No-Dig Gewinner

Temporales auf Aufmerksamkeit basierendes Deep-Learning-Modell zur Identifizierung der Auswirkungen von Rohrvortriebsbetriebsparametern auf hochvariable Vortriebskräfte

Diese Studie stellt ein auf zeitlicher Aufmerksamkeit basierendes Deep-Learning-Modell vor, das entwickelt wurde, um die Auswirkungen der Parameter von Rohrvortriebsoperationen auf die Vortriebskräfte zu analysieren, insbesondere in Szenarien mit stark variablen Vortriebs Kräften. Die Technik wird an einer Fallstudie angewendet, die die Komplexität des unterirdischen Bauens ohne Oberflächenstörungen hervorhebt. Während traditionelle Methoden hauptsächlich auf die Vorhersagegenauigkeit fokussiert sind, betont dieses Modell das Verständnis der Bedeutung der Parameter von Rohrvortriebsoperationen während des Vortriebsprozesses. Durch die Nutzung eines zeitlichen Aufmerksamkeitsmechanismus passt das Modell dynamisch die Bedeutung jedes Parameters an und identifiziert kritische Zonen im Vortrieb, in denen ihr Einfluss entscheidend wird. Dieser Ansatz übertrifft frühere Studien, indem er eine quantifizierbare Beziehung zwischen den Parametern der Rohrvortriebsoperationen und den Vortriebs Kräften bereitstellt, was letztendlich die Sicherheit und Effizienz des Rohrvortriebsbaus verbessert. Die Ergebnisse stellen einen bedeutenden Fortschritt in der grabenlosen Technologie dar und bieten verbesserte Vorhersagen und betriebliche Einblicke für zukünftige Projekte.