Predicting underground tunnel hazards using machine learning techniques

Resum

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 occurencia 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.