Advertisement

BHM Berg- und Hüttenmännische Monatshefte

, Volume 163, Issue 12, pp 517–523 | Cite as

Künstliche neuronale Netze im Einsatz zur Gebrauchstauglichkeitsbewertung des einschaligen maschinellen Tunnelbaus

  • Robert Wenighofer
  • Robert Galler
Originalarbeit
  • 7 Downloads

Zusammenfassung

Maschinelles Lernen ist eine der verheißungsvollsten Technologien der letzten Jahre. Fortwährend leistungsfähigere CPU- und GPU-Architekturen kurbeln ihre Entwicklung an. Der Beitrag führt Anwendungen des maschinellen Lernens und speziell künstlicher neuronaler Netzwerke (=KNN) im Tunnelbau ein und hebt ihre Vorteilhaftigkeit beim Ersatz zeitaufwändiger, fehleranfälliger und lästiger manueller Tätigkeiten hervor. Jedoch bedürfen KNN’s repräsentativer Datensätze, anhand deren sie trainiert werden, für deren Erhalt der Tunnelbau eine harsche Umgebung bildet, aber die eine Voraussetzung einer erfolgreichen Implementation sind.

Daher unterstreicht der Beitrag die Notwendigkeit, geeignete Datensätze anzulegen und zu unterhalten, um eine Weiterverwendung in anderen Projekten zu ermöglichen. Er legt die Nutzung für die Bewertung der Gebrauchstauglichkeit des einschaligen Tübbingausbaus und für die Rissdetektion bei Belastungstests an Tübbingen dar. Die Daten dazu entstammen österreichischen Tunnelprojekten mit Tunnelvortriebsmaschinen (TVM) unter Einsatz von 3D Laserscannern und nutzen Aufnahmen eines Kamerasystems während der Belastungstests.

Schlüsselwörter

Machine Learning Künstliche neuronale Netze 3D Laserscanning Risserkennung 

Artificial Neural Networks Applied for Lining Serviceability Assessment of Single Shell TBM Tunnelling

Abstract

Machine learning has been one of the upcoming technologies of the recent years and parallels the acceleration enabled by steadily more powerful CPU- and GPU architectures. It improves the performance of search on the internet, enables autonomous cars and enhances mankind’s interaction with electronical devices. Especially, artificial neural networks (=ANN) can conquer complex machine learning tasks but rely heavily on the data base neural networks are trained on. In tunnelling there is hardly any application of neural networks. This fact entails labour intensive, tedious and error-prone manual activities concerning e. g. as-built documentation and geotechnical measurement. Tunnelling constitutes a harsh environment for gathering the necessary representative data.

The contribution shows the necessity of constituting data sets which overcome insufficient quantity and nonrepresentative quality of training data and which are decisive prerequisites of successful application of machine learning. It shows its utilization for the assessment of serviceability of single-layer lining and emphasizes its role in crack detection in geotechnical tests. The data for setting up the data base needed for network training is gathered in Austrian TVM projects using 3D laser scanners and image acquisition systems during geotechnical testing.

Keywords

Machine Learning Artificial neural networks 3D Laserscanning Crack detection 

Literatur

  1. 1.
    Chang, S.-L.; Chen, C.-N.; Leu, S.-S.: Data mining for tunnel support stability: neural network approach, Automation in Construction, vol 10 (2001), iss. 4, pp 429–441CrossRefGoogle Scholar
  2. 2.
    Attard, L.; Debono, C.; Valentino, G.; Castro, M.: Tunnel inspections using photogrammetric techniques and image processing: a review, ISPRS Journal of Photogrammetry and Remote Sensing, vol. 144 (2018), pp 180–188CrossRefGoogle Scholar
  3. 3.
    Huang, H.; Li, Q.; Zhang, D.: Deep learning based image recognition for crack and leakage defects of metro shield tunnel, Tunnelling and Underground Space Technology, vol 77 (Jul 2018), pp 166–176CrossRefGoogle Scholar
  4. 4.
    Yuan, Y.; Jiang, X.; Liu, X.: Predictive maintenance of shield tunnels, Tunnelling and Underground Space Technology, vol 38 (Sept. 2013), pp 69–86CrossRefGoogle Scholar
  5. 5.
    Huang, H.; Zhang, D.: Resilience analysis of shield tunnel lining under extreme surcharge: characterization and field application, Tunnelling and Underground Space Technology, vol 51 (Jan 2016), pp 301–312CrossRefGoogle Scholar
  6. 6.
    Wenighofer, R.; Chmelina, K.; Galler, R.: Verformungsmonitoring in einem TVM-Vortrieb mittels 3D-Laserscanning, in: Lienhart, W. (Hrsg.): Ingenieurvermessung 17. Beiträge zum 18. Internationalen Ingenieurvermessungskurs, Graz, 2017. Berlin: Wichmann, 2017, S. 101–111Google Scholar
  7. 7.
    Huang, H.; Zhang, Y.; Zhang, D.; Ayyub, B.: Field data-based probabilistic assessment on degradation of deformational performance for shield tunnel in soft clay, Tunnelling and Underground Space Technology, vol 67 (Aug 2017), pp 107–119CrossRefGoogle Scholar
  8. 8.
    STUVAtec Team of Authors: STUVA Recommendations for Testing and Application of Sealing Gaskets in Segmental Lining, Tunnel, 8 (2005), pp 8–21Google Scholar
  9. 9.
    Szegedy, C.; Liu, W.; Jia, P.; Semanet, P.; Reed, S.: Going Deeper with Convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, Proceedings, pp 1–9. (DOI  https://doi.org/10.1109/CVPR.2015.7298594)CrossRefGoogle Scholar
  10. 10.
    Krizhevsky, A.; Sutskever, I.; Hinton, G.: ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 25 (NIPS 2012), Papers, 2012, pp 1–9Google Scholar

Copyright information

© Springer-Verlag GmbH Austria, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Lehrstuhl für Subsurface Engineering, Department Mineral Resources EngineeringMontanuniversität LeobenLeobenÖsterreich

Personalised recommendations