AI-assisterat ramverk för reliability-baserad dimensionering av tunnelbetongfoder i svaga bergarter

Säkrare tunnlar i osäkra bergförhållanden

Tunnlar leder tåg, bilar, vatten och el genom berg och städer, men de grävs genom berg som aldrig är helt kända. I svagt eller sprucket berg måste konstruktörer uppskatta hur starkt berget egentligen är och hur mycket betongfodret som krävs för att förhindra att tunneln kryper ihop. Denna studie visar hur en kombination av klassisk bergmekanik, sannolikhetsteori och modern artificiell intelligens kan göra gissningar till en tydligare, riskbaserad dimensionering för säkrare och mer ekonomiska tunnlar i svåra markförhållanden.

Varför tunneldimensionering är så svårt

När ingenjörer dimensionerar en tunnel måste de bestämma hur tjockt betongfodret bör vara och vilken betongkvalitet som ska användas. Traditionell ”deterministisk” dimensionering antar enkla bästa värden för bergstyrka, spänningar i berget och materialegenskaper, och kontrollerar sedan om fodret är tillräckligt starkt med en säkerhetsfaktor. Men verkligt berg är variabelt: styrka, styvhet och struktur kan ändras meter för meter. Att ignorera den variationen kan göra en konstruktion antingen för optimistisk (osäker) eller onödigt massiv (för dyr). Probabilistisk dimensionering behandlar istället varje nyckelstorhet som ett intervall med en sannolikhet och uppskattar sedan risken för att fodret skall brista. Denna artikel tillämpar det riskbaserade tänkandet särskilt på tunnelfoder i svagt berg, där osäkerheten spelar störst roll.

Koppla berg, foder och markrörelser

Kärnan i ramverket är en metod som kallas konvergens–konfinement, vilken kopplar hur berget runt en cirkulär tunnel deformeras (konvergens) med hur kraftigt fodret trycker tillbaka (konfinement). Berget beskrivs med en allmänt använd brottkritera för sprucket berg, medan betongfodret behandlas som elastiskt upp till sin krossningsstyrka. Två kurvor byggs upp: den ena visar hur berget reagerar när tunneln öppnar och slappnar av, och den andra visar hur fodret motstår när det belastas. Deras skärningspunkt ger trycket på fodret och en tryckbaserad säkerhetsfaktor. I detta arbete modelleras varje styrande storhet—in situ-spänning, bergstyrka, bergkvalitetsindex, tunnellradie, fodrets styvhet, fodrets styrka och fodrets tjocklek—som stokastiska variabler. Genom tusentals Monte Carlo-provtagningar och en väletablerad reliability-metod (FORM) beräknar författarna både en säkerhetsfaktor och en explicit felrisk för varje konstruktion.

Lära en AI att förutsäga tunnelns säkerhet

Att köra fullständiga probabilistiska simuleringar för många konstruktionsalternativ kan vara långsamt. För att övervinna detta tränar författarna en artificiell intelligens-ersättare med hjälp av gene expression programming, en form av symbolisk regression som ger en sluten formel istället för en svart låda. De genererar stora dataset från sin kalkylbladsbaserade reliability-motor och utvecklar sedan en kompakt formel som förutsäger den tryckbaserade säkerhetsfaktorn från åtta nyckelinsatser, inklusive tunneldimension, bergegenskaper och fodegenskaper. Den slutliga ekvationen följer de probabilistiska resultaten extremt väl, med en korrelation över 0,99, och är något konservativ: den tenderar att förutsäga en något lägre säkerhetsfaktor än medelvärdet från fulla simuleringar. Denna förskjutning är i själva verket användbar i säkerhetsfokuserad dimensionering eftersom den undviker överoptimistiska prediktioner samtidigt som den ger ingenjörer ett snabbt verktyg för att utforska många kombinationer.

Vad tjocklek och betongkvalitet egentligen gör

Med detta kombinerade ramverk undersöker studien hur förändringar i fodertjocklek och materialkvalitet påverkar tunnelsäkerheten i svagt berg. Två betongtyper granskas: en konventionell betong med en hållfasthet på omkring 20 MPa och en betydligt starkare fiberförstärkt reaktiv pulverbetong (FRPC) på omkring 65 MPa. För lågstyrkebetong vid små tjocklekar kan felrisken överstiga 60 procent; när tjockleken ökar mot 200 mm och däröver sjunker risken mot noll. För den högre styrkan hos FRPC uppnår även relativt tunna foder mycket låga felrisker, och måttliga tjocklekar räcker för att nå stränga tillförlitlighetsmål. Resultaten presenteras som diagram och värmekartor som kopplar tjocklek och styrka direkt till tillförlitlighetsindex och felprobabiliteter, vilket ger konstruktörer tydlig visuell vägledning istället för att förlita sig på en enda fast säkerhetsfaktor.

Omvandla säkerhetsfaktorer till riskbaserade beslut

För en icke-specialist är huvudbudskapet att enbart en säkerhetsfaktor inte är ett fullständigt mått på tunnelsäkerhet. Detta arbete visar hur man översätter mellan traditionella säkerhetsfaktorer och explicita felchanser, och hur man väljer fodertjocklek och materialkvalitet för att nå ett valt riskmål istället för en generell tumregel. Genom att inbädda en tolkbar AI-modell i en transparent reliability-motor demonstrerar författarna ett praktiskt sätt att projektera tunnelfoder som både är säkrare och mer ekonomiska, särskilt i svagt och oförutsägbart berg. Istället för att gissa och överdimensionera kan ingenjörer nu kvantifiera hur mycket risken minskar när de väljer ett tjockare foder, en starkare betong som FRPC eller båda, och därigenom föra tunneldimensionering närmare modern, datadriven riskhantering.

Citering: 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

Nyckelord: tunnelfoder, svagt berg, reliability-baserad dimensionering, betongtjocklek, artificiell intelligens