⚡ elektrotechniek

Damage prediction of shield tunnel structures driven by numerical simulation and machine learning

Deze studie stelt een betrouwbaar raamwerk voor schadevoorspelling voor schildtunnels voor dat een hoogwaardig numeriek model, gevalideerd tegen experimenten om een driedelig faalproces te onthullen, integreert met een door particle swarm optimalisatie verbeterd long short-term memory netwerk om de evolutie van scheurbreedte onder ultieme belastingscondities nauwkeurig te voorspellen.

Oorspronkelijke auteurs: Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

Gepubliceerd 2026-09-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

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

Onder de drukke straten van moderne steden ligt een uitgestrekt, stil netwerk van tunnels dat dagelijks miljoenen mensen vervoert. Deze schildtunnels, gebouwd om een eeuw mee te gaan, zijn ontworpen om de enorme druk van de aarde en het gewicht van de stad erboven te weerstaan. Ze zijn echter niet immuun voor de langzame, kruipende krachten van tijd en spanning. Wanneer een tunnel buiten zijn grenzen wordt gedreven, bijvoorbeeld door een plotselinge verschuiving in de grond of een onverwachte belasting, beginnen de betonnen ringen die de wanden vormen barsten te vertonen. Begrijpen hoe deze barsten precies ontstaan, groeien en uiteindelijk leiden tot structureel falen, is cruciaal voor het veilig houden van de metro. Ingenieurs vertrouwen al lang op fysieke tests en complexe computersimulaties om deze defecten te voorspellen, maar het gedrag van scheurend beton is zo ingewikkeld dat zelfs de beste simulaties moeite hebben om elk detail te vangen. Om dit gat te overbruggen, wenden onderzoekers zich nu tot een nieuwe aanpak die de precisie van natuurkundige modellering combineert met het patroonherkenningsvermogen van kunstmatige intelligentie.

Een team onderzoekers van de Beihua Universiteit in China heeft een nieuwe methode ontwikkeld om exact te voorspellen hoeveel een schildtunnel zal scheuren onder extreme spanning. Ze begonnen met het bouwen van een zeer gedetailleerde digitale tweeling van een echt tunnelsegment, gebaseerd op een project in Shanghai. Dit was geen eenvoudige schets; het was een geavanceerd computermodel dat rekening hield met de specifieuwe manier waarop beton zich gedraagt wanneer het uit elkaar wordt getrokken, de aanwezigheid van stalen staven die verborgen zitten in de wanden, en de complexe voegen waar de betonnen ringen samenkomen. De onderzoekers voegden ook het effect van inspectieluiken toe, die zwakke plekken in de structuur creëren, en de wrijving tussen de bouten die de ringen bij elkaar houden. Om hun digitale model betrouwbaar te maken, voerden ze een virtuele test uit die een experiment in de echte wereld nabootste, waarbij een volwaardig tunnelsegment werd samengedrukt totdat het brak. De voorspellingen van de computer kwamen bijna perfect overeen met het fysieke experiment, wat bevestigde dat het digitale model de reis van de tunnel van een gezonde staat naar een gebroken staat nauwkeurig kon simuleren.

Met een betrouwbaar digitaal model in handen, lieten het team duizenden simulaties draaien om de tunnel in slow motion te zien falen. Ze observeerden dat de structuur niet in één keer instort; in plaats daarvan gaat het door drie duidelijke fasen. Eerst gedraagt de tunnel zich als een stijve veer, die licht buigt maar terugkeert naar zijn oorspronkelijke vorm. Naarmate de belasting toeneemt, begint het beton kleine barsten te ontwikkelen, wat een overgang markeert naar een tweede fase waarin de schade lokaal en beheersbaar is. Als de druk vervolgens blijft stijgen, vermenigvuldigen de scheuren zich en verspreiden ze zich snel, beginnen de stalen staven binnenin permanent te buigen, en komt de structuur in een stadium van globale breuk terecht. De onderzoekers ontdekten dat de tunnel een belasting van tot 420 kilonewton kon weerstaan voordat dit kritieke punt van instorting werd bereikt. Op dat stadium waren de scheuren aan het oppervlak breder dan 4 millimeter en had de staalversterking de vloeigrens bereikt, wat betekent dat het was uitgerekt voorbij zijn vermogen om te herstellen.

De ware innovatie van dit onderzoek ligt in wat de onderzoekers daarna deden. In plaats van enkel te stoppen bij de simulatie, gebruikten ze de data die gegenereerd werd uit deze virtuele defecten om een computer te leren de toekomst te voorspellen. Ze maakten gebruik van een type kunstmatige intelligentie dat bekend staat als een long short-term memory network, dat bijzonder goed is in het begrijpen van sequenties van gebeurtenissen in de loop van de tijd, vergelijkbaar met hoe een persoon een verhaal onthoudt door de volgorde van gebeurtenissen te herinneren. Deze computernetwerken hebben echter veel instellingen die perfect afgesteld moeten worden om goed te functioneren. Om dit op te lossen, gebruikte het team een particle swarm optimization algorithm, een methode geïnspireerd door hoe vogels in zwermen samenwerken om de beste voedselbron te vinden. Dit algoritme zocht automatisch naar de perfecte combinatie van instellingen voor het neurale netwerk, waardoor het de complexe patronen van scheurgroei zo efficiënt mogelijk kon leren.

Het resultaat was een nieuw voorspellingsinstrument dat de breedte van scheuren in een schildtunnel met opmerkelijke nauwkeurigheid kon voorspellen. Bij tests met data die het systeem nog nooit eerder had gezien, presteerde deze nieuwe tool beter dan verschillende andere veelvoorkomende modellen voor kunstmatige intelligentie. Het voorspelde de scheurbreedte met een foutmarge van slechts 0,1033 millimeter en kwam met een hoge mate van zekerheid overeen met de werkelijke data. De studie toont aan dat door de natuurkundige wetten van engineering te combineren met het leervermogen van machinale intelligentie, het mogelijk is om een robuust systeem voor het monitoren van de gezondheid van tunnels te creëren. Deze aanpak biedt een manier om potentieel gevaar te identificeren voordat het catastrofaal wordt, waardoor ingenieurs een betrouwbare gids krijgen om de veiligheid van de ondergrondse transportsystemen waarop steden afhankelijk zijn te handhaven. De bevindingen suggereren dat een dergelijk hybride model kan dienen als een essentieel instrument voor de langetermijnbescherming van infrastructuur, door complexe data om te zetten in heldere, actiegerichte inzichten om de wereld veilig onder onze voeten te laten bewegen.

Technische Samenvatting: Schadevoorspelling van Schildtunnelstructuren Gedreven door Numerieke Simulatie en Machine Learning

Probleemstelling

Schildtunnels zijn kritieke permanente infrastructuur die ontworpen is voor een levensduur van tot 100 jaar. Ze zijn echter kwetsbaar voor verstoringen door omliggende constructieactiviteiten (bijv. overbelasting door oppervlaktelast, nabijgelegen graafwerkzaamheden) en seismische gebeurtenissen, wat kan leiden tot segmentscheuren, voegverplaatsing en in ernstige gevallen, globale instabiliteit. Hoewel er uitgebreid onderzoek bestaat naar vereenvoudigde analytische methoden en numerieke simulaties voor de prestaties van schildtunnels, is er een opvallende kloof in voorspellend onderzoek dat zich specifiek richt op de falen en de evolutie van schade van schildtunnels onder ultieme belastingscondities. Bestaande machine learning-toepassingen in tunneltechniek hebben zich voornamelijk gericht op zettings- en vervormingsproblemen, waardoor de voorspelling van structurele faalprocessen en de evolutie van scheurbreedte onder extreme belastingen grotendeels onontgonnen is gebleven.

Methodologie

De studie stelt een hybride raamwerk voor dat hoogwaardige numerieke simulatie integreert met machine learning om de evolutie van schade te voorspellen. De methodologie verloopt via vier afzonderlijke stadia:

1. Verfijnde Numerieke Modellering

Een gedetailleerd driedimensionaal numeriek model van een schildtunnelsegment is ontwikkeld op basis van de afmetingen van het Shanghai Metro-tunnelproject (6,2 m buitenste diameter, 0,35 m dikte).

Constitutieve Modellering: Beton niet-lineariteit werd gerepresenteerd met behulp van een totaalvervormingsscheurmodel (specifiek het roterende scheurmodel) om het gedrag onder gecombineerde trek-, compressie- en afschuiving te vangen.
Structurele Details: Het model hield expliciet rekening met lokale verzwakking door inspectieschachten, meerdere contactinterfaces (gesimuleerd met interface-elementen voor glijden/rotatie) en ingebedde wapening (gesimuleerd via truss-elementen).
Validatie: De betrouwbaarheid van het model werd geverifieerd aan de hand van experimentele resultaten op volledige schaal, waarbij een goede overeenstemming werd getoond in de last-verplaatsingsresponsen.

2. Faalsimulatie en Datageneratie

Faalsimulaties werden uitgevoerd onder ultieme draagcondities om de evolutie van structurele spanning, vervorming en wapeningsspanning te verduidelijken.

Belastingsprotocol: Er werd een tweefasig belastingsproces toegepast, waarbij radiale belastingen op de boog (crown), de bodem (invert) en de zijwanden (haunches) werden gesimuleerd totdat structurele draagcapaciteitsfaling optrad.
Data-extractie: De simulaties genereerden gedetailleerde gegevens over de evolutie van de scheurbreedte, wat diende als de belangrijkste indicator voor schadevoorspelling. De dataset legde de stapgewijze evolutie van scheuren vast als gevolg van de brosse aard van beton.

3. Machine Learning Raamwerk (PSO-LSTM)

Om de tijdreeks van de scheurbreedte-evolutie te voorspellen, werd een Long Short-Term Memory (LSTM) netwerk gekozen als het basisvoorspellende model vanwege de capaciteit om langetermijn-afhankelijkheden in tijdreeksgegevens te verwerken.

Optimalisatie: Een Particle Swarm Optimization (PSO) algoritme werd ingezet om kritieke LSTM-hyperparameters te optimaliseren, inclusioneل de het aantal verborgen eenheden, de initiële leersnelheid en de L2-regularisatiecoëfficiënt.
Training: Het PSO-algoritme actualiseerde iteratief de deeltjesposities en snelheden om het globale optimum te identificeren, waarbij de voorspellingsfout werd geminimaliseerd.

4. Vergelijkende Evaluatie

Het voorgestelde PSO-LSTM model werd getraind en getest met de numerieke simulatie-dataset. De prestaties werden kwantitatief vergeleken met drie andere modellen: een Backpropagation (BP) neuraal netwerk, een Convolutional Neural Network (CNN) en een conventioneel LSTM-model. Evaluatiemetrieken omvatten de Root Mean Square Error (RMSE) en de Coëfficiënt van Determinatie ( $R^2$ ).

Belangrijkste Resultaten

Bevindingen uit Numerieke Simulatie

Faalstadia: Het structurele faalproces werd verdeeld in drie stadia:
1. Lineair Elastisch Stadium: Tot 230 kN (scheurbreedte ~0,11 mm).
2. Lokaal Schadestadium: 230 kN tot 420 kN (scheurbreedte tot 3,16 mm).
3. Globaal Faalstadium: >420 kN (scheurbreedte tot 4,37 mm).
Schadekenmerken: Trekbreuk domineerde het schadepatroon. Scheuren ontstonden aan de binnenzijden van de boog en de bodem, en plantten zich voort naar de zijwanden. Lokale instorting vond plaats bij de segmentvoegen, en de ultieme draagcapaciteit werd bepaald op 420 kN.
Wapeningsgedrag: De interne wapening onderging progressieve trekspanningsconcentratie en bereikte uiteindelijk de vloeigrens (335 MPa) bij structurele faling.

Machine Learning Prestaties

Optimale Configuratie: Sensitiviteitsanalyse identificeerde 15 deeltjes en 30 PSO-iteraties als optimale instellingen. Een 7:3 data-split (training:test) leverde de beste prestaties op.
Voorspellingsnauwkeurigheid: Het PSO-LSTM model behaalde een RMSE van 0,1033 en een $R^2$ van 0,9487.
Superieure Prestaties: Het PSO-LSTM model presteerde beter dan de BP, CNN en conventionele LSTM-modellen in zowel nauwkeurigheid als stabiliteit. Het BP-model vertoonde overfitting, terwijl het PSO-LSTM model een superieur vermogen demonstreerde om de complexe dynamische kenmerken van schade-evolutie te vangen zonder evidente overfitting.

Betekenis en Claims

Het artikel claimt dat de voorgestelde aanpak effectieve begeleiding biedt voor de monitoring en bescherming van metrotunnels. Door hoogwaardige numerieke simulatie te integreren met een geoptimaliseerd machine learning-model, biedt de studie een betrouwbare methode om de evolutie van de scheurbreedte onder ultieme belastingscondities te voorspellen.

De auteurs stellen dat dit raamwerk bijdraagt aan het verbeteren van de operationele veiligheid door de vroege identificatie van potentiële catastrofale risico's mogelijk te maken en beslissingen te ondersteunen met betrekking tot tijdige reparatie of versterking. De studie benadrukt dat het PSO-LSTM model een robuuste en geloofwaardige basis biedt voor het beheer en onderhoud van tunnels, waarbij de beperking van bestaande methoden die zich primair richten op zetting in plaats van ultieme faalmechanismen, wordt geadresseerd.