Prediction of spray dust suppression time for blasting dust in tunnel using CFD and Operon symbolic regression
Cette étude démontre que l'algorithme de régression symbolique Operon fournit une expression explicite hautement précise, efficace et interprétable pour prédire le temps de suppression de la poussière de pulvérisation lors du minage en tunnel, surpassant diverses autres méthodes de régression et d'apprentissage automatique tout en réduisant considérablement les coûts de calcul.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Lorsqu'un tunnel est ouvert par dynamitage à travers la roche solide, l'air se remplit d'un nuage épais et étouffant de poussière. Ce n'est pas seulement un désagrément ; c'est un danger sérieux pour les travailleurs qui doivent pénétrer dans l'espace pour poursuivre la construction. Pour purifier l'air, les ingénieurs utilisent des pulvérisations d'eau à haute pression qui se transforment en une fine brume, capturant les particules de poussière et les alourdissant pour qu'elles retombent au sol. Le défi consiste à savoir exactement combien de temps il faut laisser l'eau couler. Si la pulvérisation s'arrête trop tôt, de la poussière dangereuse subsiste. Si elle dure trop longtemps, du temps et de l'eau précieux sont gaspillés. Par le passé, déterminer la durée parfaite nécessitait de faire tourner des milliers de simulations informatiques complexes, un processus qui était précis mais incroyablement lent et coûteux.
Une équipe de chercheurs s'est donné pour mission de trouver un moyen plus rapide de prédire ce moment critique. Ils se sont concentrés sur un tunnel ferroviaire en Chine, où la roche est un type de granit dur connu sous le nom de granodiorite gneissique. Au lieu de s'appuyer uniquement sur de lents modèles informatiques, ils ont combiné des mesures réelles avec un nouvel outil de découverte mathématique. Cet outil, connu sous le nom de régression symbolique, agit comme un scientifique capable d'observer un amas de données et d'écrire la phrase mathématique exacte qui l'explique, plutôt que de simplement deviner un nombre. L'objectif était de créer une formule simple et claire que les ingénieurs pourraient utiliser immédiatement pour savoir combien de temps pulvériser l'eau après un dynamitage, garantissant que l'air soit sûr sans gaspiller de ressources.
Les chercheurs ont commencé par observer un événement de dynamitage réel dans le tunnel. Ils ont placé des capteurs le long du sol pour mesurer comment la poussière se déplaçait et combien de temps elle mettait à se dissiper. Ils ont constaté que la concentration de poussière augmentait brusquement à deux reprises, avec une baisse entre les deux, atteignant un pic dangereux de 2100 milligrammes par mètre cube. Le vent à l'intérieur du tunnel se déplaçait lentement, à environ 0,2 mètre par seconde. Pour comprendre la physique derrière ce phénomène, ils ont construit un modèle informatique détaillé du tunnel. Ce modèle simulait l'interaction entre l'air, les gouttelettes d'eau et les particules de poussière. Ils ont testé différentes tailles de buses, différentes pressions d'eau et différents angles de pulvérisation pour voir comment chaque changement affectait le temps nécessaire pour que l'air devienne sûr.
Pour donner un sens à la vaste quantité de données générées par ces simulations, l'équipe a conçu une expérience structurée. Ils ont testé cinq facteurs différents : la taille de la première buse, la pression de la deuxième buse, l'angle de la deuxième buse, la distance entre les anneaux de pulvérisation et le volume d'air injecté dans le tunnel. Ils ont effectué 25 combinaisons différentes de ces réglages. Le facteur le plus important s'est avéré être le volume d'air injecté dans le tunnel, suivi de l'angle de la buse de pulvérisation. La distance entre les anneaux de pulvérisation était le facteur le moins important. Ils ont trouvé que la meilleure configuration pour leur tunnel spécifique impliquait un diamètre de buse de 1,6 millimètre, une pression de pulvérisation de 5 mégapascals, un angle de pulvérisation de 40 degrés, un espacement de 60 mètres entre les anneaux et un apport d'air de 28 mètres cubes par seconde.
Avec ces données en main, les chercheurs se sont tournés vers l'algorithme de régression symbolique, une méthode qui recherche la meilleure expression mathématique décrivant la relation entre les réglages de pulvérisation et le temps nécessaire pour que la poussière se dissipe. Ils ont comparé cette méthode à de nombreuses autres techniques d'apprentissage informatique courantes, telles que les forêts aléatoires (random forests) et les machines à vecteurs de support (support vector machines). Bien que ces autres méthodes soient très douées pour mémoriser les données d'entraînement, elles échouaient à prédire avec précision de nouvelles situations, un problème connu sous le nom de surapprentissage (overfitting). La méthode de régression symbolique, et plus précisément un outil appelé Operon, a obtenu les meilleurs résultats. Elle a trouvé une formule qui équilibre précision et simplicité, atteignant une précision de prédiction nettement supérieure aux autres méthodes lorsqu'elle était testée sur de nouvelles données.
Le résultat final est une équation spécifique qui prédit le temps de suppression de la poussière en fonction des réglages de pulvérisation. Les chercheurs ont noté que l'équation présentait des ondulations et des fluctuations, qu'ils ont expliquées par le fait que la poussière ne se dissipe pas uniformément partout dans le tunnel en même temps. Dans certains endroits, la poussière stagne dans des poches, tandis que dans d'autres, elle se dissipe rapidement. La formule capture cette incertitude. Lorsqu'ils ont testé leur meilleure équation, elle a prédit que la poussière serait dissipée en environ 459 secondes en moyenne pour la configuration optimale, le pire scénario prenant environ 710 secondes. Dans leurs simulations, les gouttelettes d'eau se sont stabilisées en 100 secondes, et les gouttelettes plus grosses se sont déposées près du milieu du tunnel, tandis que la brume plus fine atteignait plus loin dans la ligne.
Cette étude fournit un outil pratique pour les ingénieurs de tunnels. Au lieu de lancer des heures de simulations informatiques complexes pour chaque nouveau projet, ils peuvent désormais utiliser cette formule pour estimer la durée de leurs pulvérisations d'eau. Les chercheurs soulignent que cette approche va au-delà du simple ajustement de données pour découvrir les règles sous-jacentes qui régissent le processus de dissipation de la poussière. Bien que le modèle actuel soit basé sur des conditions spécifiques dans un type particulier de tunnel ferroviaire, la méthode offre une voie vers des prédictions plus rapides et plus fiables pour les environnements de tunnels complexes à l'avenir. Ce travail démontre qu'en combinant des simulations physiques avec une découverte mathématique intelligente, il est possible de transformer un problème d'ingénierie lent et coûteux en un calcul rapide et soluble.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.