Cuando una tuneladora de gran diámetro de 12 metros excava en las profundidades del subsuelo, incluso una desviación de postura de unos pocos milímetros puede provocar el desplazamiento de las dovelas, el hundimiento de la superficie o incluso accidentes por penetración. ¿Cómo lograr que esta pesada bestia de acero avance "sin el más mínimo error" a lo largo del eje de diseño? Cuando los datos, los algoritmos y los equipos físicos se acoplan profundamente entre lo virtual y lo real, la construcción inteligente de túneles con tuneladora ha entrado finalmente en una nueva era de "optimización global".
En la construcción de túneles con tuneladora, existe una compleja relación de acoplamiento no lineal entre más de una docena de variables, como el empuje, el par del cabezal de corte y la velocidad de avance. Los ajustes de parámetros basados tradicionalmente en la experiencia humana a menudo resuelven un problema a expensas de otro: optimizar la velocidad de avance provoca una desviación en la postura; corregir la desviación de la postura puede generar nuevos riesgos de ingeniería. Los métodos de optimización existentes basados en análisis estadísticos y simulación numérica, o bien no logran capturar las interacciones no lineales en condiciones geológicas no uniformes, o tienen un costo computacional demasiado alto; en el aprendizaje profundo, los algoritmos también caen con frecuencia en "soluciones óptimas locales", es decir, la llamada "mejor solución" que encuentra el algoritmo solo es óptima dentro de un rango estrecho, no en un sentido global.
Ante este problema de la industria, el equipo del profesor asociado Chen Ke de la Universidad de Ciencia y Tecnología de Huazhong planteó una audaz hipótesis: en lugar de dejar que el algoritmo explore a ciegas en la oscuridad, es mejor que primero el "doble virtual" de la tuneladora recorra todas las posibilidades. El equipo de investigación, mediante la introducción de un esquema de fusión de "arquitectura jerárquica + IA explicable + optimización híbrida", rompió el techo tecnológico de los métodos tradicionales.
Gemelo digital + optimización global ABC-NSGA-III
Arquitectura de gemelo digital jerárquico: previsualizar cada corte en el mundo virtual
Este marco integra la adquisición de datos, el preprocesamiento, el modelado y la optimización en una arquitectura unificada de cuatro capas, donde cada módulo cumple su función y se interconecta en tiempo real. La capa de datos se encarga de limpiar y estructurar la ingente cantidad de parámetros de excavación e información geológica obtenidos por los sistemas de sensores en la obra; la capa de modelo construye un modelo de gemelo digital de alta fidelidad basado en datos históricos, que mapea las respuestas de múltiples escenarios de la tuneladora física y el terreno; la capa de optimización asume la tarea computacional central; la capa de retroalimentación devuelve dinámicamente los resultados de la optimización al equipo físico para guiar los ajustes de construcción reales. La estrategia de optimización de todos los parámetros significa que el marco no se limita a ajustar parámetros locales, sino que incorpora todas las variables como empuje, par y velocidad en un modelo de optimización unificado, completando una búsqueda global en el espacio virtual del gemelo digital para encontrar la solución óptima que supere las trampas locales.
IA explicable SHAP: una "calculadora confiable" para la toma de decisiones
Aunque la capacidad predictiva del marco de gemelo digital es fuerte, ¿cómo lograr que los ingenieros de campo confíen en sus conclusiones? El equipo de investigación introdujo el método de explicabilidad SHAP, que cuantifica la contribución marginal de cada parámetro de construcción al resultado de la predicción, identificando con precisión los parámetros de control clave que más influyen en la postura del escudo. Este marco de "IA explicable" convierte la optimización de los parámetros del escudo de un agujero negro algorítmico a una herramienta de decisión de ingeniería transparente, trazable y verificable.
Algoritmo de optimización híbrida ABC-NSGA-III: encontrar más rápido la solución óptima global
Este es el motor central de todo el marco. El equipo de investigación acopló orgánicamente el algoritmo de colonia de abejas artificiales (ABC) con el algoritmo genético de ordenamiento no dominado de tercera generación (NSGA-III): ABC se encarga de localizar rápidamente el espacio de soluciones factibles, evitando caer en óptimos locales; NSGA-III realiza una búsqueda del frente de Pareto de alta dimensión a escala global, encontrando el conjunto de soluciones óptimas de Pareto no dominadas entre múltiples objetivos en conflicto (como desviación de postura, velocidad de avance, consumo de energía). La colaboración de ambos garantiza tanto la velocidad de convergencia como la calidad del conjunto de soluciones, lo que constituye un efecto de sinergia algorítmica de 1+1>2.
La línea de enlace del Aeropuerto de Shanghái obtiene una calificación sobresaliente
El marco fue validado completamente en el proyecto de la línea de enlace del Aeropuerto de Shanghái. Este proyecto se ubica en una zona geológica subterránea compleja entre el distrito de Pudong y el centro de transporte de Hongqiao, lo que impone requisitos extremadamente altos para el control de la postura del escudo. El estudio comparó múltiples esquemas de optimización y descubrió que la "optimización de todos los parámetros" obtuvo el mejor rendimiento, con una tasa de optimización general del 32,02%; en el análisis comparativo con múltiples objetivos coexistentes, este marco superó significativamente a los métodos de referencia existentes tanto en velocidad de convergencia como en calidad de la solución, reduciendo la desviación de la postura del escudo entre un 2,21% y un 17,13%. La estrategia de optimización de todos los parámetros permite que el marco capture simultáneamente los efectos sinérgicos de múltiples variables, resolviendo el problema crónico de la industria de "resolver un problema a expensas de otro".
Abre un nuevo camino para la construcción inteligente con tuneladoras
Impulsar la construcción con tuneladoras de la "experiencia humana" a la "optimización global"
La excavación con tuneladora implica el acoplamiento no lineal de más de una docena de variables, y los métodos tradicionales resuelven un problema a expensas de otro. Este estudio acopla por primera vez en profundidad el algoritmo de colonia de abejas artificiales con NSGA-III, proponiendo un marco completo de gemelo digital + optimización híbrida, que resuelve eficazmente el problema de la búsqueda del frente de Pareto de alta dimensión, proporcionando nuevos métodos teóricos y herramientas técnicas para la optimización de parámetros en la construcción de túneles. Este marco, como herramienta eficaz para apoyar la toma de decisiones en la excavación con tuneladoras, abre una nueva vía tecnológica para el control inteligente de tuneladoras en entornos geológicos complejos.
Proporcionar soporte técnico para el desarrollo de alta calidad del espacio subterráneo urbano
Con la rápida expansión de la construcción de infraestructura subterránea urbana, el método de tuneladora se utiliza ampliamente debido a su eficiencia constructiva, seguridad operativa y bajo impacto en el entorno circundante. Sin embargo, una configuración inadecuada de los parámetros puede provocar desviaciones de postura, desviaciones de trayectoria e incluso daños estructurales. Este marco logra la optimización colaborativa de objetivos multidimensionales a través de la "interconexión virtual-real", proporcionando soporte teórico para el desarrollo seguro y eficiente del espacio subterráneo urbano, con potencial para ser promovido a proyectos de túneles de metro complejos en todo el país.
Acelerar el cambio de estándares en la construcción inteligente
Actualmente, la construcción con tuneladoras en China depende principalmente de la experiencia de los operadores, y la calidad y seguridad de la construcción dependen en gran medida de las "personas". El equipo de investigación de la Universidad de Ciencia y Tecnología de Huazhong construyó en su estudio un sistema de optimización inteligente que admite aplicaciones en múltiples escenarios. Su marco supera significativamente a los métodos de referencia existentes tanto en velocidad de convergencia como en calidad del conjunto de soluciones, proporcionando un "esquema algorítmico" de referencia para la estandarización y actualización de la industria de la construcción inteligente. Un artículo publicado en una revista central del Índice de Ingeniería (EI) de Estados Unidos evaluó que este método, al retroalimentar iterativamente los parámetros optimizados al modelo de gemelo digital para guiar el ajuste de parámetros, muestra un buen rendimiento de convergencia.
La validación de este marco se basó en el proyecto de la línea de enlace del Aeropuerto de Shanghái, orientado al control de la construcción de tuneladoras de gran diámetro en condiciones geológicas complejas. En el siguiente paso, el equipo planea promoverlo a más proyectos de túneles de metro en condiciones geológicas complejas en China, y explorar la integración profunda con tecnologías de la información de nueva generación como el control remoto 5G y la inteligencia de borde, para que la "conducción por datos y la interconexión virtual-real" se conviertan en la nueva normalidad de la construcción inteligente futura.
"Ante el desafío de la búsqueda del frente de Pareto de alta dimensión en la optimización de parámetros de tuneladoras, el algoritmo ABC-NSGA-III colabora para garantizar tanto la velocidad de convergencia como la calidad del conjunto de soluciones, lo que constituye un efecto de sinergia algorítmica de 1+1>2." — Grupo de investigación de Chen Ke, Universidad de Ciencia y Tecnología de Huazhong, 2026
Esta investigación marca la transición de la construcción de túneles con tuneladora del modelo tradicional "basado en la experiencia y la mano de obra" a una nueva etapa inteligente "impulsada por datos y optimizada en el espacio global", proporcionando una base técnica sólida para el desarrollo de alta calidad del espacio subterráneo urbano.