利用AI开发了盾构开挖规划支持系统~AI反复自我模拟优化开挖方案~

　在盾构实际施工之前，我们对如何操作盾构机进行规划的路线（包括曲线）以及如何分配多个不同形状的段进行初步模拟，并设置这些规划值。特别是对于弯曲地段，根据曲线半径精心规划盾构机的运行控制方法尤为重要。
　这些规划值传统上是根据盾构机的形状、隧道的曲线半径等，利用三角函数进行理论计算来计算出来的。另一方面，在这个系统中，AI以游戏的方式反复模拟自己，完善自己设定的规划值。在开发该系统时，我们将我校工学研究科加藤昌平教授及其实验室的AI编程技术与清水公司的盾构施工技术相结合，设计了将盾构挖掘视为游戏的AI模拟程序。
在这场“开挖游戏”中，根据人工智能自行设定的盾构机在弯曲地段如何控制运行、管片分配等试验条件，对给定的规划线形进行模拟开挖，并通过开挖轨迹相对于隧道线形的误差、盾构机与管片与开挖地面的干涉程度等评价指标对结果进行评分。如果试验过程中挖掘误差超过允许值或者盾构机与管片有可能发生干涉，则试验此时结束，重置试验条件并执行新的模拟。通过大量的试验，AI自己学习选择什么条件来获得高分，并最终达到最高分，超过该分就无法再提高。此阶段的试验条件将被视为最佳解决方案，并将在开挖计划中使用。
　该系统不仅可以在隧道开挖开始前的规划阶段使用，还可以在开挖开始后用于创建日常开挖指令。通过让人工智能根据最新的挖掘状态进行计划修改模拟，预计这将减少现场工程师的工作时间。

为了在盾构施工中利用人工智能，加藤教授应用了一种称为强化学习的无监督机器学习方法，通过反复试验来适应环境，以及一种受生命进化机制启发的称为遗传算法的元启发式优化算法，以实现盾构施工计划的自动化。
　节段分配是解决如何根据盾构法施工方案中预定的称为计划线的曲线来分配多种类型的节段的问题。根据研发中使用的屏蔽现场数据，对于直径约为12 m的段，错位容差约为50 mm，这是一个非常严格的约束，虽然状态空间巨大，但可执行区域却极其狭窄。因此，我们提出了处理离散值的约束残差算法（εDGA），并通过使用实际数据的分段分配实验，与传统方法（工程师手动执行）相比，成功减少了约20％的开挖土壤量（估计）。我们将在 6 月 5 日至 8 日在鹿儿岛市举行的第 32 届日本人工智能学会全国会议上展示这些成果。
　未来，我们将开发一种支持盾构开挖规划的人工智能，通过改进εDGA并设计一种强化学习和遗传算法混合的新学习算法，同时执行分段分配和盾构机控制规划。

参考

使用 AI 进行盾构挖掘模拟的图像

曲线地段盾构机方向控制

在弯曲地段施工时，在进行“超挖掘”和“中弯曲作业”的同时进行挖掘，其中“超挖掘”是为了使盾构机在挖掘过程中不与地面干涉而对挖掘面进行较大程度的挖掘，而“中弯曲作业”则是将盾构机的前部和后部弯曲成一定角度。制定开挖计划时，设定超挖时机、开挖量、盾构机弯曲角度的计划值。

有关此事的询问

研究相关

加藤翔平，V体育信息工程系教授
电话：052-735-5625 电子邮件：shohey[at]nitechacjp *请将 [at] 替换为 @。

公共关系很重要

V体育企划公关部公关室
电话：052-735-5316 电子邮件：pr[at]admnitechacjp *请将 [at] 替换为 @。

相关链接

• ・