Tesis:
Predicting underground tunnel hazards using machine learning techniques
- Autor: LI, Ning
- Título: Predicting underground tunnel hazards using machine learning techniques
- Fecha: 2017
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS DE CAMINOS, CANALES Y PUERTOS
- Departamentos: INGENIERIA Y MORFOLOGIA DEL TERRENO
- Acceso electrónico: http://oa.upm.es/48301/
- Director/a 1º: JIMÉNEZ RODRÍGUEZ, Rafael
- Resumen: Esta tesis emplea y desarrolla técnicas de aprendizaje automático para ser utilizadas en el análisis de riesgos de túneles subterráneos, con particular énfasis en: (i) el establecimiento y selección de modelos de clasificadores lineales y redes Bayesianas para la predicción del ‘estallido de rocas’ (rock burst) a largo plazo; ii) el desarrollo de un Sistema de Ingeniería de Rocas (RES, según sus siglas en inglés) que emplee las redes neuronales artificiales (ANN) para la estimación a corto plazo del daño causado por el rock burst; (iii) la comparación de diferentes algoritmos de aprendizaje automático para la predicción del fenómeno fluencia excesiva (squeezing) en túneles construidos en roca. (1) Para la predicción del rock burst a largo plazo, se presenta un modelo clasificador de regresión logística lineal para predecir su ocurrencia de forma probabilística. Este enfoque proporciona estimaciones con expresiones simples y fáciles de aplicar, que además pueden emplearse para el análisis de riesgos. En este sentido, las redes Bayesianas se presentan como una metodología apropiada para ser usada en futuros trabajos de predicción, así como también para hacer frente a bases de datos incompletas. Se proponen y se comparan tres diferentes estructuras básicas, y se emplea como estructura óptima el clasificador Bayesiano Tree augmented Naïve Bayes (TAN). (2) Para la predicción del rock burst a corto plazo, se presenta un enfoque basado en el paradigma de los Sistemas de Ingeniería de Rocas (RES) y en las redes neuronales (ANN), que se utilizan para establecer un Índice de Escala de Daños asociados al ‘Estallido de Rocas’ (Rock burst damage scale index, o RDSI). Se propone un umbral de valores RDSI para discriminar entre tres posibles escalas de daño. El RDSI puede predecir la escala de daños de forma fiable, simplificando así la predicción de daños a corto plazo en el sitio. (3) Para la predicción del fenómeno del squeezing en túneles, se proponen seis algoritmos de aprendizaje automático diferentes para entrenar, validar, comparar y evaluar tres modelos simples. El uso conjunto de un modelo basado en Q, H y K como parámetros de entrada, junto con el algoritmo de “Bosques Aleatorios” (Random Forests, o RF), se propone como solución óptima, debido a su estabilidad y capacidad predictiva en el trabajo de capacitación y validación, por lo que se convierte en una herramienta útil para predicción del fenómeno squeezing en túneles en roca. This dissertation employs and develops machine learning techniques to be used in underground tunnel hazards analyses, with a particular emphasis on (i) the establishment and selection of linear classifier and Bayesian networks models for long-term rock burst prediction; (ii) the development of a Rock Engineering System approach incorporating Artificial Neural Networks (ANN) for short-term rock burst damage estimation; (iii) the comparison of different machine learning algorithms for prediction of rock tunnel squeezing. (1) For long-term rock burst prediction, we present a linear logistic regression classifier model to predict the occurrence of rock burst probabilistically. Our approach provides estimates of rock burst with simple and easy applicable expressions, which can be employed for risk analyses. For further prediction work, and to cope with incomplete databases, Bayesian networks are presented. We propose and compare three different basic structures, and the Tree augmented Naïve Bayes classifier (TAN) is employed as the optimal structure. (2) For short-term rock burst prediction, we present an approach based on the Rock Engineering Systems paradigm and on the ANN algorithm, which are used to establish a rock burst damage scale index (RDSI). A threshold of RDSI values is proposed to discriminate the RDSI into three scales. The RDSI can predict the damage scale reliably, hence simplifying the short-term rock burst damage prediction on site. 3) For tunnel squeezing prediction, we propose six different machine learning algorithms to train, validate, compare and evaluate three simple models. The joint use of a model based on Q, H and K as input parameters, together with the Random Forests algorithm, is proposed as the optimal solution due to their stability and predictive ability in the training and validation work, hence being a useful tool for prediction of rock tunnel squeezing.