Resumen

La seguridad de la excavación de túneles con tuneladoras de escudo depende en gran medida de la presión del frente del túnel, que actualmente deciden los operadores humanos de forma empírica. El control de la presión del frente es vulnerable a los errores humanos y éstos pueden tener graves consecuencias, especialmente en condiciones de terreno difíciles. Desde un punto de vista práctico, es por tanto beneficioso disponer de un modelo capaz de predecir la presión del frente del túnel en función de la operación y de la geología cambiante. En este trabajo, proponemos un modelo de este tipo basado en el aprendizaje profundo. Más concretamente, se emplea una red neuronal recurrente de memoria a corto plazo (LSTM) para la predicción de la presión de la cara del túnel. Para correlacionar con los datos del PLC, se emplea la interpolación lineal para transformar los datos geológicos de la perforación en datos geológicos secuenciales según la posición de la máquina de escudo. La presión de la lechada en la cámara de excavación (SPE) se toma como salida en el caso de estudio del metro de Nanning, que se enfrenta al problema de la obstrucción debido al terreno mixto de piedra de barro y grava redonda. El modelo de predicción de SPE basado en LSTM alcanzó un MAPE y un RMSE globales de 3,83 y 10,3 kPa, respectivamente, en condiciones de suelo rico en fangos. También se discuten los factores que influyen en el modelo, incluidos los diferentes tipos y longitudes de datos de entrada y la comparación con el modelo tradicional basado en el aprendizaje automático.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:presión de la cara del túnel, condiciones del terreno ricas, predicción de la velocidad basada, control de la presión de la cara, datos geológicos secuenciales, terreno de piedra fangosa, estudio de nanning, tuneladora, aprendizaje automático tradicional, posición de la máquina de escudo
• Keywords:tunnel face pressure, rich ground conditions, based spe prediction, face pressure control, sequential geological data, ground of mudstone, study of nanning, tunnel boring machine, traditional machine learning, shield machine position