Interpretowalny model IGWO‑MKRVM do predykcji grubości strefy uszkodzeń od wykopu w chodniku

Dlaczego bezpieczniejsze tunele mają znaczenie

Za każdym razem, gdy inżynierowie drążą tunel przez skałę, wykop narusza otaczający grunt. Wokół otworu tworzy się pierścień spękanej i osłabionej skały, zwany strefą uszkodzeń od wykopu. Jeśli ten uszkodzony pierścień stanie się zbyt gruby, ściany tunelu mogą się odkształcać lub nawet zawalić, zagrażając górnikom, infrastrukturze i pobliskim społecznościom. Omówiona w pracy metoda proponuje nowy sposób przewidywania, jak gruba będzie ta strefa w różnych warunkach geologicznych, wykorzystując połączenie nowoczesnego uczenia maszynowego i dbałości o interpretowalność, tak aby inżynierowie rozumieli nie tylko wyniki, ale i przyczyny ich powstawania.

Ukryty pierścień osłabionej skały

Podziemne chodniki i tunele otoczone są skałą, która została ściśnięta i spękana wskutek wykopu. Ta warstwa—grubość strefy uszkodzeń od wykopu—bezpośrednio decyduje o tym, ile podpór jest potrzebnych, by utrzymać tunel bezpieczny. Grubość zależy jednak od kilku wzajemnie powiązanych czynników: wytrzymałości masywu skalnego, stopnia rozdrobnienia opisanych indeksem spękań, głębokości położenia oraz rozpiętości tunelu. Wpływy te są silnie nieliniowe i zmienne w zależności od miejsca, dlatego proste wzory czy nawet zaawansowane symulacje często nie dają dokładnych, uniwersalnych prognoz. Tradycyjne badania terenowe, takie jak radar penetrujący grunt czy badania akustyczne, mogą zmierzyć strefę uszkodzeń, ale są kosztowne i trudne do wykonywania rutynowo.

Wykorzystanie inteligentnych algorytmów do „odczytu” skały

Aby zmierzyć się z tym wyzwaniem, autorzy zgromadzili 209 rzeczywistych pomiarów grubości strefy uszkodzeń z różnych rodzajów kopalń, w tym węgla, złota, fosforanów i ołowiu. Dla każdego przypadku zapisali cztery kluczowe wejścia: wytrzymałość masywu skalnego, indeks spękań opisujący stopień rozdrobnienia bloków skalnych, głębokość tunelu oraz jego rozpiętość. Następnie zbudowali model predykcyjny łączący potężny silnik rozpoznawania wzorców, zwany wielo‑jądrową maszyną wektorów istotności (multi-kernel relevance vector machine), z ulepszoną metodą optymalizacji inspirowaną zachowaniem łowczym wilków szarych. Krok optymalizacji dostraja wewnętrzne ustawienia modelu, aby najlepiej dopasować się do złożonych zależności w danych, przy jednoczesnym zachowaniu efektywności dla niewielkich zbiorów inżynierskich.

Jak model hybrydowy poprawia prognozy

Istota podejścia polega na jednoczesnym użyciu kilku prostych „soczewkowych” funkcji matematycznych, czyli jąder, aby uchwycić zarówno szerokie trendy, jak i drobne lokalne wariacje w zachowaniu skały. Model miesza jądra liniowe, radialne i laplasowe, dzięki czemu radzi sobie z płynnymi zmianami, nagłymi przeskokami i zaszumionymi pomiarami jednocześnie. Ulepszony optymalizator wilczy pomaga w tym, eksplorując przestrzeń możliwych ustawień parametrów w sposób bardziej wszechstronny. Wykorzystuje starannie zaprojektowane losowe punkty startowe, nieliniowy sposób przechodzenia od szerokiego przeszukiwania do precyzyjnego strojenia oraz strategię proponowania przeciwnych kandydatów, by uniknąć utknięcia w niekorzystnych lokalnych minimach. Testy na standardowych problemach benchmarkowych wykazują, że ten usprawniony optymalizator zbiega szybciej i bardziej niezawodnie niż kilka innych nowoczesnych algorytmów rojowych i ewolucyjnych.

Pokonując istniejące narzędzia prognostyczne

Stosując zintegrowany model IGWO–MKRVM do zbioru danych tunelowych, uzyskano bardzo dokładne prognozy. W przypadkach testowych niewykorzystanych w treningu osiągnął on współczynnik determinacji powyżej 0,95 oraz bardzo niskie miary błędu, co oznacza, że przewidywana grubość strefy uszkodzeń bardzo dobrze odpowiadała pomiarom terenowym. Autorzy porównali swój model z szeregiem ustalonych narzędzi, w tym klasycznymi sieciami neuronowymi, regresją procesu Gaussa, hybrydami opartymi na maszynach wektorów nośnych oraz dostrojonym lasem losowym. W każdym przypadku nowy model osiągał mniejsze błędy i bardziej stabilne wyniki, wykazując zarówno silną zdolność dopasowania, jak i solidną generalizację do nowych warunków geologicznych.

Otwieranie „czarnej skrzynki” uczenia maszynowego

Ponieważ inżynierowie muszą uzasadniać decyzje dotyczące bezpieczeństwa, autorzy skupili się także na uczynieniu modelu interpretowalnym. Zastosowali nowoczesne ramy wyjaśniające o nazwie SHAP, które traktują każde wejście jak „gracza” w grze kooperacyjnej i obliczają, ile wnosi ono do danej predykcji. Ta analiza ujawniła, że dominującymi czynnikami wpływającymi na grubość strefy uszkodzeń są indeks spękań i głębokość tunelu: silnie spękane skały i głębsze tunele zwykle generują znacznie grubsze uszkodzone pierścienie. Rozpiętość tunelu i wytrzymałość skały również mają znaczenie, lecz w mniejszym stopniu—większe rozpiętości zwiększają uszkodzenia, podczas gdy mocniejsza skała je ogranicza. Metoda ujawnia także, jak te czynniki oddziałują ze sobą, na przykład pokazując, że głębokie tunele w słabych, silnie spękanych skałach są szczególnie podatne na duże uszkodzenia.

Co to oznacza dla bezpieczeństwa pod ziemią

W praktyce badanie daje inżynierom inteligentniejszy kalkulator do przewidywania, jak daleko uszkodzenia sięgną w skałę wokół tunelu, oraz jasne wskazanie, które warunki pogarszają sytuację. Poprzez połączenie starannie dostrojonego silnika uczenia z przejrzystą analizą istotności cech, metoda nie tylko przewyższa istniejące modele, lecz także buduje zaufanie do swoich zaleceń. Może to pomóc projektantom w doborze bezpieczniejszych kształtów tuneli, systemów podparcia i strategii drążenia dostosowanych do lokalnej geologii, co w rezultacie zmniejszy ryzyko obsuwów i zawaleń w pracach podziemnych.

Cytowanie: 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

Słowa kluczowe: stabilność tuneli, mechanika skał, uczenie maszynowe, górnictwo podziemne, bezpieczeństwo geotechniczne