Prediction of spray dust suppression time for blasting dust in tunnel using CFD and Operon symbolic regression
Deze studie toont aan dat het Operon symbolische regressiealgoritme een zeer nauwkeurige, efficiënte en interpreteerbare expliciete expressie biedt voor het voorspellen van de onderdrukkingstijd van stof bij tunnelexplosies, waarbij het verschillende andere machine learning- en regressiemethoden overtreft terwijl de computationele kosten aanzienlijk worden verminderd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Wanneer een tunnel door massief gesteente wordt opgeblazen, vult de lucht zich met een dikke, verstikkende stofwolk. Dit is niet alleen een overlast; het is een ernstig gevaar voor de arbeiders die de ruimte moeten betreden om de constructie voort te zetten. Om de lucht te zuiveren, gebruiken ingenieurs hogedrukwaterspuiten die veranderen in een fijne nevel, die de stofdeeltjes opvangen en ze zwaarder maakt zodat ze naar de grond vallen. De uitdaging is om precies te weten hoe lang de watertoevoer aan moet blijven staan. Als de spuit te vroeg stopt, blijft er gevaarlijk stof achter. Als deze te lang doorgaat, gaat er kostbare tijd en water verloren. In het verleden vereiste het bepalen van de perfecte duur het draaien van duizenden complexe computersimulaties, een proces dat weliswaar accuraat was, maar ook ongelooflijk traag en duur.
Een team onderzoekers zette zich in om een snellere manier te vinden om deze cruciale timing te voorspellen. Ze richtten zich op een specifieke spoorwegtunnel in China, waar het gesteente een hard type graniet is dat bekend staat als gneissische granodioriet. In plaats van uitsluitend te vertrouwen op trage computermodellen, combineerden ze real-world metingen met een nieuw soort wiskundige ontdekkingsinstrument. Dit instrument, bekend als symbolische regressie, werkt als een wetenschapper die naar een stapel gegevens kan kijken en de exacte wiskundige zin kan opschrijven die het verklaart, in plaats van alleen maar een getal te raden. Het doel was om een eenvoudige, heldere formule te creëren die ingenieurs direct kunnen gebruiken om te weten hoe lang ze water moeten spuiten na een explosie, zodat de lucht veilig is zonder middelen te verspillen.
De onderzoekers begonnen door een echte explosie in de tunnel te observeren. Ze plaatsten sensoren langs de vloer om te meten hoe het stof bewoog en hoe lang het duurde voordat het opruimde. Ze ontdekten dat de stofconcentratie twee pieken vertoonde, met een dip daartussenin, waarbij het een gevaarlijke piek bereikte van 2100 milligram per kubieke meter. De wind in de tunnel bewoog langzaam, met ongeveer 0,2 meter per seconde. Om de fysica hierachter te begrijpen, bouwden ze een gedetailleerd computermodel van de tunnel. Dit model simuleerde de interactie tussen de lucht, de waterdruppels en de stofdeeltjes. Ze testten verschillende maten van spuitmonden, verschillende waterdrukken en verschillende hoeken voor de spray om te zien hoe elke verandering de tijd beïnvloedde waarin de lucht weer veilig werd.
Om de enorme hoeveelheid gegevens gegenereerd door deze simulaties te begrijpen, ontwierp het team een gestructureerd experiment. Ze testten vijf verschillende factoren: de grootte van de eerste spuitmond, de druk van de tweede spuitmond, de hoek van de tweede spuitmond, de afstand tussen de spuitringen en het volume aan lucht dat in de tunnel wordt gepompt. Ze voerden 25 verschillende combinaties van deze instellingen uit. De belangrijkste factor bleek het volume aan lucht te zijn dat in de tunnel wordt gepompt, gevolgd door de hoek van de spuitmond. De afstand tussen de spuitringen deed er het minst toe. Ze vonden dat de beste opstelling voor hun specifieke tunnel een spuitmonddiameter van 1,6 millimeter omvatte, een spuitdruk van 5 megapascal, een spuithoek van 40 graden, een tussenruimte van 60 meter tussen de ringen en een luchttoevoer van 28 kubieke meter per seconde.
Met deze gegevens in handen gebruikten de onderzoekers het algoritme voor symbolische regressie, een methode die zoekt naar de beste wiskundige expressie om de relatie tussen de spuitinstellingen en de tijd die het kost om het stof te klaren te beschrijven. Ze vergeleken deze methode met veel andere veelvoorkomende computerleermethoden, zoals random forests en support vector machines. Hoewel die andere methoden erg goed waren in het onthouden van de trainingsgegevens, faalden ze in het nauwkeurig voorspellen van nieuwe situaties, een probleem dat bekend staat als overfitting. De methode van symbolische regressie, specifiek een hulpmiddel genaamd Operon, presteerde het best. Het vond een formule die een balans vond tussen nauwkeurigheid en eenvoud, en behaalde een voorspellingsnauwkeurigheid die aanzienlijk hoger was dan die van de andere methoden bij het testen op nieuwe gegevens.
Het uiteindelijke resultaat is een specifieke vergelijking die de stofonderdrukkingstijd voorspelt op basis van de spuitinstellingen. De onderzoekers merkten op dat de vergelijking enkele golvingen en schommelingen vertoonde, wat zij verklaarden door het feit dat het stof niet overal in de tunnel tegelijkertijd gelijkmatig opruimt. Op sommige plaatsen blijft stof hangen in zakken, terwijl het op andere plaatsen snel opklaart. De formule vangt deze onzekerheid op. Wanneer ze hun best presterende vergelijking testten, voorspelde deze dat het stof gemiddeld ongeveer 459 seconden zou worden opgeruimd bij de optimale opstelling, waarbij het worst-case scenario rond de 710 seconden lag. In hun simulaties stabiliseerden de waterdruppels binnen 100 seconden, en de grotere druppels vestigden zich nabij het midden van de tunnel, terwijl de fijnere nevel verder stroomafarts reikte.
Deze studie biedt een praktisch hulpmiddel voor tunnelingenieurs. In plaats van urenlange complexe computersimulaties te draaien voor elk nieuw project, kunnen zij nu deze formule gebruiken om te schatten hoe lang ze hun waterspuiten moeten laten draaien. De onderzoekers benadrukken dat deze aanpak verder gaat dan eenvoudige gegevenspassing en daadwerkelijk de onderliggende regels ontdekt die het stofopruimproces beheersen. Hoewel het huidige model gebaseerd is op specifieke omstandigheden in één type spoorwegtunnel, biedt de methode een pad naar snellere, betrouwbaardere voorspellingen voor complexe tunnelomgevingen in de toekomst. Het werk demonstreert dat door fysieke simulaties te combineren met intelligente wiskundige ontdekking, het mogelijk is om een traag, duur technisch probleem te veranderen in een snelle, oplosbare berekening.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.