسنة. يقترح المؤلفون إطار عمل جديد يدمج بين المعلمات الجيولوجية وآلات الحفر عبر المشاريع، ويقيم خوارزميات ML متنوعة، ويستخدم أداة شابلين الإضافية (SHAP) لتفسير النموذج. يهدف هذا الإطار إلى توفير مراقبة في الوقت الحقيقي لأداء TBM ومخاطر الانسداد، مما يساهم في استراتيجيات حفر أكثر فعالية في السياق الجيولوجي الصعب للهيمالايا وفي بيئات مشابهة على مستوى العالم.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم والتعديلات التي تم إجراؤها على آلة حفر الأنفاق (TBM) المستخدمة في مشاريع BBDM وSMDM لمواجهة التحديات الجيولوجية المتنوعة. تم إعادة تصميم TBM المستخدمة في مشروع BBDM لمشروع SMDM، مع دمج ميزات مثل الدرع المخروطي ورأس القطع المغلق لتخفيف المخاطر المرتبطة بظروف الأرض الضاغطة. جمعت الدراسة بيانات شاملة في الوقت الحقيقي من كلا المشروعين، مما أدى إلى إنشاء قاعدة بيانات TBM شاملة سهلت تحديد المعلمات الرئيسية لكسر الصخور، بما في ذلك سرعة رأس القطع (CRS)، ومعدلات الاختراق، والعزم، وقوة الدفع، التي تم ربطها بالظروف الجيولوجية.
استخدم التحليل معامل الارتباط بيرسون (PCC) لتقييم العلاقات بين مقاييس أداء TBM والمعلمات الجيولوجية، مما كشف عن ارتباطات كبيرة أبلغت عن اختيار ميزات الإدخال لنمذجة التنبؤ. استخدمت الدراسة نماذج تعلم آلي متنوعة، بما في ذلك طرق التجميع والشبكات العصبية الاصطناعية، للتنبؤ بأداء TBM، محققة قيم R² عالية (0.960 إلى 0.989) عبر مجموعات بيانات التدريب والاختبار. تم تطبيق إطار تفسير SHAP لتوضيح تأثير ميزات الإدخال الفردية على أداء TBM، خاصة في التنبؤ بأحداث الانسداد المحتملة. أشارت النتائج إلى أن التقلبات في المعلمات التشغيلية، خاصة في ظروف كتلة الصخور من الفئة V، تعمل كمؤشرات موثوقة لمخاطر الانسداد، مما يعزز السلامة التشغيلية من خلال التدخلات في الوقت المناسب. أظهر نظام تسجيل CJR المقترح دقة تنبؤية ممتازة، حيث حدد بفعالية الأقسام عالية المخاطر وقدم تصورًا مرمزًا بالألوان للمخاطر لفريق الحفر، مما يدعم اتخاذ القرارات الاستباقية في البيئات الجيولوجية الصعبة.
القيود
تسلط الدراسة الضوء على فعالية تقنيات التعلم الآلي (ML) الخاضعة للإشراف في التنبؤ بأداء آلة حفر الأنفاق (TBM) وتقييم مخاطر الانسداد، باستخدام قاعدة بيانات عبر المشاريع من تشكيلات سيواليك والهيمالايا الصغرى. بينما تظهر النماذج قدرات تنبؤية قوية، فإن قابليتها للتطبيق محدودة بالظروف الجيولوجية المحددة الممثلة في مشروعي TBM اللذين تم تحليلهما.
لزيادة قابلية تعميم النتائج، يقترح المؤلفون توسيع البحث ليشمل مجموعات بيانات إضافية من مشاريع TBM متنوعة، بالإضافة إلى دمج بيانات من أنواع TBM المختلفة وتشكيلات جيولوجية متنوعة. علاوة على ذلك، يؤكدون على الحاجة إلى معالجة المتطلبات الحاسوبية، والكفاءة الزمنية، والتحديات المرتبطة بالتنفيذ في الوقت الحقيقي للنماذج من خلال استكشاف مجموعة أوسع من تقنيات ML.
DOI: https://doi.org/10.1038/s41598-025-34273-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41507319
Publication Date: 2026-01-08
Author(s): Tek Bahadur Katuwal et al.
Primary Topic: Tunneling and Rock Mechanics
Overview
The research presents a machine learning (ML)-based framework designed to predict Tunnel Boring Machine (TBM) performance and assess jamming risk in the challenging geological conditions of the Himalayan region. Utilizing a cross-project TBM database, the study employs various ML techniques, including random forest, bagging, XGBoost, stacking ensemble, and artificial neural networks. The models achieved high predictive accuracy, with coefficients of determination ($R^2$) ranging from 0.960 to 0.965, indicating robust performance in predicting the net penetration rate (PRnet) of TBMs. Shapley Additive exPlanations (SHAP) analysis identified that torque, thrust, and rock mass quality significantly influence PRnet.
Additionally, the study developed a combined jamming risk (CJR) scoring system that effectively predicts potential TBM jamming events, providing early warning signals approximately 1.5 meters in advance of stuck events. The findings underscore the importance of integrating ML techniques for real-time operational adjustments, enhancing TBM performance in complex geological settings. The empirical ranges established for TBM control and response parameters further support operational decision-making, making this framework a valuable tool for optimizing TBM operations in the Himalayan region and similar geotectonic environments globally.
Introduction
The introduction of the research paper discusses the geological complexities of the Himalayan region, formed by the collision of the Indian and Eurasian tectonic plates approximately 70-50 million years ago. This ongoing tectonic activity results in a challenging environment for Tunnel Boring Machines (TBMs), particularly double-shield TBMs, which are favored for their efficiency in navigating the region’s intricate geological conditions. The paper highlights the risks associated with TBM tunneling in the Himalayas, including water ingress, tunnel face collapse, and the potential for jamming, necessitating careful planning and the application of advanced tunneling techniques.
Recent advancements in machine learning (ML) have shown promise in improving TBM performance predictions by analyzing large datasets and capturing complex relationships between geological conditions and TBM operations. While existing empirical and statistical models have limitations, ML techniques offer enhanced predictive capabilities. The authors propose a novel framework that integrates cross-project geological and machine parameters, evaluates various ML algorithms, and utilizes the Shapley Additive Explanations (SHAP) tool for model interpretability. This framework aims to provide real-time monitoring of TBM performance and jamming risk, thereby contributing to more effective tunneling strategies in the challenging geological context of the Himalayas and similar environments globally.
Discussion
The discussion section of the research paper highlights the advancements and modifications made to the Tunnel Boring Machine (TBM) used in the BBDM and SMDM projects to address varying geological challenges. The TBM utilized in the BBDM project was reengineered for the SMDM project, incorporating features such as a tapered shield and an enclosed cutterhead to mitigate risks associated with squeezing ground conditions. The study collected extensive real-time data from both projects, resulting in a comprehensive TBM database that facilitated the identification of key rock-breaking parameters, including cutterhead speed (CRS), penetration rates, torque, and thrust force, which were correlated with geological conditions.
The analysis employed Pearson correlation coefficient (PCC) to assess the relationships between TBM performance metrics and geological parameters, revealing significant correlations that informed the selection of input features for predictive modeling. The study utilized various machine learning models, including ensemble methods and artificial neural networks, to predict TBM performance, achieving high R² values (0.960 to 0.989) across training and testing datasets. The SHAP interpretability framework was applied to elucidate the influence of individual input features on TBM performance, particularly in predicting potential jamming events. The results indicated that fluctuations in operational parameters, particularly in class V rock mass conditions, serve as reliable indicators of jamming risks, thereby enhancing operational safety through timely interventions. The proposed CJR scoring system demonstrated excellent predictive accuracy, effectively identifying high-risk sections and providing a color-coded risk visualization for the tunneling crew, thus supporting proactive decision-making in challenging geological environments.
Limitations
The study highlights the effectiveness of supervised machine learning (ML) techniques in predicting Tunnel Boring Machine (TBM) performance and assessing jamming risk, utilizing a cross-project database from the Siwalik and Lesser Himalayan geological formations. While the models demonstrate robust predictive capabilities, their applicability is limited to the specific geological conditions represented in the two TBM projects analyzed.
To enhance the generalizability of the findings, the authors suggest expanding the research to include additional datasets from various TBM projects, as well as incorporating data from different TBM types and diverse geological formations. Furthermore, they emphasize the need to address the computational demands, temporal efficiency, and challenges associated with real-time implementation of the models by exploring a broader array of ML techniques.