Мониторинг деформаций перегонных туннелей метрополитена с применением нейросетевого подхода

В статье рассматривается применение искусственных нейронных сетей и алгоритмов машинного обучения для мониторинга деформаций туннелей метрополитена, расположенных в сложных горно-геологических условиях. Особое внимание уделяется промышленной и экологической безопасности, а также современным методам измерения деформаций земной коры с использованием GPS/ГЛОНАСС-технологий, геодезической и маркшейдерской съемки. Описываются основные этапы работы искусственных нейронных сетей: обучение на основе данных о параметрах и состоянии туннелей, тестирование, валидация и эксплуатация для предсказания потенциальных деформаций. Рассмотрены ключевые архитектуры нейронных сетей, такие как глубокие, сверточные и рекуррентные сети, а также их возможности в обработке данных. Приведены примеры использования искусственных нейронных сетей для интерполяции данных, распознавания опасных зон и мониторинга колец туннелей. Отмечается важность качественных исходных данных, включающих геометрические параметры, физические характеристики материалов, климатические условия и исторические данные. В результате применения искусственных нейронных сетей обеспечивается оперативное обнаружение рисков, прогнозирование динамики деформаций и классификация их типов, что позволяет принимать своевременные меры для предотвращения аварийных ситуаций.

The article discusses application of artificial neural networks and machine learning algorithms for monitoring of deformations in subway tunnels located in complex mining and geological conditions. Particular attention is given to industrial and environmental safety, as well as modern methods for measuring crustal deformations using GPS/GLONASS technologies, geodetic, and mine surveying. The main stages of artificial neural networks operation are described, i.e. the training based on the tunnel parameters and conditions, testing, validation, and operation to predict the potential deformations. The key neural network architectures are considered such as the deep, convolutional, and recurrent networks along with their data processing capabilities. Examples are provided of artificial neural networks used for data interpolation, hazardous zone recognition, and tunnel ring monitoring. The importance of high-quality initial data, including geometric parameters, physical material properties, climatic conditions, and historical data, is emphasized. Implementation of artificial neural networks can help to promptly identify risks, predict the deformation dynamics, and classify the deformation types, enabling timely measures to prevent emergencies.