Ein interpretierbares IGWO-MKRVM-Modell zur Vorhersage der Dicke der erschütterten Zone bei Stollen

Warum sicherere Tunnel wichtig sind

Wann immer Ingenieure einen Tunnel durch Fels sprengen oder ausheben, wird das umliegende Gebirge gestört. Ein Ring aus gerissenem und geschwächten Gestein bildet sich um die Öffnung, die als Excavation Damaged Zone bezeichnet wird. Wenn dieser beschädigte Ring zu dick wird, können sich die Tunnelwände verformen oder sogar einbrechen, was Bergleute, Infrastruktur und nahegelegene Gemeinden gefährdet. Die hier zusammengefasste Arbeit stellt eine neue Methode vor, mit der die Dicke dieser beschädigten Zone unter unterschiedlichen geologischen Bedingungen vorhergesagt werden kann. Sie verbindet modernes maschinelles Lernen mit sorgfältiger Interpretierbarkeit, sodass Ingenieure nicht nur die Vorhersagen, sondern auch die dahinterliegenden Ursachen verstehen können.

Der verborgene Ring aus geschwächtem Gestein

Unterirdische Stollen und Querschläge sind von Gestein umgeben, das durch die Ausbrucharbeiten zusammengedrückt und zerrissen wurde. Diese betroffene Schicht — die Dicke der Excavation Damaged Zone — bestimmt unmittelbar, wie viel Unterstützung nötig ist, um den Tunnel sicher zu halten. Die Dicke hängt jedoch von mehreren miteinander wechselwirkenden Faktoren ab: der Festigkeit des Gesteins, dem Grad der Verblockung durch Klüfte und Risse, der Überlagerungstiefe und der Spannweite des Tunnels. Diese Einflüsse sind stark nichtlinear und schwanken von Standort zu Standort, weshalb einfache Formeln oder selbst aufwendige Simulationen oft keine genauen, allgemein anwendbaren Vorhersagen liefern. Traditionelle Felduntersuchungen wie Bodenradar oder akustische Messungen können die beschädigte Zone messen, sind aber teuer und schwer routinemäßig durchzuführen.

Mit intelligenten Algorithmen das Gestein lesen

Um diese Herausforderung anzugehen, sammelten die Autoren 209 Messwerte zur Dicke der beschädigten Zone aus verschiedenen Bergwerken, darunter Kohle-, Gold-, Phosphat- und Bleibetriebe. Für jeden Fall erfassten sie vier Schlüsseldaten: Festigkeit des Gesteins, einen Kluftindex, der den Zerrissungsgrad der Gesteinsblöcke beschreibt, die Tiefe des Tunnels und die Tunnelspannweite. Anschließend entwickelten sie ein Vorhersagemodell, das einen leistungsfähigen Mustererkennungsmechanismus — die Multi-Kernel Relevance Vector Machine — mit einer verbesserten Optimierungsmethode kombiniert, die von der Jagdstrategie der Grauwölfe inspiriert ist. Der Optimierungsschritt justiert die internen Parameter des Modells, sodass es die komplexen Zusammenhänge in den Daten bestmöglich abbildet und gleichzeitig für kleine ingenieurwissenschaftliche Datensätze effizient bleibt.

Wie das hybride Modell Vorhersagen verbessert

Der Kern des Ansatzes liegt darin, mehrere einfache mathematische „Linsen“ bzw. Kernel gleichzeitig zu verwenden, um sowohl grobe Trends als auch feine lokale Variationen im Verhalten des Gesteins zu erfassen. Das Modell kombiniert lineare, radiale und Laplace-Kernel, sodass es glatte Veränderungen, plötzliche Sprünge und verrauschte Messwerte gleichzeitig bewältigen kann. Der verbesserte Grey-Wolf-Optimizer ergänzt dies, indem er den Raum möglicher Parameterkonfigurationen gründlicher erkundet. Er nutzt sorgfältig entworfene zufällige Startpunkte, eine nichtlineare Übergangsstrategie vom groben Suchen zum Feintuning und eine Taktik, gegenüberliegende Lösungsvorschläge einzubeziehen, um nicht in schlechten lokalen Optima stecken zu bleiben. Tests an Standard-Benchmark-Problemen zeigen, dass dieser verbesserte Optimierer schneller und zuverlässiger konvergiert als mehrere andere moderne Schwarm- und evolutionäre Algorithmen.

Bestehende Vorhersagewerkzeuge übertreffen

Auf dem Tunnel-Datensatz angewandt lieferte das integrierte IGWO–MKRVM-Modell sehr genaue Vorhersagen. Bei unbekannten Testfällen erreichte es einen Bestimmtheitsmaß (R²) von über 0,95 und sehr geringe Fehlermetriken, was bedeutet, dass die vorhergesagte Dicke der beschädigten Zone eng mit den Feldmessungen übereinstimmte. Die Autoren verglichen ihr Modell mit einer Reihe etablierter Werkzeuge, darunter klassische neuronale Netze, Gaussian Process Regression, Support-Vector-basierte Hybride und einen abgestimmten Random Forest. In allen Fällen erzeugte das neue Modell kleinere Fehler und eine stabilere Leistung und zeigte damit sowohl starke Anpassungsfähigkeit als auch robuste Generalisierung auf neue geologische Bedingungen.

Die Blackbox des maschinellen Lernens öffnen

Da Ingenieure Sicherheitsentscheidungen begründen müssen, legten die Autoren außerdem Wert auf die Interpretierbarkeit des Modells. Sie verwendeten ein modernes Erklärungsframework namens SHAP, das jede Eingangsvariable als „Spieler“ in einem Kooperationsspiel behandelt und berechnet, wie stark sie zu jeder Vorhersage beiträgt. Diese Analyse zeigte, dass der Kluftindex und die Tiefe des Tunnels die dominierenden Einflussgrößen für die Dicke der beschädigten Zone sind: stark geklüftetes Gestein und tiefere Tunnel führen tendenziell zu deutlich dickeren geschädigten Ringen. Tunnelspannweite und Gesteinsfestigkeit spielen ebenfalls eine Rolle, jedoch in geringerem Maße — größere Spannweiten erhöhen die Schädigung, während stärkeres Gestein diese tendenziell begrenzt. Die Methode deckt darüber hinaus auf, wie diese Faktoren zusammenwirken, etwa dass tiefe Tunnel in schwachem, stark geklüftetem Gestein besonders gefährdet sind.

Was das für die Untertage-Sicherheit bedeutet

Einfach gesagt bietet die Studie Ingenieuren einen intelligenteren Rechner zur Vorhersage, wie weit sich Schäden in das Gestein um einen Tunnel ausbreiten, sowie eine klare Erklärung, unter welchen Bedingungen diese Schäden stärker ausfallen. Durch die Kombination eines sorgfältig abgestimmten Lernmodells mit transparenter Analyse der Merkmalwichtigkeit übertrifft die Methode nicht nur bestehende Modelle, sondern schafft auch Vertrauen in ihre Empfehlungen. Das kann Planern helfen, sicherere Tunnelquerschnitte, Unterstützungssysteme und Abbaumethoden entsprechend der lokalen Geologie auszuwählen und so letztlich das Risiko von Felsstürzen und Einbrüchen in Untertagebauwerken zu verringern.

Zitation: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Schlüsselwörter: Tunnelstabilität, Felsmechanik, Maschinelles Lernen, Untertagebau, geotechnische Sicherheit