Quadro di affidabilità in fase di costruzione per la previsione del tasso di penetrazione di TBM in roccia dura con informazioni UCS ritardate

Previsione ROP TBM in roccia dura: un framework basato sull’affidabilità in fase di costruzione

La previsione del tasso di penetrazione (ROP) di una tunnel boring machine (TBM) in ammassi rocciosi duri presenta criticità note. Le interazioni tra terreno e macchina mutano progressivamente lungo il tracciato e il dato relativo alla resistenza a compressione uniassiale (UCS) risulta spesso incompleto o disponibile in ritardo alla scala dell’anello. Un recente studio pubblicato su Geotechnics propone un approccio metodologico per la gestione di queste incertezze, strutturato come un flusso di lavoro basato sull’affidabilità in fase di esecuzione.

Metodologia: integrazione tra deep learning e monitoraggio continuo

Il framework messo a punto combina diverse tecniche. Un modello di deep learning sequenziale, nello specifico una gated recurrent unit (GRU), viene addestrato per stimare il ROP. Per colmare le lacune nei dati UCS, si utilizza un metodo di completamento basato sulla ponderazione a distanza inversa. Il sistema include inoltre una valutazione cronologica a rotazione, un monitoraggio continuo tramite l’indicatore PassRate e un aggiornamento attivato dalle prestazioni rilevate.

La metodologia è stata sviluppata a partire da dati reali provenienti da uno scavo TBM in un ammasso granitico nel nord della Thailandia. La validazione è stata condotta simulando una politica informativa con UCS ritardata, per riprodurre le condizioni operative comuni nei cantieri.

Prestazioni in fase di validazione

Durante la valutazione in stile forward deployment, il modello GRU selezionato ha mostrato i seguenti risultati su 990 anelli valutati:

• errore quadratico medio (RMSE): 0,1639 m/h
• errore assoluto medio (MAE): 0,1186 m/h
• accuratezza entro una banda simmetrica del ±10%: 62,63%

A confronto, l’applicazione diretta e statica di modelli teorici ed empirici rappresentativi ha prodotto prestazioni significativamente inferiori nella stessa banda di tolleranza, con valori compresi tra l’11,92% e il 20,71%.

Gestione degli aggiornamenti e ripristino del monitoraggio

Un aspetto operativo rilevante emerso dallo studio riguarda la gestione dei trigger di affidabilità. Un primo allarme si è verificato all’anello 3409. A seguito di questo evento, si è proceduto all’aggiornamento del dato UCS, al riaddestramento del modello e al suo ridispiegamento. L’intervento ha permesso di ripristinare il processo di monitoraggio senza necessità di ulteriori interventi correttivi successivi.

Conseguenze per la pratica professionale

La ricerca indica che la previsione del ROP in fase di costruzione non dovrebbe essere gestita come un semplice punteggio di accuratezza statico. La procedura proposta si configura piuttosto come un workflow di affidabilità verificabile, dotato di confini informativi espliciti. Per il direttore dei lavori e il tecnico di cantiere, ciò significa poter disporre di uno strumento che si adatta alle effettive disponibilità di dati e che attiva aggiornamenti automatici in presenza di scostamenti dalle prestazioni attese, riducendo la dipendenza da stime basate su valori medi o su modelli teorici non calibrati in corso d’opera.