Επιτελεστικότητα μηχανών ολομέτωπης διάνοιξης αβαθών σηράγγων

Abstract

Tunnel Boring Machines, utilized for several decades now, are selected to cope with the anticipated geological formations and any other conditions under which they have to work. Their success depends on the correct selection of the Machine, for optimal performance. The appropriate selection of the machine in order to construct a shallow urban tunnel, safely, economically and within schedule, depends mainly amongst others on its capacity to minimize surface settlements, on the adequacy of its boring forces capacity, and on the appropriateness of its cutting tools. Extremely important are the evaluation of the required face support and the choice of the machine cutter head to provide it during boring, in order to restrict surface settlements within tolerable limits.The scope of this research is to make a new approach to control Mechanized Tunnelling Works with Earth Pressure Balance machines, by including the operational parameters in the analysis of surface settlement. Collected data considered to affect ground settlements, are the geological formations, the tunnel geometry, and the machine operational parameters. Thus, a data base acquisition system for single- and double-track tunnelling works executed in both Athens and Thessaloniki Metro Projects, has been developed. By correlating maximum surface settlements either with individual data or with multiple ones by using an artificial intelligence system, such as an Artificial Neural Network (ANN), predictive relations are established. Thus, through continuous monitoring of tunnelling performance, ground settlements ahead may be predicted and corrective measures suggested, in order to appropriately controlling boring operations. Further, forces exerted by the machine and recorded in the data base, are theoretically apportioned to their components. Finally, the usage of the machine and time and causes of standstills, are evaluated. Loss of usage is attributed, amongst others, to the time required for cutter change due to wear. Recorded cutter changes for each machine are used in order to correlate cutter position and size of the cutter head, to the rate of wear. An artificial intelligence system, such as an ANN, may be extended to correlate more parameters concerning tunnel construction, and predict machine performance such as exerted forces and their allocation, machine usage, and rate of cutter wear.

Οι μηχανές διάτρησης που χρησιμοποιούνται εδώ και αρκετές δεκαετίες, επιλέγονται ώστε να ανταποκρίνονται στους γεωλογικούς σχηματισμούς και τις λοιπές συνθήκες στις οποίες καλούνται να κατασκευάσουν τις σήραγγες. Η επιτυχία τους εξαρτάται από την ορθή επιλογή της μηχανής ώστε οι επιδόσεις της να είναι οι βέλτιστες. Μεταξύ των μετρήσιμων επιδόσεων της μηχανής επιλέγεται η ικανότητα να ελαχιστοποιεί τις επιφανειακές καθιζήσεις, να έχει τις απαιτούμενες δυνάμεις διάνοιξης και τα κατάλληλα κοπτικά εργαλεία, ώστε να κατασκευάσει την σήραγγα στον προβλεπόμενο χρόνο. Η ορθή επιλογή της μεθόδου υποστήριξης του μετώπου εκσκαφής σε συνδυασμό με τον τύπο της κεφαλής, επιτρέπουν τον έλεγχο για την ελαχιστοποίηση των επιφανειακών καθιζήσεων. Το αντικείμενο της παρούσας έρευνας αφορά σε μία νέα προσέγγιση των εργασιών της Μηχανικής Διάνοιξης Σηράγγων ολομέτωπης κοπής - Ασπίδας Εξισορρόπησης Πίεσης Εδάφους, με την ενσωμάτωση των στοιχείων λειτουργίας της μηχανής στην ανάλυση των επιφανειακών καθιζήσεων. Τα καταγραμμένα στοιχεία συνίστανται στις επιφανειακές καθιζήσεις, στους γεωλογικούς σχηματισμούς του εδάφους, στη γεωμετρία της σήραγγας καθώς και στις παραμέτρους λειτουργίας της μηχανής. Στην έρευνα αναπτύχθηκε ένα σύστημα βάσης δεδομένων για την κτήση στοιχείων από τις εργασίες διάνοιξης σηράγγων μονής και διπλής τροχιάς, από τα Έργα Μετρό Αθήνας και Θεσσαλονίκης. Αξιοποιώντας τις ανωτέρω πληροφορίες και συσχετίζοντας τις παραμέτρους λειτουργίας της μηχανής με τη μέγιστη επιρροή επί των εδαφικών μετακινήσεων, χρησιμοποιείται ένα σύστημα τεχνητής νοημοσύνης, βάσει των Τεχνητών Νευρωνικών Δικτύων (ΑΝΝ), προκειμένου να αναπτυχθούν προγνωστικές σχέσεις, για τον έλεγχο της κατασκευής και την εφαρμογή διορθωτικών μέτρων, όπου απαιτείται. Στη συνέχεια, οι καταγεγραμμένες, στη βάση δεδομένων, δυνάμεις προχώρησης της μηχανής επιμερίζονται θεωρητικά στις συνιστώσες τους. Τέλος, αποτιμάται η χρήση των μηχανών, και οι χρόνοι και αιτίες αδράνειας. Απώλεια χρήσης οφείλεται, μεταξύ άλλων, και στον απαιτούμενο χρόνο αλλαγής των κοπτικών λόγω φθοράς. Οι καταγεγραμμένες αλλαγές των κοπτικών, για κάθε μηχανή, χρησιμοποιούνται για τη συσχέτιση της θέσης του κοπτικού και του μεγέθους της κοπτικής κεφαλής στο ρυθμό φθοράς. Ένα σύστημα τεχνητής νοημοσύνης, όπως ένα τεχνητό νευρωνικό δίκτυο δύναται να επεκταθεί ώστε να συσχετίζει περισσότερες παραμέτρους που αφορούν την κατασκευή της σήραγγας, και να προεκτιμά την επίδοση της μηχανής, όπως πχ. δυνάμεις προώθησης και επιμερισμό τους, χρήση μηχανής, και ρυθμό φθοράς των κοπτικών.