Проблематика искусственного интеллекта на Всемирном тоннельном конгрессе 2024 года: обзор

На 50-м Всемирном тоннельном конгрессе нашел отражение современный уровень исследований в области подземного строительства, в том числе в сфере искусственного интеллекта на основе цифровизации.

В основу обзора положены опубликованные материалы конгресса. Тематика искусственного интеллекта отражена в отдельном разделе.

Представленную на конгрессе совокупность докладов можно подразделить на следующие несколько направлений: работа тоннелепроходческих машин; изучение деформаций грунтов и сооружений, мониторинг; обучающие методы; цифровые методы проектирования, строительства и управления эксплуатацией.

Предложена интеллектуальная система поддержки принятия решений по обслуживанию конструктивных дефектов тоннелей с использованием графа знаний и глубокого обучения, представлено экспериментальное исследование применения гиперспектральных изображений для оценки прочности бетона на сжатие. Описано прогнозирование качества окружающих пород на основе неполного набора данных из нескольких источников и применения деревьев простейшей байесовской сети. Рассмотрены проектирование, выбор модели и количественная оценка неопределенности при кондиционировании грунта для механизированной щитовой проходки с применением машинного обучения. Предложен энергоэффективный алгоритм управления вентиляцией тоннеля, сочетающий использование динамической нейронной сети и нечеткого управления. Особое внимание уделено оценке производительности тоннелепроходческих машин и выявлению дефектов эксплуатируемых подземных объектов. В целом сфера представленных исследований в области искусственного интеллекта (машинного обучения) применительно к освоению подземного пространства сравнительно узкая и оставляет много аспектов неохваченными.

1. Tunnelling for a Better Life. Taylor & Francis, 2024. Pp. 2995–3299.

2. Iasiello C., Rodríguez-Sánchez J. TBM machine parameters estimation: From design approach to on-fi eld results. A concrete example based on Kalman Filter approach // Tunnelling for a Better Life. 2024. Pp. 3023–3028.

3. Kim D., Shin Y., Kim D., Lee C., Kwon K. et al. A novel machine-learning model for estimating disc cutter life in TBMs considering individual cutter travel lengths // Tunnelling for a Better Life. 2024. Pp. 3053–3058.

4. Kang Y.S., Park S.J., Hwang J.H., Hong J.P., Ko T.Y. Prediction of disc cutter wear considering ground conditions and TBM operating parameters // Tunnelling for a Better Life. 2024. Pp. 3037–3043.

5. CatBoost in Machine Learning // GeeksforGeeks. 2025. URL: https://www.geeksforgeeks.org/catboost-ml

6. Miller M., Fang Y., Luo H., Wang Y., Xu G. et al. Forecasting the driving speed of the TBM using machine learning Algorithms // Tunnelling for a Better Life. 2024. Pp. 3067–3072.

7. Dardashti A., Rostami J., Ajalloeian R., Hassanpour J., Salimi A. Development of a hard rock TBM performance prediction model using RMR input parameters // Tunnelling for a Better Life. 2024. Pp. 2995–3004.

8. Dewangan A., Sahoo D.R., Karlovsek J. Performance analysis of supervised algorithms on encoded data for predicting tunnel strain classes // Tunnelling for a Better Life. 2024. Pp. 3005–3013.

9. Feng Y., Zhang X., Feng S., Zhao Y., Chen Y. Automatic classification and segmentation of tunnel cracks based on deep learning and visual explanations // Tunnelling for a Better Life. 2024. Pp. 3014–3022.

10. Wang Y., Yang L., Liu X., Yan P. An improved semantic segmentation algorithm for high-resolution remote sensing images based on DeepLabv3+ // Scientific Reports. 2024. Vol. 14. Issue 1. DOI: 10.1038/s41598-024-60375-1

11. Jia F., Xue Y., Zhang Q., Qu L. An intelligent decision support system for tunnel structural defects maintenance with combining knowledge graph and deep learning // Tunnelling for a Better Life. 2024. Pp. 3029–3036.

12. Ultralytics YOLOv8 // Хабр. 2023. URL: https://habr.com/ru/articles/710016

13. Katuwal T.B., Panthi K.K., Basnet C.B., Adhikari S. Leakage prediction and post-grouting assessment in headrace tunnel of a hydropower project // Tunnelling for a Better Life. 2024. Pp. 3044–3052.

14. Murro V.D., Ouyang A., Osborne J.A., Li Z. Intelligent tunnel asset management of CERN underground facilities // Tunnelling for a Better Life. 2024. Pp. 3073–3078.

15. Wang C., Huang H., Zhou M., Zhu S. Hyperspectral imaging features for concrete compressive strength assessment: Experimental study // Tunnelling for a Better Life. 2024. Pp. 3104–3112.

16. Никонов А.В., Давлетшин Р.В., Яковлева Н.И., Лазарев П.С. Фильтрация методом Савицкого – Голея спектральных характеристик чувствительности матричных фотоприемных устройств // Успехи прикладной физики. 2016. Т. 4. № 2. С. 198–205. EDN VXBTOL.

17. Wu C., Huang H., Tong H., Zhou M., Zhang L. et al. Investigation on surrounding rock quality prediction based on incomplete multi-source dataset and tree-augmented naive Bayesian network // Tunnelling for a Better Life. 2024. Pp. 3131–3138.

18. Обзор архитектуры Swin Transformer // Хабр. 2022. URL: https://habr.com/ru/articles/599057

19. Liu Z., Lin Y., Cao Y., Hu H., Wei Y. et al. Swin Transformer: Hierarchical Vision Transformer using Shifted Windows // 2021 IEEE/CVF International Conference on Computer Vision (ICCV). 2021. Pp. 9992–10002. DOI: 10.1109/ICCV48922.2021.00986

20. Wang M., Zhao S., Yi W., Peng X. Intelligent surrounding rock classification and mechanical parameters analysis method based on drilling parameters of tunnels // Tunnelling for a Better Life. 2024. Pp. 3122–3130.

21. Lin W., Sheil B., Xie X., Li K., Niu G. Segment segmentation of tunnel ring point clouds using 3D deep learning // Tunnelling for a Better Life. 2024. Pp. 3059–3066.

22. Qi C.R., Yi L., Su H., Guibas L.J. PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space. 2017. DOI: 10.48550/arXiv.1706.02413

23. Samadi H., Hassanpour J., Rostami J., Moghbeli A. Assessment of TBM performance in different types of rocks using supervised learning techniques // Tunnelling for a Better Life. 2024. Pp. 3095–3103.

24. Yuan X., Wang S., Qu T. Machine learning-informed soil conditioning for mechanized shield tunneling feature engineering, model selection, and uncertainty quantification // Tunnelling for a Better Life. 2024. Pp. 3139–3145.

25. Pei L., Wu H., Hu M., Lu J., Wu B. et al. Research and practice of digital lean construction mode of tunnelling based on shield self-driving technology // Tunnelling for a Better Life. 2024. Pp. 3079–3085.

26. Sakai K., Miyanaga S., Yamagami M. Study on machine learning method for supporting conventional tunnel engineering judgement // Tunnelling for a Better Life. 2024. Pp. 3086–3094.

27. Wang H., Li Z., Zhang Y., Zhang J. An energy-effi cient tunnel ventilation control algorithm combining dynamic neural network and fuzzy control // Tunnelling for a Better Life. 2024. Pp. 3113–3121.