National Transport Library Research Database

Utvärdering av bergmassans kvalitet för injeteringsdesign med hjälp av AI (AI for grouting)

Sponsors, duration, budget: 2022-05-01 -- 2023-02-28 Trafikverket Registration number:
  • Trafikverket 2022/60591
Subject(s): Abstract: Skandinavisk berggrund lämpar sig väl för kostnadseffektivt bergbyggande med konventionell borra-sprängteknik. Två olika företeelser kan dock ge kostnadsökningar i undermarksprojekt: vatteninläckage och oförutsedda partier med sämre berg-förhållanden. Även om omfattande förundersökningar utförs är det inte möjligt att helt prognosticera alla förekomster av vattenförande strukturer eller utmanande bergförhållanden. Vidare har injekteringsprocessen, som tillämpas för tunnel-konsolidering och tätning, avsevärd inverkan på miljön på grund av injektioner av olika injekteringsupphängningar inklusive cement, lera och fyllmedel och så vidare. Vid byggande med borra-sprängmetoden utförs omfattande borrningar framför drivningsfronten. Med modern teknik (Measurement While Drilling, MWD) registreras många borr-parametrar vid borrningen, som kan användas för att prognosticera bergets egenskaper för de nästkommande salvorna. Förutom MWD-data samlas också geologiska karteringsdata, som sprickor och bergkvalitet, för att bedöma tunnelns stabilitet och täthet. Analysen av de datamängder som genereras är tidskrävande att den i dagsläget inte kommer till full nytta i det dagliga arbetet. För att dataanalysen ska kunna bli ett viktigare verktyg vid planering av förstärkning och tätningsarbeten krävs en större grad av automatisering. Artificiell intelligens (AI) med hjälp av maskininlärnings- och djupinlärningsstrukturer har med lovande resultat tillämpats i en mängd olika geotekniska områden för att tillhandahålla lösningar för geo- och miljörelaterade utmaningar. Detta förslag syftar till att använda artificiell intelligens för att ta fram beslutsunderlag vid utvärdering av MWD-data, geologiska karteringsdata och annan tillgänglig information vid tunneldrivning i hårt berg. Vi strävar efter att tillhandahålla en ny dataanalysmetod och dessutom undersöka möjligheten att använda MWD-data för att förutsäga bergmassans kvalitet och därmed möjliggöra ett bättre beslutsunderlag för injekteringsdesign.Abstract: Drill and blast are the most widely used techniques for tunneling projects in Scandinavian hard rocks. Accordingly, the cost of underground projects can be increased due to the effect of drill and blast on water leakage and the poor conditions of unforeseen sections. Grouting is applied to serve and improve the sealing, strength, and stability of the surrounding ground. In this process the injected cement-based slurries with several additives and fillers can impose considerable impact on the environment which is a big concern for Trafikverket in Sweden. Clients are therefore usually interested in continuous forecasting of the ground conditions ahead of the tunnel face during construction. However, providing a generalized predictive model covering the complexities and nonlinearity of subsurface conditions from aquifers to challenging rock situations even with extensive preliminary investigation is a very complicated task and almost impossible. Nowadays, in tunneling projects analyzing the acquired measurement-while-drilling (MWD) data has been demonstrated to be an objective and reliable method for assessing the rock mass conditions ahead of the tunnel face. Besides the MWD data, after-excavation, geological mapping is usually done to assess rock mass qualities for the tunnel perimeter. However, analysis of the large amount of generated data not only is time-consuming but also currently is not of full use in daily work. To make MWD data become a more important and meaningful tool in design the tunnel support system i.e. reinforcement planning and sealing work, a greater degree of automation is required. To overcome on limitation of traditional time-consuming methods and provide automated process to handle big data, artificial intelligence techniques (AIT) in the form of different machine and deep learning structures can be a promising tool because they have shown significant degree of success in a variety of geoengineering areas to provide solutions for geo-environmental challenges. Referring to use of MWD in Sweden and the lack of modern computational analysis system, this proposal is highly motivated to develop AI-based modeling procedure using MWD and geological mapping data for hard rock tunneling applications. Due to flexibility of AI in using different variables, the possible adding of other potential resources is an open window. We aim to provide a new method of data analysis and to investigate the capability of MWD data in predicting rock mass quality parameters and consequently decision making for more appropriate grouting design systems.
Item type: