National Transport Library Research Database

BeFo 546 - AI baserad utvärdering av bergmassans egenskaper för injekteringsdesign (BeFo 546 - Assessment of rock mass qualities for grouting design using Artificial Intelligence)

Sponsors, duration, budget: Trafikverket ; 2025-06-01 -- 2027-12-31 ; 2 397 000 kronorRegistration number:
  • Trafikverket 2025/32061
Summary: Detta projekt syftar till att utveckla ett automatiserat AI-drivet ramverk för att analysera Measurement While Drilling (MWD) data i underjordiska tunnelprojekt, med särskilt fokus på att förbättra förutsägelser av bergmassans kvalitet och optimera injekteringsarbeten. Under de senaste åren har MWD data blivit allt viktigare inom bergteknik, för att stödja beslutsfattande i kontinuerlig projektering. Traditionella metoder förlitar sig dock ofta på subjektiv tolkning av data, vilket leder till osäkerheter och ineffektiva bergkarakteriseringar och därmed även osäkerheter i injekteringsdesign. Den föreslagna forskningsstudien kommer, genom att använda djup multitasking-inlärning och visualisering, att automatisera processen att analysera och tolka MWD data och geologisk data inkluderande ingenjörsgeologisk kartläggning, vilket ger en solid grund för bergteknisk design, häri med fokus på injekteringsarbeten. AI-baserade metoder kan avslöja dolda mönster i stora datamängder, vilket möjliggör realtidsförutsägelser av bergförhållanden och underlättar design av injektering. Projektet kommer att fokusera på att utveckla det automatiserade ramverket. Som en del av detta arbete kommer vi att börja bygga en databas som integrerar data från tidigare tunnelprojekt och utveckla prediktiva modeller som kan tillämpas under tunnelarbetets gång. Senare i studien planerar vi att samarbeta med Trafikverket och Västlänken Projektet, Etapp Haga, för att få tillgång till aktuell MWD data samt olika ingenjörsgeologiska undersökningsdata. De modeller som utvecklas i detta projekt kommer att jämföras med traditionella metoder för att utvärdera deras effektivitet när det gäller att minska osäkerheter och förbättra projektresultat. Förväntade fördelar inkluderar snabbare och mer precisa bedömningar av bergmassans egenskaper, vilket leder till optimerad design av injektering. Detta kommer att minska tid och kostnader samt minska miljöpåverkan. Genom att optimera dataanalysprocessen kommer projektet att förbättra (och underlätta) beslutsfattande inom tunneldesign och bidra till att stärka Sveriges position som en ledare inom innovativa byggpraxis. Summary: This project aims to develop an automated, AI-driven framework for analysing Measurement While Drilling (MWD) data in underground tunnelling projects, with a particular focus on enhancing predictions of rock mass quality and optimizing grouting operations. In recent years, MWD data has become increasingly important in rock engineering, to support decision-making in continuous design. However, traditional methods often rely on subjective interpretation of this data, leading to uncertainties and inefficiencies in rock characterization, which in turn affect grouting design. The proposed research will address these challenges by applying deep multitasking learning and visualization techniques to automate the analysis and interpretation of MWD data and of geological data including engineering geological mapping, providing a robust foundation for rock engineering design, herein focusing on grouting design. This AI-based approach will uncover patterns within large datasets, enabling real-time predictions of rock conditions and facilitating more accurate grouting design. The work will focus on developing the automated AI-driven framework. As part of this work, we will start building a database that integrates data from previous tunnelling projects and develop predictive models that can be applied as tunnelling progresses. At a later stage, we plan to collaborate with Trafikverket and the Västlänken Project, Stage Haga, to obtain MWD data as well as various engineering geological survey data. The proposed research focuses on an automated multitask learning computer vision approach, leveraging transfer learning to provide robust, multi-task predictions. This reduces overfitting and enhances the ability to analyse multiple data sources or perform concurrent tasks efficiently. The models developed in this project will be compared with traditional methods to assess their effectiveness in reducing uncertainty and improving project outcomes. Expected benefits include faster and more accurate assessments of rock mass properties, leading to optimized grouting design. This will reduce time and costs while also minimizing environmental impact. By optimizing the data analysis process, the project will enhance decision-making in tunnelling and contribute to strengthening Sweden’s position as a leader in innovative construction practices.
Item type: