Em camadas geológicas complexas e variáveis, os parâmetros de escavação de uma tuneladora (TBM) assemelham-se a um jogo contra o desconhecido. Riscos de travamento do cabeçote de corte, influxos súbitos de água e colapsos do solo estão sempre presentes. Agora, uma pesquisa inovadora das equipes da Universidade de Tecnologia de Qingdao e da Universidade de Shandong, publicada no periódico Scientific Reports do grupo Nature, propõe pela primeira vez um "modelo de aprendizado profundo de fluxo duplo com decomposição aprimorada" (modelo ME-CLL), alcançando previsões em múltiplas etapas em tempo real de milissegundos para os parâmetros operacionais da TBM, instalando um chip inteligente capaz de "prever o futuro" no equipamento de tunelamento.
"Cegueira" na construção subterrânea
A tuneladora de face completa (TBM) é o equipamento central para a construção de infraestruturas importantes, como metrôs, ferrovias, túneis de água, oleodutos e gasodutos, e galerias de minas. Em comparação com o método tradicional de perfuração e detonação, a TBM oferece vantagens como maior eficiência, menor interferência na superfície e custos de construção mais controláveis, tornando-se a solução preferida para o desenvolvimento do espaço subterrâneo.
No entanto, a TBM enfrenta desafios severos em ambientes geológicos complexos e variáveis. Acidentes como colapsos de túneis, explosões de rochas, influxos súbitos de água e travamento do cabeçote de corte ocorrem com frequência, comprometendo seriamente a segurança da construção. Por muito tempo, a operação da TBM dependeu principalmente da experiência do operador, apresentando problemas como atraso na reação e pontos cegos na tomada de decisão ao encontrar mudanças geológicas desconhecidas. Embora o aprendizado profundo tenha sido usado recentemente para prever parâmetros da TBM, os modelos existentes sofrem com a confiabilidade insuficiente da estimativa pontual e a fraca capacidade de generalização diante de condições operacionais desconhecidas.
"Dois passos" permitem que o modelo veja o presente e preveja o futuro
A equipe de pesquisa propôs primeiro a arquitetura de aprendizado profundo de fluxo duplo CLL. Esta arquitetura integra em paralelo um ramo de convolução residual (capturando características espaciais) e um ramo de memória de longo e curto prazo (capturando características temporais), extraindo simultaneamente informações dimensionais espaciais e temporais dos dados operacionais da TBM. No entanto, o modelo CLL apresentou excelente desempenho na previsão de uma única etapa, mas sua precisão diminuiu ao enfrentar previsões de múltiplas etapas mais distantes.
Para isso, a equipe construiu a estrutura híbrida ME-CLL. Esta estrutura acopla profundamente o modelo CLL com um módulo de decomposição de sinal de ponta — o módulo utiliza a Transformada Wavelet Empírica (EWT) otimizada pelo Otimizador de Gazela da Montanha (MGO), capaz de decompor automaticamente sinais não estacionários e multiescala originais em componentes de diferentes bandas de frequência, permitindo uma extração de características mais eficiente e detalhada.
"Um passo para cinco passos": proteção em todos os cenários
Ao realizar a validação sistemática em conjuntos de dados operacionais reais de TBM, a melhoria de desempenho do modelo ME-CLL foi impressionante:
Os indicadores de parâmetros principais alcançaram um salto de precisão de 15,4 pontos percentuais. No primeiro conjunto de dados, o coeficiente de determinação (R²) do torque do cabeçote de corte (um dos parâmetros mais importantes para prever a pressão de carga da TBM) saltou de 0,848 para 0,979, e o erro percentual absoluto médio (MAPE) diminuiu drasticamente em 48,72%.
Ainda mais notável é sua capacidade de previsão contínua em múltiplas etapas. Sob a condição extrema de previsão de cinco etapas à frente, o coeficiente de determinação (R²) de todos os parâmetros-chave manteve-se estável acima de 0,979, e a taxa de explicação da variância ultrapassou 97,911%.
A capacidade de generalização excepcional entre diferentes geologias foi ainda mais validada. Em outros quatro conjuntos de dados com condições geológicas distintas, o MAPE dos quatro parâmetros-chave da TBM foi reduzido em 45,01%, 57,64%, 11,11% e 41,54%, respectivamente. Isso prova plenamente que o modelo ME-CLL possui excelente universalidade e adaptabilidade ao enfrentar diferentes condições operacionais.
De "orientado pela experiência" a "orientado pela inteligência de dados"
O valor desta pesquisa vai muito além do âmbito acadêmico; ela está liderando uma magnífica transição geracional no sistema de controle de segurança da construção de túneis em todo o mundo.
1. Prevenção e controle inteligentes de riscos, transformando a resposta passiva em controle proativo: O modelo pode perceber em tempo real e prever antecipadamente tendências anormais de operação da TBM. Quando parâmetros-chave como torque do cabeçote de corte e empuxo mostram uma tendência de ultrapassar os limites, o modelo pode identificar o risco com antecedência. Isso reduzirá significativamente a probabilidade de grandes acidentes de construção, como colapsos de túneis, explosões de rochas, influxos súbitos de água e travamento do cabeçote de corte. Os resultados desta pesquisa se alinham com os novos equipamentos inteligentes de tunelamento representados pelo "cérebro inteligente" — vários modelos de tuneladoras domésticas já conseguem prever com precisão o assentamento da superfície e a postura da tuneladora, alertar em tempo real sobre o risco de soterramento do equipamento e tomar decisões inteligentes sobre os parâmetros de escavação.
2. Otimização inteligente dos parâmetros de escavação, melhorando a qualidade e a eficiência do equipamento nacional: O modelo ME-CLL pode servir como o motor de decisão central do sistema de "condução autônoma" de túneis. Ao desconstruir profundamente a complexa relação de interação entre a rocha e a máquina, o sistema pode fornecer recomendações precisas de parâmetros de escavação para os operadores, reduzindo significativamente o limiar de operação para cargos de alta qualificação e diminuindo diretamente o desgaste do equipamento, o consumo de energia e os custos de manutenção durante a construção.
3. Capacitando túneis gêmeos digitais, promovendo a gestão do ciclo de vida completo: O modelo fornece suporte algorítmico fundamental para a construção de um sistema de "gêmeo digital rocha-máquina". Isso permite que a gestão de projetos subterrâneos passe do antigo modelo de "detecção e acúmulo de dados" para uma nova fase de "previsão e intervenção proativa".
4. Proteção abrangente, desde metrôs urbanos até túneis em ambientes extremos: Sua excepcional capacidade de generalização entre diferentes geologias não é adequada apenas para projetos convencionais, como metrôs urbanos, mas também se tornará uma "âncora de segurança" indispensável para a construção em ambientes de risco extremamente alto, como zonas de falha e túneis com alta pressão de água.