Enfoques de aprendizaje automático para predecir el tiempo de construcción de túneles de perforación y explosión

Área de la Ciencia:

• Ingeniería civil
• Ingeniería geotécnica
• Ciencias computacionales

Sus antecedentes:

• La predicción precisa de la duración de la construcción es vital para una gestión eficiente del proyecto en el túnel.
• La perforación de túneles con explosión implica factores geológicos y operativos complejos que influyen en los plazos del proyecto.
• Los métodos existentes para la estimación de la duración a menudo carecen de la precisión requerida para los ajustes dinámicos del proyecto.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático (ML) para predecir la duración de la construcción de túneles de perforación y voladura.
• Identificar los parámetros clave que tienen un impacto significativo en los plazos de construcción del túnel.
• Crear una herramienta práctica para la estimación de la duración en tiempo real y el seguimiento del proyecto.

Principales métodos:

• Compilación de un conjunto de datos completo de 500 puntos de datos de ocho túneles, incluidos 20 parámetros diversos.
• Selección de características para identificar 17 parámetros cruciales para el entrenamiento del modelo ML, centrándose en la ruptura y la sección transversal.
• Aplicación y ajuste de hiperparámetros de varios modelos ML, incluida la regresión de proceso de Gauss.
• Desarrollo de una interfaz gráfica de usuario (GUI) basada en el aprendizaje automático para su aplicación práctica.

Principales resultados:

• Identificación de la ruptura y de la sección transversal del túnel como parámetros de gran influencia en la duración de la construcción.
• La regresión del proceso gaussiano demostró un rendimiento superior, logrando un R-cuadrado promedio de 0,89.
• La interfaz gráfica de usuario basada en ML desarrollada permite predicciones de duración precisas en tiempo real y actualizaciones dinámicas.
• El ajuste de hiperparámetros mejoró significativamente la precisión predictiva de los modelos ML.

Conclusiones:

• Las técnicas de aprendizaje automático, en particular la regresión de procesos de Gauss, son muy efectivas para predecir la duración de la construcción de túneles de perforación y explosión.
• Los parámetros clave, como la ruptura excesiva y la sección transversal, son críticos para las estimaciones de tiempo precisas.
• La interfaz gráfica de usuario desarrollada ofrece una herramienta valiosa y práctica para mejorar la gestión de proyectos y la toma de decisiones en tiempo real en proyectos de túnel.