Een interpreteerbaar IGWO-MKRVM-model voor het voorspellen van de dikte van de door ontgraving beschadigde zone van schachten

Waarom veiligere tunnels ertoe doen

Telkens wanneer ingenieurs een tunnel in gesteente uitgraven, raakt het omliggende gesteente verstoord. Er vormt zich een ring van gebarsten en verzwakt gesteente rond de opening, bekend als de door ontgraving beschadigde zone. Als deze beschadigde ring te dik wordt, kunnen de tunnelwanden vervormen of zelfs instorten, wat een gevaar vormt voor mijnwerkers, infrastructuur en omliggende gemeenschappen. Het hier samengevatte artikel presenteert een nieuwe manier om te voorspellen hoe dik die beschadigde zone onder verschillende geologische omstandigheden zal zijn, met een mix van moderne machine learning en zorgvuldige interpreteerbaarheid zodat ingenieurs niet alleen de uitkomsten, maar ook de achterliggende redenen begrijpen.

De verborgen ring van verzwakt gesteente

Ondergrondse schachten en tunnels worden omgeven door gesteente dat door de ontgraving is samengedrukt en gebarsten. Deze aangetaste laag, de dikte van de door ontgraving beschadigde zone, bepaalt rechtstreeks hoeveel ondersteuning nodig is om de tunnel veilig te houden. Maar de dikte hangt af van verschillende onderling samenwerkende factoren: hoe sterk het gesteente is, hoe gebroken het is door breuken en scheuren, hoe diep het onder het oppervlak ligt en hoe groot de overspanning van de tunnel is. Deze invloeden zijn sterk niet-lineair en variëren per locatie, dus eenvoudige formules of zelfs geavanceerde simulaties schieten vaak tekort voor nauwkeurige, algemeen toepasbare voorspellingen. Traditionele veldtests zoals grondradar en akoestische metingen kunnen de beschadigde zone vaststellen, maar ze zijn duur en moeilijk routinematig uit te voeren.

Slimme algoritmen inzetten om het gesteente te lezen

Om deze uitdaging aan te pakken verzamelden de auteurs 209 metingen uit de praktijk van de dikte van beschadigde zones uit verschillende soorten mijnen, waaronder steenkool-, goud-, fosfaat- en loodwinning. Voor elk geval registreerden ze vier sleutelinputvariabelen: de sterkte van het gesteentemassa, een breukindex die beschrijft hoe gefragmenteerd de gesteenteblokken zijn, de diepte van de tunnel en de overspanning van de tunnel. Vervolgens bouwden ze een voorspellingsmodel dat een krachtig patroonherkenningsmechanisme, de multi-kernel relevance vector machine, combineert met een verbeterde optimalisatiemethode geïnspireerd op het jachtgedrag van grijze wolven. De optimalisatiestap stemt de interne instellingen van het model af zodat het de complexe relaties in de data optimaal kan benaderen, terwijl het efficiënt blijft voor kleine engineeringdatasets.

Hoe het hybride model de voorspellingen verbetert

De kern van de aanpak is het gelijktijdig gebruiken van meerdere eenvoudige wiskundige “lenzen”, of kernels, om zowel brede trends als fijne lokale variaties in de reactie van het gesteente vast te leggen. Het model mengt lineaire, radiale en Laplace-kernels zodat het vloeiende veranderingen, plotselinge verschuivingen en rumoerige metingen tegelijk aankan. De verbeterde grey wolf optimizer versterkt dit door de ruimte van mogelijke parameterinstellingen grondiger te verkennen. Hij gebruikt zorgvuldig ontworpen willekeurige beginpunten, een niet-lineaire manier om van brede verkenning naar fijn afstemmen over te gaan, en een strategie die tegengestelde kandidaatoplossingen voorstelt om te voorkomen dat het in slechte lokale optima vastloopt. Tests op standaard benchmarkproblemen tonen aan dat deze verbeterde optimizer sneller en betrouwbaarder convergeert dan meerdere andere moderne zwerm- en evolutionaire algoritmen.

Beter dan bestaande voorspellingsinstrumenten

Toegepast op de tunneldataset leverde het geïntegreerde IGWO–MKRVM-model zeer nauwkeurige voorspellingen. Voor onzichtbare testgevallen behaalde het een determinatiecoëfficiënt boven 0,95 en zeer lage foutmaten, wat betekent dat de voorspelde dikte van de beschadigde zone nauw aansloot bij veldmetingen. De auteurs vergeleken het met een reeks gevestigde hulpmiddelen, waaronder klassieke neurale netwerken, Gaussian process regression, op support vector gebaseerde hybriden en een getunede random forest. In alle gevallen produceerde het nieuwe model kleinere fouten en stabieler presteren, wat zowel een sterke aansluitingsvermogen als robuuste generalisatie naar nieuwe geologische omstandigheden laat zien.

De zwarte doos van machine learning openen

Aangezien ingenieurs veiligheidsbeslissingen moeten onderbouwen, richtten de auteurs zich ook op de interpreteerbaarheid van het model. Ze gebruikten een modern verklaringskader genaamd SHAP, dat elke invoer als een “speler” in een samenwerkend spel behandelt en berekent hoeveel deze bijdraagt aan elke voorspelling. Deze analyse toonde aan dat de breukindex en de diepte van de tunnel de dominante drijfveren van de dikte van de beschadigde zone zijn: sterk gefragmenteerd gesteente en diep gelegen tunnels geven doorgaans veel dikkere beschadigde ringen. Tunneloverspanning en gesteentesterkte spelen ook een rol, maar in mindere mate — grotere overspanningen vergroten de schade, terwijl sterker gesteente deze eerder beperkt. De methode onthult verder hoe deze factoren met elkaar interageren, bijvoorbeeld dat diepe tunnels in zwak, sterk gefragmenteerd gesteente bijzonder kwetsbaar zijn.

Wat dit betekent voor ondergrondse veiligheid

In praktische bewoordingen biedt de studie ingenieurs een slimmer rekeninstrument om te voorspellen hoe ver schade het gesteente rond een tunnel binnendringt, en een heldere verklaring welke omstandigheden die schade verergeren. Door een zorgvuldig afgestemde leerengine te combineren met transparante analyse van kenmerkbelang, overtreft de methode niet alleen bestaande modellen maar vergroot ze ook het vertrouwen in haar aanbevelingen. Dit kan ontwerpers helpen veiligere tunnelvormen, ondersteuningssystemen en ontgravingsstrategieën te kiezen die zijn afgestemd op de lokale geologie, en daardoor het risico op rotsvallen en instortingen in ondergrondse werken te verminderen.

Bronvermelding: 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

Trefwoorden: tunnelstabiliteit, rotsmechanica, machine learning, ondergronds mijnen, geotechnische veiligheid