KI-unterstützter, zuverlässigkeitsbasierter Entwurfsrahmen für Betonauskleidungen von Tunneln in schwachen Gesteinen

Sicherere Tunnel in unsicherem Untergrund

Tunnel führen Züge, Autos, Wasser und Energie durch Berge und Städte, werden aber durch Gestein gegraben, das nie vollständig bekannt ist. In schwachem oder zerrissenem Gestein müssen Planer abschätzen, wie robust der Untergrund tatsächlich ist und wie viel Betonauskleidung nötig ist, damit ein Tunnel nicht zusammengedrückt wird. Diese Studie zeigt, wie die Kombination aus klassischer Felsmechanik, Wahrscheinlichkeitsrechnung und moderner künstlicher Intelligenz aus dieser Schätzung ein klareres, risikobasiertes Design für sicherere und wirtschaftlichere Tunnel in herausforderndem Untergrund machen kann.

Warum die Tunnelbemessung so schwierig ist

Bei der Planung eines Tunnels müssen Ingenieure entscheiden, wie dick die Betonauskleidung sein soll und welche Betongüte verwendet wird. Traditionelle „deterministische“ Bemessung geht von einzelnen Bestwerten für Felsfestigkeit, Spannungszustand im Untergrund und Materialeigenschaften aus und prüft dann mit einem Sicherheitsfaktor, ob die Auskleidung ausreichend ist. In der Realität ist Gestein jedoch variabel: Festigkeit, Steifigkeit und Struktur können Meter für Meter variieren. Das Ignorieren dieser Variabilität kann zu Entwürfen führen, die entweder zu optimistisch (unsicher) oder unnötig überdimensioniert (zu teuer) sind. Die probabilistische Bemessung betrachtet dagegen jede wichtige Größe als Band mit einer Eintrittswahrscheinlichkeit und schätzt die Wahrscheinlichkeit, dass die Auskleidung versagt. Dieses Papier wendet dieses risikobasierte Denken speziell auf Tunnelauskleidungen in schwachem Gestein an, wo die Unsicherheit besonders relevant ist.

Verknüpfung von Gestein, Auskleidung und Bodenbewegung

Kern des Rahmens ist eine Methode namens Konvergenz–Konfinement, die verbindet, wie sich das Gestein um einen zylindrischen Tunnel verformt (Konvergenz) und wie stark die Auskleidung dagegen drückt (Konfinement). Das Gestein wird durch eine weitverbreitete Versagensregel für gebrochenes Felsgestein beschrieben, während die Betonauskleidung bis zu ihrer Druckfestigkeit elastisch angenommen wird. Es werden zwei Kurven erstellt: eine zeigt, wie das Gestein reagiert, wenn der Tunnel sich öffnet und entspannt, die andere zeigt, wie die Auskleidung dem belastet wird. Ihr Schnittpunkt ergibt den Druck auf die Auskleidung und einen druckbasierten Sicherheitsfaktor. In dieser Arbeit wird jede steuernde Größe — der in-situ Spannungszustand, Felsfestigkeit, Felsqualitätsindex, Tunnelradius, Auskleidungssteifigkeit, Auskleidungsfestigkeit und Auskleidungsdicke — als Zufallsvariable modelliert. Mit Tausenden von Monte-Carlo-Stichproben und einer etablierten Zuverlässigkeitsmethode (FORM) berechnen die Autoren sowohl einen Sicherheitsfaktor als auch eine explizite Ausfallwahrscheinlichkeit für jeden Entwurf.

Eine KI trainieren, die Tunnelsicherheit vorhersagt

Vollständige probabilistische Simulationen für viele Entwurfsoptionen können langsam sein. Um dies zu beschleunigen, trainieren die Autoren ein KI-Ersatzmodell mithilfe von Gene Expression Programming, einer Form der symbolischen Regression, die statt eines Black-Box-Modells eine geschlossene Formel erzeugt. Sie erzeugen große Datensätze aus ihrer tabellenbasierten Zuverlässigkeits-Engine und entwickeln daraus eine kompakte Formel, die den druckbasierten Sicherheitsfaktor aus acht wichtigen Eingangsgrößen — darunter Tunnelgröße, Felseigenschaften und Auskleidungseigenschaften — vorhersagt. Die endgültige Gleichung folgt den probabilistischen Ergebnissen sehr genau, mit einer Korrelation über 0,99, und ist leicht konservativ: Sie tendiert dazu, einen etwas kleineren Sicherheitsfaktor vorherzusagen als der Mittelwert aus den vollständigen Simulationen. Diese Verzerrung ist in sicherheitsorientierten Entwürfen tatsächlich vorteilhaft, da sie übermäßig selbstsichere Prognosen vermeidet und Ingenieuren gleichzeitig eine schnelle Möglichkeit bietet, viele Kombinationen zu erkunden.

Was Dicke und Betonqualität wirklich bewirken

Mithilfe dieses kombinierten Rahmens untersucht die Studie, wie Änderungen der Auskleidungsdicke und der Materialqualität die Tunnelsicherheit in schwachem Gestein beeinflussen. Untersucht werden zwei Betontypen: ein konventioneller Beton mit einer Festigkeit von etwa 20 MPa und ein deutlich stärkerer faserverstärkter reaktiver Pulverbeton (FRPC) mit etwa 65 MPa. Bei niederfestigem Beton und geringen Dicken kann die Ausfallwahrscheinlichkeit über 60 Prozent liegen; mit zunehmender Dicke gegen 200 mm und darüber sinkt diese Wahrscheinlichkeit gegen null. Beim hochfesten FRPC erreichen bereits relativ dünne Auskleidungen sehr geringe Ausfallwahrscheinlichkeiten, und moderate Dicken genügen, um strenge Zielzuverlässigkeitsniveaus zu erreichen. Die Ergebnisse werden als Diagramme und Heatmaps dargestellt, die Dicke und Festigkeit direkt mit Zuverlässigkeitsindizes und Ausfallwahrscheinlichkeiten verknüpfen und den Planern klare visuelle Orientierung bieten, statt sich auf einen einzigen festen Sicherheitsfaktor zu verlassen.

Sicherheitsfaktoren in risikobasierte Entscheidungen übersetzen

Für Nichtfachleute lautet die Hauptbotschaft, dass ein Sicherheitsfaktor allein kein vollständiges Maß für die Tunnelsicherheit ist. Diese Arbeit zeigt, wie man zwischen traditionellen Sicherheitsfaktoren und expliziten Ausfallwahrscheinlichkeiten übersetzt und wie man Auskleidungsdicke und Materialqualität so auswählt, dass ein gewähltes Risiko-Ziel erreicht wird statt einer allgemeinen Faustregel. Indem ein interpretierbares KI-Modell in eine transparente Zuverlässigkeits-Engine eingebettet wird, demonstrieren die Autoren eine praktikable Methode, Tunnelauskleidungen sowohl sicherer als auch wirtschaftlicher zu bemessen, insbesondere in schwachem und unvorhersehbarem Gestein. Statt zu raten und zu überdimensionieren, können Ingenieure nun quantifizieren, wie viel Risiko reduziert wird, wenn sie eine dickere Auskleidung, einen stärkeren Beton wie FRPC oder beides wählen, und bringen die Tunnelbemessung so näher an modernes, datenbasiertes Risikomanagement.

Zitation: Khani, J., Nejati, H.R., Goshtasbi, K. et al. AI-assisted reliability-based design framework for tunnel concrete linings in weak rocks. Sci Rep 16, 14270 (2026). https://doi.org/10.1038/s41598-026-44903-9

Schlüsselwörter: Tunnelverkleidung, schwaches Gestein, zuverlässigkeitsbasierter Entwurf, Betondicke, künstliche Intelligenz