1 Einleitung

Das Projekt AVANT befasst sich mit Vortriebs- und Injektionsdaten des Akalla-Tunnels. Akalla ist ein Teilprojekt der Stockholmer Umfahrung und ist Schwedens größtes Fels- und Tunnelbauprojekt. Das Gestein in diesem Gebiet besteht größtenteils aus Gneis mit unterschiedlicher Klüftigkeit und einem RQD-Wert von 15–90 %. Dies erfordert Injektionen, um den Wasserzufluss in den Tunnel zu minimieren und damit die Auswirkungen auf das umliegende Grundwasser einzudämmen. Ein mittlerer RQD-Wert beträgt rund 67 %. Dieser deutet auf eine vorhandene Klüftung des Gesteins hin, die nicht sehr ausgeprägt ist, aber dazu führt, dass das Injektionsmaterial in der Regel diskreten Klüften oder schmalen Kluftbereichen folgt.

Die Vorverarbeitung der Daten des AVANT-Projekts konzentriert sich auf zwei wichtige digitale Datenquellen: MWD-Daten (Measurement While Drilling) während des Bohrens und auf die Injektionsdaten. Beide können Daten für die Entwicklung von auf künstlicher Intelligenz basierenden Lösungen für die Entscheidungsfindung in Echtzeit liefern. eguana SCALES, ein für Spezialtiefbau und Tunnelbau entwickeltes Datenverwaltungssystem, wurde für die Speicherung, Bearbeitung und Visualisierung der Bohr- und Injektionsdaten eingesetzt.

1.1 Measurement While Drilling

Measurement While Drilling (MWD) ist die Echtzeit-Erfassung von Bohrparametern entweder in festgelegten Abstandsintervallen (z. B. 20–100 mm) oder in festgelegten Zeitintervallen (z. B. 5–10 s). Die MWD-Daten werden in separaten Dateien für jede Bohrung gespeichert und enthalten neben den Bohrparametern auch Headerinformationen. Die Headerinformationen weisen typischerweise Bohrlochnummer, Bohrlochtyp, Lafettennummer, deren Orientierung usw. aus, während die Bohrdaten sich typischerweise aus der Bohrlochtiefe, der Eindringrate, dem Vorschubsdruck, dem Rotationsdruck, dem Spüldruck, dem Spülfluss, der Rotationsgeschwindigkeit usw. zusammensetzen [1].

Es gibt zahlreiche Untersuchungen des Potenzials von MWD-Daten zur Bewertung des Gebirges in der Literatur, z. B. zur Ableitung von Gebirgsparametern wie RQD und RMR [2,3,4,5] und zur Schätzung der Festigkeit des intakten Gesteins [6]. Von besonderer Bedeutung für die Injektionsoptimierung ist das Vorhandensein durchlässiger Strukturen, welche große Mengen von Injektionsmaterial aufnehmen und die Abbruchkriterien beeinflussen können. In heterogenen Gesteinsmassen können diese durchlässigen Strukturen sehr lokal gebunden sein. Sie können mittels Prozessierung von MWD-Daten lokalisiert werden. Es hat sich herausgestellt, dass auch kleine Bereiche wie einzelne offene Klüfte identifiziert werden können, weil sich diese im MWD-Signal signifikant ausdrücken [7]. Aus der mäßig geklüfteten Beschaffenheit des Gebirges im Vortrieb des Akalla-Projekts lässt sich ableiten, dass sich Methoden zur Detektion lokaler Merkmale im Projekt AVANT besser eignen als jene, die auf die Bestimmung von Gebirgsparametern abzielen.

1.2 Injektionsdaten

Injektionsdaten sind die Daten, die während des eigentlichen Injektionsvorgangs aufgezeichnet werden. Analog zu den MWD-Daten bestehen auch diese aus Headerinformationen und Injektionsparametern. Zu den wichtigsten Headerinformationen gehören Bohrlochnummer, Bohrlochkoordinaten und Suspensionsparameter, z. B. die Dichte und der Wasserzementwert. Die Injektionsparameter hingegen bestehen aus dem Injektionsdruck, der Durchflussmenge und dem injizierten Volumen. Sie werden aus den in Echtzeit erfassten Sensorwerten hergeleitet. Diese werden als Druck-Mengen-Schriebe bezeichnet.

1.3 Methoden der künstlichen Intelligenz

Die Entwicklung künstlicher Intelligenz steht in engem Zusammenhang mit der Leistungsfähigkeit von Computern und wird auch im Bauwesen immer bedeutsamer. Für den Einsatz künstlicher Intelligenz bedarf es häufig großer Datensätze für die Bewältigung komplexer Berechnungen und für aussagekräftige Ergebnisse. Sie erfordert jedoch als entscheidende Voraussetzung auch Vorverarbeitungsschritte. Die Vorverarbeitung umfasst die Datenvisualisierung, die Merkmalsextraktion aus den Daten, die Datenskalierung und -transformation sowie die Entfernung von Ausreißern, um eine Datenprozessierung zu schaffen, die sowohl mit numerischen als auch mit alphanumerischen Daten umgehen kann. In dieser Untersuchung werden die Vorverarbeitungsschritte auf den Datensatz des Projekts Akalla angewandt. Sie liefern die Eingabedaten für die verschiedenen Verfahren der künstlichen Intelligenz.

Der vorliegende Beitrag fokussiert sich auf die Datenvorverarbeitung mit besonderem Augenmerk auf die allgemeine Datenverfügbarkeit wie Injektions- und MWD-Datenprotokolle. Weiterhin werden die Vorverarbeitungsschritte so beschrieben, dass sie reproduzierbar auf andere Baustellen angewandt werden können.

2 Datenverarbeitung

2.1 Eguana SCALES

Die Verfügbarkeit einfach zu visualisierender und zu interpretierender Daten ist für jedes datengetriebene Projekt wichtig. eguana SCALES, ein etabliertes Datenmanagementsystem im Spezialtiefbau und Tunnelbau, bildet das Datenrückgrat für dieses Projekt. In eguana SCALES können alle Arten von Mess- und Prozessdaten einfach integriert, ausgewertet und analysiert werden. Eine zentrale Datenbank bildet eine durchgängige und referenzierte Quelle für Dokumentation, Prozessmanagement, Qualitätssicherung und sogar für Leistungsverzeichnisse. Damit entfällt das Fehlerpotenzial beim Kopieren zwischen Excelsheets. Bei AVANT betrifft dies nicht nur die MWD-Daten, sondern auch die Injektionsdaten und alle damit verbundenen Headerinformationen, wie z. B. eingesetztes Injektionsmaterial, Bohrlochlänge, verwendetes Abbruchkriterium.

Die Akalla Injektions- und Bohrdaten wurden in SCALES integriert und zur Visualisierung und Interpretation der Daten verwendet (siehe z. B. Abb. 5). SCALES wird als integraler Bestandteil des Projekts AVANT ständig überprüft und um neue Funktionen erweitert, um so den zunehmenden Anforderungen des Projekts gerecht zu werden. So wurden beispielsweise Bohrungsindizes, wie später in Abschn. 2.3 beschrieben, direkt in SCALES implementiert, um neben den Rohdaten visualisiert und interpretiert werden zu können.

2.2 Bauablauf der Bohrung und Injektion

Vor der Verarbeitung der Daten musste der Bauablauf im Akalla-Tunnel eruiert werden. Anhand der Headerinformationen der Bohr- und Injektionsdateien in Verbindung mit den Positionen der Bohrlöcher wurde eine Methode entwickelt, um die Bohr- und Injektionsdaten im Querschnitt geografisch und chronologisch zuzuordnen. Dies diente zur Visualisierung des Bauablaufs (Abb. 1) und zur Suche nach Mustern, um für die Anwendung künstlicher Intelligenz einen Satz von Merkmalen zu erarbeiten. Mit dieser Methode wurden für jeden Tunnelabschnitt, in welchem Injektionen stattfanden, Videos des Bauablaufs/Verfahrens erstellt. Die Zeitachse der Videos entspricht einer Sliderfunktion, welche durch den Bauablauf des jeweiligen Querschnitts verläuft. Diese Funktion ermöglicht die Visualisierung des Bauzustands zu einem bestimmten Zeitpunkt und erlaubt die Prüfung der dokumentierten Daten auf Plausibilität und Qualität sowie die Hervorhebung wechselseitiger Abhängigkeiten der Daten zur Feststellung entsprechender Querbezüge.

Abb. 1
figure 1

Der Videoausschnitt zeigt den Bauzustand des Bohr- und Injektionsvorgangs zu bestimmten Zeitpunkten an. Die Größe der Kreise ist entsprechend dem injizierten Volumen skaliert

2.3 Measurement While Drilling

Der Ansatz des Projekts Akalla zur Anwendung der MWD-Daten auf das Gebirge gründet darauf, dass sie sich als Datengrundlage zur Detektion lokaler geologischer Merkmale eignen, die sich auf die Injektion auswirken (Abb. 2). Der erste Schritt besteht in der Auswahl von Injektionsbohrungen, die große Injektionsvolumina aufgenommen haben, und in der Untersuchung der Bohrdaten auf Merkmale, die auf lokale Zonen hoher Durchlässigkeit hindeuten. Sobald eine Hypothese mit einer Reihe markanter Merkmale aufgestellt ist, können diese verwendet werden, um analoge „Ereignisse“ in weiteren Signalen zu identifizieren, die lokale durchlässige Zonen anzeigen. Die Lage dieser Ereignisse wird dann mit geologischen Aufzeichnungen verglichen, die strukturgeologische Messungen der wichtigsten Klüfte enthalten. Wenn die Ereignisse mit den geologischen Aufzeichnungen übereinstimmen, bestätigt sich die Hypothese und sie wird zur Entwicklung von Bohrindikatoren verwendet, die sich als Input einer KI-Datenbasis eignet.

Abb. 2
figure 2

Schema des Ansatzes zur Verarbeitung der MWD-Daten

Vor der Verarbeitung der Daten müssen diese zunächst präprozessiert werden, um sie für die nachfolgende Verarbeitung zu strukturieren und unerwünschte Signale herauszufiltern. [1] zeigten, dass die Anbohrphase, der Gestängewechsel und die Daten am Ende des Bohrlochs das Signal beeinflussen und somit entfernt werden müssen. Die Vorverarbeitung erfolgte mithilfe von Python-Skripten, von denen einige einfache Datenpunkte entfernen, die einem bestimmten Wertebereich entsprechen, während andere anspruchsvollere mathematische Routinen erfordern. Die aufgenommenen Daten während der Gestängewechsel und der Annäherung an das Bohrlochende konnten von der Auswertung ausgeschlossen werden, indem mittels Schwellwerten für die Penetrationsrate und den Spüldruck Teile der Daten der MWD-Daten entfernt werden.

Für die Daten der Gestängewechsel waren mehrere Schritte erforderlich, darunter die Verwendung eines Algorithmus zur Erkennung von Änderungspunkten im Spülstromsignal, um die Gestängewechsel zu identifizieren (Abb. 3). Änderungspunkte stellen darin Punkte dar, wo lokale Peaks im Signal vorkommen. Die Methode zur Erkennung von Änderungspunkten Pruned Exact Linear Time (PELT) sucht nach Positionen im Signal, an denen es sich signifikant ändert (Abb. 4). Durch das Entfernen der Zeilen in der Nähe der Änderungspunkte wird sichergestellt, dass nur jene entfernt werden, die mit den Gestängewechseln zusammenhängen und dass andere Änderungspunkte entweder im Signal der Penetrationsrate oder des Spüldrucks erhalten bleiben. Diese Methode steht im Gegensatz zu der für die Anbohrphase und am Bohrlochende verwendeten Filtermethode, bei der alle Punkte unterhalb oder oberhalb eines Schwellenwerts entfernt werden und Teile des Signals, die für unsere Studie von Bedeutung sind, beseitigt werden konnten.

Abb. 3
figure 3

a Nicht vorverarbeitete MWD-Daten des Projekts Akalla zur Veranschaulichung des Effekts der Anbohrphase, Gestängewechsel sowie am Bohrlochende. b Weiterverarbeitete MWD-Daten des Projekts Akalla mit sichtbaren Merkmalen

Abb. 4
figure 4

Beispiel für die Erkennung von Änderungspunkten im Spülfluss mit der PELT-Methode aus dem Ruptures-Skript Pelt; die Hintergrundfarbe ändert sich bei jedem Änderungspunkt

[2] zeigten mithilfe einer Hauptkomponentenanalyse (PCA) von MWD-Daten, dass die wichtigsten Parameter für die Charakterisierung des Gebirges folgende sind: Vorschubdruck, Rotationsdruck, Penetrationsrate, Spüldruck, Spüldurchfluss und Rotationsgeschwindigkeit. Die Autoren geben auch an, dass Dämpfer- und Hammerdruck wichtig sind, aber diese sind nicht im Datensatz des Projekts Akalla enthalten. [7] führen weiter aus, dass Penetrationsrate, Vorschubdruck und Rotationsdruck Schlüsselparameter für die Identifizierung lokaler Risse sind. Wir haben diese Signale in unserem Datensatz in SCALES verarbeitet und festgestellt, dass sie tendenziell dazu neigen, an ähnlichen Stellen im Signal Ausschläge zu erzeugen, was darauf hindeutet, dass sie auf lokale Veränderungen des Gebirges reagieren (Abb. 5). Wir implementierten mehrere Indizes als verschiedene Kombinationen der Rohsignale in SCALES, um festzustellen, welche Indizes am nützlichsten sind. Die Verarbeitung der Daten gemäß [7], bei der der Rotationsdruck, der Vorschubdruck und die Penetrationsrate zu einem Index kombiniert werden, lieferte keine klaren weiterverwendbaren Detektionen. Stattdessen lieferte die Einbeziehung eines Beitrags des Spüldrucks einen Index, dessen Spitzen sich mit lokalen Ereignissen decken, gemäß:

$$mmDI=\frac{R^{4}\cdot ROP}{F^{4}\cdot W}$$
(1)
Abb. 5
figure 5

eguana SCALES-Signalvisualisierung, die den Unterschied zwischen Gestängewechseln und lokalen Events in den MWD-Daten zeigt

wobei R für den Rotationsdruck, ROP für die Penetrationsrate, F für den Vorschubdruck, W für den Spüldruck und mmDI für einen modifizierten Bohrbarkeitsindex steht.

Da die Verarbeitung der Signale unter Verwendung von Gl. 1 Spitzenwerte an den Positionen von Ereignissen erzeugt, wurde eine Reihe automatischer Methoden zur Spitzenerkennung getestet, um die Positionen der Spitzen für den Vergleich mit den geologischen Kartierungen zu extrahieren (Abb. 6). Andere Methoden umfassen die Suche nach Ausreißern und die Verwendung kumulativer Summen.

Abb. 6
figure 6

Plot des mmDI-Signals, der die Fähigkeit zeigt, lokale Ereignisse hervorzuheben; die gezeigten Peaks wurden mit einem Python-SciPy-Skript find peaks erkannt

Die letzte Komponente ist die Kombination der MWD-Daten mit geologischen Daten, um die Verarbeitungsschritte zu validieren. Die geologischen Aufzeichnungen wurden verwendet, um strukturelle Messungen für wichtige Strukturen zu extrahieren, die den Tunnel durchschneiden. Durch die Darstellung dieser Strukturen als vereinfachte planare Merkmale in AutoCAD 3D, zusammen mit den Spuren der Bohrlöcher und den Orten der identifizierten Ereignisse, haben wir festgestellt, dass die Ereignisse mit vielen dieser kartierten Merkmale übereinstimmen. In Abb. 7 zeigen wir, dass die in einem bestimmten Tunnelabschnitt identifizierten Ereignisse in Lage und Ausrichtung mit einer in der strukturgeologischen Aufnahme kartierten Struktur übereinstimmen, was die von uns entwickelte Methodik unterstützt.

Abb. 7
figure 7

Das 3D Modell zeigt Diskontinuitätsflächen zweier kartierter strukturgeologischer Einheiten gemeinsam mit den Bohrsträngen der Bohrungen. Entlang den Bohrungen sind detektierte Ausreißer in den Daten gekennzeichnet. Die Ausreißer liegen räumlich sowie hinsichtlich der Orientierung nahe dem mit einer grünen Fläche markierten strukturgeologischen Einheit

2.4 Injektionsdaten

Grundlage für den Einsatz von KI zur Verarbeitung der Injektionsdaten ist die Aufbereitung und Verarbeitung aller verwendeten Headerinformationen sowie der aufgezeichneten Druck-Mengen-Schriebe des Injektionsvorgangs. Für die spätere Analyse mit KI sind unterschiedliche Verarbeitungsschritte für die Headerinformationen und die Injektionsdaten notwendig. Während es sich bei den Injektionsdaten um physikalische Größen handelt, enthalten die Headerinformationen andere physikalische Größen, z. B. die Bohrlochlänge in Metern, sowie darüber hinaus auch projektspezifische Informationen wie die Bohrlochnummer, eine Tunnelstation, Zuordnung zu Tunnelröhre oder die Injektionsrunde (Primär‑, Sekundär- oder Tertiärinjektion). Diese projektspezifischen Informationen sind jedoch für eine KI-Analyse in ihrer ursprünglichen Form eingeschränkt weiterverwendbar, da sie nicht auf andere Projekte übertragen werden können. In einem ersten Schritt müssen daher die projektspezifischen Informationen in den Headerdaten herausgefiltert und jene Informationen, die keinen Rückschluss auf den Injektionserfolg zulassen, vollständig entfernt werden. Alle anderen Informationen müssen dann ggf. in dimensionslose Kennzahlen umgerechnet werden.

Die Druck-Mengen-Schriebe bestehen in der Regel aus einer Vielzahl von Einzelwerten, die während der Injektion aufgezeichnet werden (Abb. 8). Sowohl die Dauer der Injektion als auch die Aufzeichnungsrate können – abhängig vom Steuerungshersteller – variieren. Im Falle des Projekts können auch Unterbrechungen im Injektionsvorgang oder Aufzeichnungsfehler auftreten. Dies bedeutet, dass die Druck-Mengen-Schriebe durch eine Merkmalsextraktion entsprechend aufbereitet werden müssen. Die Merkmalsextraktion umfasst (I) den Ausschluss von Daten zu Beginn der Injektion, (II) den Ausschluss von Daten am Ende der Injektion, (III) die Approximation der Kurven zur Berücksichtigung des Messrauschens und (IV) die Umrechnung der Zeitpunkte in dimensionslose, auf die Gesamtzeit normierte Werte mit einem resultierenden Bereich von 0 bis 1. Die so aufbereiteten Daten (Abb. 9) werden für die KI-basierte Analyse einer sogenannten Merkmalsskalierung unterzogen, um die Ergebnisse der KI-Algorithmen numerisch nicht zu verfälschen.

Abb. 8
figure 8

Rohdaten der Druck-Mengen-Schriebe

Abb. 9
figure 9

Druck-Mengen-Datensatz nach Merkmalsextraktion und Normalisierung (Umrechnung auf Werte von 0–1)

Nach der Verarbeitung der Header- und Injektionsdaten haben wir die einzelnen Merkmale anhand ihrer Eigenschaften wie folgt in verschiedene Klassen eingeteilt:

  • Bohrlochdaten

  • Geometrische Korrelationen des Bohrlochs oder der Injektionsstelle

  • Parameter des Injektionsgutes

  • Injektionsparameter

  • Log-Daten

Dies dient in erster Linie dazu, dass bei der letztgenannten Datenanalyse mittels KI verschiedene KI-Techniken und -Algorithmen angewendet werden können und somit einzelne Merkmale unabhängig voneinander untersucht werden können.

3 Diskussion und nächste Schritte

Der Beitrag liefert einen Überblick verwendeter Methoden und erreichter Ergebnisse des Projekts AVANT. Wir haben gezeigt, wie die Daten vorverarbeitet wurden, um sie für eine komplexere Verarbeitung und Analyse geeignet aufzubereiten. Diese Vorverarbeitungsphase ist zeitaufwändig, aber unabdingbar, um sicherzustellen, dass die für die Analyse der verwendeten Daten geeignet und repräsentativ für die Merkmale sind, die wir identifizieren wollen.

Bisher haben wir gezeigt, dass die Bohrdaten geologische Strukturen identifizieren können, die signifikant genug sind, um von einem Geologen im Tunnel kartiert zu werden. Dies gibt uns die Gewissheit, dass diese Daten verwendet werden können, um Informationen über die Gesteinsmasse für die KI und die Entscheidungsfindung für die Injektion in eine mäßig geklüftete Gesteinsmasse, wie sie im Akalla-Tunnel anzutreffen ist, zu liefern. Wir haben auch den entscheidenden Schritt der Datenvorverarbeitung herausgestellt, sodass Merkmale der Injektion und des Bohrens in die Kette der Datenverarbeitung mittels der verschiedenen Techniken der KI aufgenommen werden. Die Vorverarbeitungen sind noch im Gange. Die nächsten Schritte in diesem Bereich bestehen darin, mit der Stapelverarbeitung großer Datenmengen zu beginnen, um zu überprüfen, ob die von uns entwickelten Methoden für den gesamten Tunnel geeignet sind, und schließlich aus diesen Ergebnissen die Schlüsselparameter herauszuschälen, die in die KI eingespeist werden.

Parallel zur Datengenerierung wurde bereits damit begonnen, die zuvor extrahierten und aufbereiteten Daten einzelner Tunnelquerschnitte mit KI-Methoden zu analysieren. In einem ersten Schritt wurde ein künstliches neuronales Netz erstellt und die Daten eingespeist. Die Ergebnisse dieser Analyse lassen vermuten, dass es Muster in den MWD- und Injektionsdaten gibt, die mit Hilfe von KI hinreichend genau erkannt werden können. In einem nächsten Schritt soll das künstliche neuronale Netz weiter ausgebaut werden, um die steigende Datenmenge verarbeiten zu können. In diesem Zusammenhang werden die einzelnen Klassen von Injektionsdaten (siehe Abschn. 2.4) erstmals mit unterschiedlichen KI-Algorithmen, d. h. unabhängig voneinander arbeitenden künstlichen neuronalen Netzen, analysiert.