En tolkbar IGWO‑MKRVM‑modell för att förutsäga tjockleken på excavation damaged zone i driv

Varför säkrare tunnlar spelar roll

När ingenjörer borrar eller spränger en tunnel genom berg störs den omgivande massan av schaktet. En ring av sprucket och försvagat berg bildas kring öppningen, känd som excavation damaged zone. Om denna skadade ring blir för tjock kan tunnelfållans väggar deformeras eller till och med kollapsa, vilket hotar gruvarbetare, infrastruktur och närliggande samhällen. Den artikel som här sammanfattas presenterar ett nytt sätt att förutsäga hur tjock denna skadade zon blir under olika geologiska förhållanden, med en blandning av modern maskininlärning och noggrann tolkbarhet så att ingenjörer kan förstå inte bara resultaten utan också skälen bakom dem.

Den dolda ringen av försvagat berg

Underjordiska driv och tunnlar omges av berg som blivit pressat och sprucket av schaktningen. Detta påverkade lager, tjockleken på excavation damaged zone, styr direkt hur mycket stöd som krävs för att hålla tunneln säker. Men tjockleken beror på flera samverkande faktorer: hur starkt berget är, hur brutet det är av sprickor och skift, hur djupt det ligger under ytan och hur stor tunnelns fri spännvidd är. Dessa påverkansfaktorer är starkt icke‑linjära och varierar från plats till plats, så enkla formler eller även avancerade simuleringar misslyckas ofta med att ge korrekta, allmänt tillämpliga prognoser. Traditionella fältmätningar som markpenetrerande radar och akustiska undersökningar kan mäta den skadade zonen, men de är dyra och svåra att utföra rutinmässigt.

Använda smarta algoritmer för att läsa berget

För att ta itu med denna utmaning samlade författarna 209 verkliga mätningar av skadedomens tjocklek från olika typer av gruvor, inklusive kol-, guld-, fosfat‑ och blybrytning. För varje fall registrerades fyra nyckelvariabler: bergmassans styrka, ett index för sprickighet som beskriver hur fragmenterat berget är, tunnelns djup och tunnelns spännvidd. De byggde därefter en prediktionsmodell som kombinerar en kraftfull mönsterigenkänningsmotor, kallad multi‑kernel relevance vector machine, med en förbättrad optimeringsmetod inspirerad av gråvargars jaktbeteende. Optimeringssteget ställer in modellens interna parametrar så att den kan anpassa sig till de komplexa sambanden i data samtidigt som den förblir effektiv för små ingenjörsdatamängder.

Hur hybridmodellen förbättrar prognoserna

Kärnan i angreppssättet är att använda flera enkla matematiska ”linser”, eller kernel‑funktioner, samtidigt för att fånga både breda trender och fina lokala variationer i bergbeteendet. Modellen blandar linjära, radiala och laplacianska kernel så att den kan hantera jämna förändringar, plötsliga skiften och brusiga mätningar tillsammans. Den förbättrade grey wolf‑optimeraren förstärker detta genom att utforska rymden av möjliga parameterinställningar mer grundligt. Den använder noggrant utformade slumpmässiga startpunkter, ett icke‑linjärt sätt att gå från bred sökning till finjustering och en strategi som föreslår motsatta kandidatlösningar för att undvika att fastna i dåliga lokala lösningar. Tester på etablerade referensproblem visar att denna förbättrade optimerare konvergerar snabbare och mer tillförlitligt än flera andra moderna svärm‑ och evolutionsalgoritmer.

Slår befintliga prognosverktyg

När den tillämpades på tunneldatasettet levererade den integrerade IGWO–MKRVM‑modellen mycket exakta prognoser. På osedda testfall uppnådde den ett förklaringsvärde (R²) över 0,95 och mycket låga felmått, vilket innebär att dess förutsagda tjocklek på den skadade zonen nära matchade fältmätningarna. Författarna jämförde modellen med en rad etablerade verktyg, inklusive klassiska neurala nätverk, Gaussian process regression, hybridmetoder baserade på supportvektorer och en fininställd random forest. I samtliga fall gav den nya modellen mindre fel och stabilare prestanda, vilket visar både stark anpassningsförmåga och robust generalisering till nya geologiska förhållanden.

Öppna maskininlärningens svarta låda

Eftersom ingenjörer måste motivera säkerhetsbeslut fokuserade författarna också på att göra modellen tolkbar. De använde ett modernt förklaringsramverk kallat SHAP, som behandlar varje indata som en ”spelare” i ett samarbetsspel och beräknar hur mycket den bidrar till varje prognos. Denna analys visade att sprickindexet och tunnelns djup är de dominerande drivkrafterna bakom tjockleken på den skadade zonen: kraftigt sprickigt berg och djupa tunnlar tenderar att ge mycket tjockare skadade ringar. Tunnelns spännvidd och bergstyrka spelar också roll, men i mindre utsträckning — större spännvidder ökar skadorna, medan starkare berg tenderar att begränsa dem. Metoden avslöjar vidare hur dessa faktorer samverkar, till exempel att djupa tunnlar i svagt, starkt sprickigt berg är särskilt sårbara.

Vad detta innebär för underjordisk säkerhet

I praktiska termer erbjuder studien ingenjörer en smartare kalkylator för att förutsäga hur långt skador sträcker sig in i berget runt en tunnel, och en tydlig förklaring av vilka förhållanden som förvärrar skadorna. Genom att kombinera en noggrant finjusterad inlärningsmotor med transparent analys av funktions‑vikt skapar metoden inte bara bättre prognoser än befintliga modeller utan bygger också förtroende för sina rekommendationer. Det kan hjälpa konstruktörer att välja säkrare tunnelprofiler, stödsystem och schaktstrategier anpassade till lokal geologi, och i slutändan minska risken för ras och kollapser i underjordiska arbeten.

Citering: 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

Nyckelord: tunnelstabilitet, bergmekanik, maskininlärning, underjordisk gruvdrift, geoteknisk säkerhet