Quando uma tuneladora de diâmetro supergrande de 12 metros escava em profundidade subterrânea, mesmo um desvio de postura de apenas alguns milímetros pode causar desalinhamento de segmentos, subsidência da superfície ou até mesmo acidentes de perfuração. Como fazer essa besta de aço pesada caminhar "sem o menor desvio" ao longo do eixo projetado? Quando dados, algoritmos e equipamentos físicos se acoplam profundamente entre o virtual e o real, a construção inteligente de túneis com tuneladoras finalmente entrou em uma nova era de "otimização global".

Na construção de túneis com tuneladoras, existem relações de acoplamento não lineares complexas entre dezenas de variáveis, como empuxo, torque do cabeçote de corte e velocidade de avanço. Os ajustes tradicionais baseados na experiência humana muitas vezes resolvem um problema enquanto criam outro — otimizar a velocidade de avanço pode causar desvios de postura; corrigir desvios de postura pode introduzir novos riscos de engenharia. Os métodos de otimização existentes baseados em análise estatística e simulação numérica ou não conseguem capturar as interações não lineares sob condições geológicas não uniformes, ou têm custos computacionais excessivamente altos; na aprendizagem profunda, os algoritmos frequentemente caem em "soluções ótimas locais" — ou seja, a chamada "melhor solução" encontrada pelo algoritmo é ótima apenas dentro de um intervalo estreito, e não no sentido global.

Diante desse desafio do setor, o grupo de pesquisa do Professor Associado Chen Ke, da Universidade de Ciência e Tecnologia de Huazhong, propôs uma ideia ousada: em vez de deixar o algoritmo tatear no escuro, é melhor primeiro deixar o "substituto" virtual da tuneladora percorrer todas as possibilidades. A equipe de pesquisa rompeu o teto técnico dos métodos tradicionais ao introduzir um esquema de integração de "arquitetura em camadas + IA explicável + otimização híbrida".

Gêmeo digital + otimização global ABC-NSGA-III

Arquitetura de gêmeo digital em camadas — ensaiando cada corte no mundo virtual

Este framework integra coleta de dados, pré-processamento, modelagem e otimização em uma arquitetura unificada de quatro camadas, onde cada módulo desempenha sua função e opera em tempo real de forma interligada. A camada de dados é responsável por limpar e estruturar os parâmetros de escavação e informações geológicas em massa obtidos pelos sistemas de sensores no canteiro de obras; a camada de modelo constrói modelos de gêmeo digital de alta fidelidade com base em dados históricos, mapeando as respostas de múltiplos cenários entre a tuneladora física e o solo; a camada de otimização assume as tarefas computacionais centrais; a camada de feedback retorna dinamicamente os resultados da otimização ao equipamento físico, orientando ajustes na construção real. A estratégia de otimização de parâmetros totais significa que o framework não se limita a ajustar parâmetros locais, mas incorpora todas as variáveis, como empuxo, torque e velocidade, em um modelo de otimização unificado, realizando uma busca global no espaço virtual do gêmeo digital para encontrar a solução ótima que supera as armadilhas locais.

SHAP IA explicável — uma "calculadora confiável" para a tomada de decisões

Embora a capacidade preditiva do framework de gêmeo digital seja forte, como fazer os engenheiros de campo confiarem em suas conclusões? A equipe de pesquisa introduziu o método de explicabilidade SHAP, que quantifica a contribuição marginal de cada parâmetro de construção para o resultado previsto, identificando com precisão os parâmetros de controle chave que mais impactam a postura da tuneladora. Este framework de "IA explicável" transforma o ajuste de parâmetros da tuneladora de um buraco negro algorítmico em uma ferramenta de decisão de engenharia transparente, rastreável e verificável.

Algoritmo de otimização híbrido ABC-NSGA-III — encontrando a solução ótima global mais rapidamente

Este é o motor central de todo o framework. A equipe de pesquisa acoplou organicamente o algoritmo de colônia de abelhas artificial (ABC) com o algoritmo genético de classificação não dominada de terceira geração (NSGA-III): o ABC é responsável por localizar rapidamente o espaço de soluções viáveis, evitando cair em ótimos locais; o NSGA-III realiza uma busca de fronteira de Pareto de alta dimensão em escala global, encontrando o conjunto de soluções ótimas de Pareto não dominadas entre múltiplos objetivos conflitantes (como desvio de postura, velocidade de avanço e consumo de energia). A sinergia entre ambos garante tanto a velocidade de convergência quanto a qualidade do conjunto de soluções, representando um efeito de sinergia algorítmica de 1+1>2.

Linha de conexão do Aeroporto de Xangai obtém nota máxima

O framework foi totalmente validado no projeto da Linha de Conexão do Aeroporto de Xangai. Localizado em uma área geológica subterrânea complexa entre o Distrito de Pudong e o Hub de Hongqiao, o projeto impôs requisitos extremamente altos para o controle de postura da tuneladora. O estudo comparou várias soluções de otimização e descobriu que a "otimização de parâmetros totais" obteve o melhor desempenho, com uma taxa de otimização geral de 32,02%; em análises comparativas com múltiplos objetivos coexistentes, o framework superou significativamente os métodos de referência existentes tanto em velocidade de convergência quanto em qualidade da solução, reduzindo o desvio de postura da tuneladora em 2,21% a 17,13%. A estratégia de otimização de parâmetros totais permite que o framework capture simultaneamente os efeitos de sinergia de múltiplas variáveis, resolvendo o problema crônico do setor de "resolver um problema enquanto cria outro".

Abrindo um novo caminho para a construção inteligente com tuneladoras

Impulsionando a construção com tuneladoras da "experiência humana" para a "otimização global"

A escavação com tuneladoras envolve o acoplamento não linear de dezenas de variáveis, e os métodos tradicionais frequentemente resolvem um problema enquanto criam outro. Este estudo acoplou profundamente, pela primeira vez, o algoritmo de colônia de abelhas artificial com o NSGA-III, propondo um framework completo de gêmeo digital + otimização híbrida, resolvendo efetivamente o problema de busca de fronteira de Pareto de alta dimensão e fornecendo novos métodos teóricos e ferramentas técnicas para a otimização de parâmetros de construção de túneis. Como uma ferramenta eficaz para apoiar a tomada de decisões na escavação com tuneladoras, este framework abre um novo caminho técnico para o controle inteligente de tuneladoras em condições geológicas complexas.

Fornecendo suporte técnico para o desenvolvimento de alta qualidade do espaço subterrâneo urbano

Com a rápida expansão da construção de infraestrutura subterrânea urbana, o método de tuneladora é amplamente adotado devido à sua eficiência de construção, segurança operacional e baixo impacto ambiental. No entanto, a configuração inadequada de parâmetros pode causar desvios de postura, desvios de trajetória e até danos estruturais. Este framework, por meio da "interação virtual-real", realiza a otimização colaborativa de múltiplos objetivos, fornecendo suporte teórico para o desenvolvimento seguro e eficiente do espaço subterrâneo urbano, com potencial para ser estendido a projetos de túneis de metrô complexos em todo o país.

Acelerando a mudança nos padrões de construção inteligente

Atualmente, a construção com tuneladoras na China depende principalmente da experiência dos operadores, com a qualidade e a segurança da construção altamente dependentes de "pessoas". O grupo de pesquisa da Universidade de Ciência e Tecnologia de Huazhong construiu um sistema de otimização inteligente que suporta aplicações em múltiplos cenários. Seu framework supera significativamente os métodos de referência existentes tanto em velocidade de convergência quanto em qualidade do conjunto de soluções, fornecendo uma "solução algorítmica" que pode servir de referência para a padronização e atualização do setor de construção inteligente. Um artigo publicado em um periódico central do Engineering Index (EI) dos Estados Unidos avaliou que o método, ao realimentar iterativamente os parâmetros otimizados para o modelo de gêmeo digital para orientar os ajustes de parâmetros, demonstra um bom desempenho de convergência.

A validação deste framework foi baseada no projeto da Linha de Conexão do Aeroporto de Xangai, voltado para o controle de construção de tuneladoras de diâmetro supergrande em condições geológicas complexas. Na próxima etapa, a equipe planeja estendê-lo a mais projetos de túneis de metrô em condições geológicas complexas na China e explorar a integração profunda com novas tecnologias de informação, como controle remoto 5G e inteligência de borda, tornando "orientado por dados, interação virtual-real" o novo normal da construção inteligente no futuro.

"Diante do desafio da busca de fronteira de Pareto de alta dimensão na otimização de parâmetros de tuneladoras, o algoritmo ABC-NSGA-III garante tanto a velocidade de convergência quanto a qualidade do conjunto de soluções, representando um efeito de sinergia algorítmica de 1+1>2." — Grupo de Pesquisa de Chen Ke, Universidade de Ciência e Tecnologia de Huazhong, 2026

Esta pesquisa marca a transição da construção de túneis com tuneladoras do modelo tradicional "baseado em experiência e mão de obra" para uma nova fase inteligente "orientada por dados e otimização em espaço global", fornecendo uma base técnica sólida para o desenvolvimento de alta qualidade do espaço subterrâneo urbano.