En los complejos y cambiantes estratos subterráneos, los parámetros de excavación de una tuneladora son como un juego de azar contra lo desconocido. Existe el riesgo constante de que el cabezal de corte se atasque, se produzcan afluencias de agua repentinas y colapsos del terreno. Ahora, un equipo de la Universidad Tecnológica de Qingdao y la Universidad de Shandong ha publicado una investigación innovadora en la revista Scientific Reports de Nature, proponiendo por primera vez un "modelo de aprendizaje profundo de doble flujo mejorado por descomposición" (modelo ME-CLL), que logra una predicción en tiempo real de múltiples pasos a nivel de milisegundos de los parámetros operativos de la TBM, equipando a la tuneladora con un chip inteligente capaz de "prever el futuro".

"Ceguera a ojos abiertos" en la construcción subterránea

La tuneladora de sección completa (TBM) es el equipo central para la construcción de infraestructuras importantes como metros, ferrocarriles, túneles de agua, oleoductos y gasoductos, y galerías mineras. En comparación con el método tradicional de perforación y voladura, la TBM ofrece ventajas como mayor eficiencia, menor interferencia en la superficie y un costo de construcción más controlable, convirtiéndose en la opción preferida para el desarrollo del espacio subterráneo.

Sin embargo, la TBM enfrenta desafíos severos en entornos geológicos complejos y cambiantes. Accidentes como colapsos de túneles, estallidos de roca, afluencias de agua repentinas y bloqueo del cabezal de corte ocurren con frecuencia, poniendo en grave riesgo la seguridad de la construcción. Durante mucho tiempo, la operación de la TBM ha dependido principalmente del juicio empírico del operador, lo que conlleva problemas como retrasos en la reacción y zonas ciegas en la toma de decisiones al encontrarse con cambios geológicos desconocidos. Aunque en los últimos años se ha utilizado el aprendizaje profundo para la predicción de parámetros de la TBM, los modelos existentes a menudo sufren de una fiabilidad insuficiente en la estimación de un solo punto y una débil capacidad de generalización ante condiciones de trabajo desconocidas.

"Dos pasos" permiten que el modelo vea el presente y prevea el futuro

El equipo de investigación propuso primero la arquitectura de aprendizaje profundo de doble flujo CLL. Esta arquitectura integra en paralelo una rama de convolución residual (para capturar características espaciales) y una rama de memoria a corto y largo plazo (para capturar características temporales), extrayendo simultáneamente información de dimensión espacial y de dimensión temporal de los datos operativos de la TBM. Sin embargo, aunque el modelo CLL se desempeña excelentemente en la predicción de un solo paso, su precisión disminuye al enfrentarse a predicciones de múltiples pasos más a largo plazo.

Para ello, el equipo construyó el marco híbrido ME-CLL. Este marco acopla profundamente el modelo CLL con un módulo de descomposición de señales de vanguardia: dicho módulo emplea la Transformada Wavelet Empírica (EWT) optimizada por el Optimizador de Gacela de Montaña (MGO), capaz de descomponer automáticamente las señales no estacionarias y multiescala originales en componentes de diferentes bandas de frecuencia, logrando una extracción de características más eficiente y detallada.

"Un paso que abarca cinco pasos": protección integral en todos los escenarios

Al realizar la validación sistemática en conjuntos de datos operativos reales de TBM, la mejora en el rendimiento del modelo ME-CLL fue impresionante:

El índice de parámetros clave logró un salto de precisión de 15,4 puntos porcentuales. En el primer conjunto de datos, el coeficiente de determinación (R²) del par del cabezal de corte (uno de los parámetros más importantes para predecir la presión de carga de la TBM) aumentó de 0,848 a 0,979, y el error porcentual absoluto medio se redujo drásticamente en un 48,72%.

Aún más sorprendente es su capacidad de predicción continua de múltiples pasos. En la condición extrema de predicción de cinco pasos hacia adelante, el coeficiente de determinación (R²) de todos los parámetros clave se mantuvo estable por encima de 0,979, y la tasa de varianza explicada superó el 97,911%.

La excelente capacidad de generalización entre diferentes geologías se verificó aún más. En otros cuatro conjuntos de datos con diferentes condiciones geológicas, el MAPE de los cuatro parámetros clave de la TBM se redujo en un 45,01%, 57,64%, 11,11% y 41,54%, respectivamente. Esto demuestra plenamente que el modelo ME-CLL posee una excelente universalidad y adaptabilidad al enfrentarse a diferentes condiciones de trabajo.

De "impulsado por la experiencia" a "impulsado por la inteligencia de datos"

El valor de esta investigación va mucho más allá del ámbito académico; está liderando un magnífico salto generacional en el sistema de control de seguridad de la construcción de túneles con tuneladoras a nivel mundial.

1. Prevención y control inteligente de riesgos, transformando la respuesta pasiva en control proactivo: El modelo puede percibir en tiempo real y predecir con antelación las tendencias anormales de funcionamiento de la TBM. Cuando parámetros clave como el par del cabezal de corte o el empuje muestran una tendencia a superar los límites, el modelo puede identificar el riesgo de antemano. Esto reducirá en gran medida la probabilidad de accidentes graves de construcción, como colapsos de túneles, estallidos de roca, afluencias de agua repentinas y bloqueo del cabezal de corte. Los resultados de esta investigación se corroboran mutuamente con los nuevos equipos de tuneladoras inteligentes representados por el "cerebro inteligente" actual: ya existen múltiples modelos de tuneladoras en el país capaces de predecir con precisión el asentamiento de la superficie y la postura de la tuneladora, alertar en tiempo real sobre el riesgo de enterramiento del equipo y tomar decisiones inteligentes sobre los parámetros de excavación.

2. Optimización inteligente de los parámetros de excavación, mejorando la calidad y eficiencia de este equipo nacional clave: El modelo ME-CLL puede servir como el motor de decisión central del sistema de "conducción autónoma" del túnel. Al descomponer profundamente la compleja relación de interacción entre la roca y la máquina, el sistema puede proporcionar recomendaciones precisas de parámetros de excavación a los operadores, reduciendo significativamente el umbral de trabajo para puestos de alta cualificación y disminuyendo directamente el desgaste del equipo, el consumo de energía y los costos de mantenimiento durante el proceso de construcción.

3. Potenciar el túnel gemelo digital, impulsando la gestión del ciclo de vida completo: Este modelo proporciona un soporte algorítmico subyacente clave para construir un sistema de "gemelo digital roca-máquina". Permite que la gestión de la ingeniería subterránea pase del antiguo modelo de "detectar y acumular datos" a una nueva fase de "predicción e intervención activa".

4. Protección integral desde el metro urbano hasta túneles en entornos extremos: Su excelente capacidad de generalización entre diferentes geologías no solo es aplicable a proyectos convencionales como el metro urbano, sino que también se convertirá en un "lastre de seguridad" indispensable para la construcción en entornos de alto riesgo extremo, como la perforación de zonas de falla y fractura, y túneles con alta presión de agua.