Prognozowanie objętości iniekcji kurtynowej przy użyciu składanego zespołowego modelu optymalizowanego bayesowsko z analizą SHAP

Dlaczego przewidywanie ukrytej pracy cementowej ma znaczenie

Głęboko pod tamami i tunelami inżynierowie wstrzykują płynny cement w pęknięcia w skale, aby zapobiec przenikaniu wody. Proces ten, zwany iniekcją, jest kosztowny i trudny do bezpośredniej obserwacji, dlatego pracownicy muszą szacować, ile zaczynu wtrysnąć w każdy otwór wiertniczy. Jeśli za mało, woda może nadal przenikać; jeśli za dużo, marnują się pieniądze, materiały i czas. Badanie pokazuje, jak nowoczesne narzędzia danych mogą pomóc inżynierom przewidywać właściwą ilość zaczynu z większą pewnością przed rozpoczęciem prac.

Uszczelnianie pęknięć pod dużymi projektami wodnymi

Wielkie zapory i podziemne komory opierają się na kurtynach stwardniałego zaczynu, które blokują podziemne ścieżki, przez które woda mogłaby uciekać. Pracownicy wykonują wiele otworów w skale i wtłaczają zawiesinę cementową, jednak skała pod powierzchnią jest nieregularna, z spękaniami o różnej wielkości i łączności. Ponieważ proces jest ukryty, a warunki zmieniają się w różnych miejscach, przewidywanie objętości zaczynu potrzebnej w każdym otworze od dawna stanowi poważne wyzwanie dla bezpiecznego projektu i kontroli kosztów w dużych przedsięwzięciach wodnych i hydroenergetycznych.

Od reguł kciuka do uczenia się na podstawie danych

Przez dekady inżynierowie korzystali z uproszczonych wzorów, porównań z wcześniejszymi projektami lub symulacji przepływu cieczy, aby szacować zużycie zaczynu. Te podejścia pomagały, ale często zawodziły w obliczu złożonej rzeczywistej skały i zaszumionych pomiarów terenowych. W tym badaniu autorzy zamiast tego zwrócili się ku uczeniu maszynowemu, które uczy się wzorców bezpośrednio z danych. Zgromadzili 778 rzeczywistych zapisów iniekcji z dużego projektu wodnego w Xinjiangu, z których każdy opisywał warunki przy danym otworze: jego pozycję w kolejności wiercenia, głębokość, długość traktowanego odcinka, szerokość otworu, jak łatwo przed iniekcją przepływała przez skałę woda, początkowe proporcje wody i cementu oraz ciśnienie użyte podczas iniekcji. Wynikiem do przewidzenia była rzeczywista objętość wtłoczonego zaczynu.

Łączenie kilku inteligentnych modeli w jeden

Zamiast polegać na pojedynczym algorytmie, zespół zastosował strategię zwaną stackingiem, która pozwala kilku różnym modelom predykcyjnym współdziałać. Wybrano trzy modele komputerowe szczególnie dobrze radzące sobie ze złożonymi wzorcami w danych tabelarycznych jako pierwszą warstwę. Każdy z nich przeanalizował te same siedem czynników wejściowych i wygenerował własne oszacowanie objętości zaczynu. Prosty, ale starannie kontrolowany model regresyjny następnie przyjął te trzy estymacje i zblendował je w końcową prognozę. Aby upewnić się, że każdy model wykorzystuje swoje wewnętrzne ustawienia jak najefektywniej, badacze użyli optymalizacji bayesowskiej — metody, która w uporządkowany, oparty na danych sposób eksploruje i dostraja wiele kombinacji parametrów zamiast opierać się na metodzie prób i błędów.

Sprawdzanie dokładności i otwieranie czarnej skrzynki

Aby przetestować swoje podejście, autorzy porównali model stackingowy z jego trzema komponentowymi modelami, zarówno przed, jak i po dostrojeniu. Mierzyli, jak bliskie rzeczywistym objętościom są przewidywania, stosując standardowe miary błędu. Model stackingowy z bayesowskim strojením wypadł najlepiej, wyjaśniając około 92 procent zmienności objętości zaczynu przy stosunkowo niewielkich średnich błędach.

Co to znaczy dla rzeczywistych iniekcji

Badanie konkluduje, że starannie dostrojony, składany model uczenia maszynowego może dostarczać dokładniejszych i stabilniejszych prognoz objętości zaczynu niż pojedyncze modele czy starsze metody oparte na regułach, przynajmniej dla analizowanego projektu. Poprzez ilościowe określenie, które warunki mają największe znaczenie i jak ze sobą współdziałają, podejście może pomóc inżynierom planować strategie wiercenia i pompowania, alokować materiały oraz efektywniej zarządzać ryzykiem w złożonych warunkach gruntowych. Chociaż model wciąż wymaga testów i dostosowania do innych lokalizacji, oferuje praktyczną ścieżkę do sterowania tym istotnym, lecz w dużej mierze ukrytym aspektem budowy tam i tuneli w oparciu o dane.

Cytowanie: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Słowa kluczowe: iniekcja kurtynowa, prognozowanie objętości iniekcji, uczenie maszynowe, optymalizacja bayesowska, analiza SHAP