Prédiction de l'énergie spécifique d'un micro TBM de sol tendre utilisant un réseau neuronal explicable à travers l'explication additive de Shapley et Optuna

Résumé Dans la construction de tunnels, prédire efficacement l'utilisation de l'énergie des machines de forage de tunnels (TBM) est crucial pour optimiser les opérations et réduire les coûts. Cette recherche propose une nouvelle méthode pour prédire l'énergie spécifique des machines de forage de tunnels à boue micro (MSTBM) en utilisant un réseau neuronal explicable (xNN) qui s'appuie sur des données surveillées par les opérateurs. Le modèle xNN fournit transparence et interprétabilité en intégrant la technique d'explication additive de Shapley (SHAP), permettant aux ingénieurs et opérateurs des tunnels d'obtenir des informations précieuses sur le processus de prédiction. Des données étendues provenant de l'excavation des supports de tuyaux en ombrelle MSTBM constituent la base pour l'entraînement, le test et les données non vues dans le modèle xNN. La formule d'énergie spécifique dérivée des paramètres opérationnels du MSTBM définit la variable dépendante pour le modèle xNN. L'ensemble de données de test évalue la performance du modèle avec un R² de 98,7 %, une MSE de 2,40, et un MAE de 0,003, démontrant sa précision et sa fiabilité. Dix pour cent de l'ensemble de données ont été réservés comme données non vues pour évaluer les capacités de généralisation du modèle. Lors de l'évaluation, le modèle a atteint une valeur R² de 89 %, un MAE de 0,01 et une erreur quadratique moyenne (RMSE) de 0,01. Le xNN permet aux opérateurs d'optimiser les paramètres opérationnels et de promouvoir des pratiques de tunneling plus efficaces et durables en identifiant les facteurs influents affectant la consommation d'énergie grâce à sa nature interprétable. Cette recherche a des implications significatives pour l'avenir de la construction souterraine, ouvrant la voie à une meilleure gestion des ressources.