Bu tədqiqat ultra böyük diametrli şlamlı qalxan tunelqazma maşınının erkən qazıntı mərhələsində irəliləmə sürətini cəmi 271 halqa səviyyəli müşahidə ilə proqnozlaşdırmaq üçün Tabular Prior-Data Fitted Networks (TabPFN) və SHapley Additive exPlanations (SHAP) üsullarını birləşdirib. Jiangyin–Jingjiang Yangtze Çayı Tunelinin 1–271 nömrəli halqalarından əldə edilən geoloji və istismar məlumatlarından istifadə olunub, başlanğıcdakı 36 dəyişəndən 12 təmsilçi dəyişən seçilib və ümumilikdə 12 proqnoz modeli müqayisə edilib. TabPFN birləşdirilmiş doğrulama və test nümunələrində 0,613 mm/dəq orta mütləq xəta, yüzde 2,080 orta mütləq faiz xətası, 0,901 mm/dəq orta kvadrat xətanın kökü və 0,960 R² ilə ən uğurlu model olub. Bununla belə tədqiqat bir tuneldən, yalnız 271 halqadan və 54 doğrulama-test nümunəsindən əldə olunan resenziyadan əvvəlki nəticələrə əsaslanır; model başqa tunel layihəsində xarici olaraq doğrulanmayıb.

SHAP analizləri göstərib ki, model irəliləmə sürəti proqnozlarında ən çox şlam inyeksiya axın sürəti və sıxlığından istifadə edir; kəsici başlığın sürəti, boşaldılan şlamın sıxlığı, qazıntı materialının boşaltma axın sürəti və ümumi itələmə qüvvəsi də mühüm töhfələr verir. Ümumiləşdirilmiş əlavəli modellər torpağın sıxılma modulu, koheziya, daşıma qabiliyyəti və çevrə sürtünməsi ilə irəliləmə sürəti arasında qeyri-xətti hədlərin olduğunu üzə çıxarıb. Tədqiqatçılar bu əlaqələri geoloji zonalaşdırma, itələmə qüvvəsinin tənzimlənməsi, kəsici başlıq–şlam uyğunlaşdırılması və boşaltma qabiliyyətinin idarə olunması üçün insan nəzarətli qərar tövsiyələrinə çeviriblər.

Tədqiqatın təklif etdiyi sistem tam avtomatik tunel idarəetməsi deyil. Süni intellekt modeli irəliləmə sürəti proqnozunu və dəyişənlərin töhfələrini təqdim edir, sahə mühəndislərinin isə torpaq şəraitini, maşın davranışını, təhlükəsizlik hədlərini və tikinti təcrübəsini qiymətləndirərək son qərarı verməsi nəzərdə tutulur. Bu fərq vacibdir; SHAP dəyərləri modelin məlumatlar daxilində öyrəndiyi əlaqələri izah edir, müəyyən parametr dəyişikliyinin sahədə qəti və səbəb-nəticə əlaqəli nəticə yaradacağını sübut etmir.

Türkiyə baxımından: TabPFN-SHAP yanaşması Türkiyədə aparılan böyük diametrli qalxan tunel layihələrində qazıntının ilk mərhələlərindən etibarən məhdud məlumatdan istifadə etməklə irəliləmə sürətinin proqnozu, sensor məlumatlarının keyfiyyət nəzarəti və mühəndis dəstəkli parametr qiymətləndirməsi üçün araşdırıla bilər. Tətbiqdən əvvəl model Türkiyədəki müxtəlif torpaqlar, maşın diametrləri, şlam sistemləri, sensor infrastrukturları və istismar prosedurları ilə yenidən təlimləndirilməli və ya kalibrlənməlidir. Məlumatların bölünmə üsulu halqa ardıcıllığını qoruyacaq şəkildə sınaqdan keçirilməli və model müstəqil türk tunelində perspektiv olaraq doğrulanmalıdır. Tədqiqatdakı itələmə, sürət, sıxlıq və təzyiq hədləri Jiangyin–Jingjiang Tunelinə xasdır; Türkiyə üçün birbaşa təhlükəsiz istismar həddi kimi istifadə edilə bilməz.

Tədqiqatın əsas problemi nədir?

Qalxan tunelqazma maşınlarında irəliləmə sürəti tikinti müddətinə, maya dəyərinə və istismar təhlükəsizliyinə birbaşa təsir edən əsas performans göstəricilərindən biridir. Lakin irəliləmə sürəti yalnız maşın gücündən asılı deyil. Torpağın möhkəmliyi, koheziya, daşıma qabiliyyəti, kəsici başlığın fırlanma sürəti, itələmə qüvvəsi, şlam sıxlığı, dövriyyə axın sürəti və qazıntı materialının boşaldılma qabiliyyəti birlikdə təsir göstərir.

Bu mürəkkəblik gil və qum kimi müxtəlif layların eyni qazıntı üzündə olduğu mürəkkəb torpaqlarda daha aydın görünür. Bir parametri təkbaşına artırmaq həmişə daha sürətli irəliləmə yaratmır. Məsələn, kəsici başlığın sürətinin artırılması bəzi şəraitlərdə kəsmə qabiliyyətini yüksəldə bilər, başqa şəraitlərdə isə səthin pozulmasını, sürtünməni, incə hissəcik istehsalını və şlam daşıma müqavimətini artıra bilər.

Tədqiqatın hədəflədiyi əsas boşluq qazıntının erkən dövründə kifayət qədər məlumatın olmamasıdır. Ənənəvi maşın öyrənməsi və dərin öyrənmə modelləri çox vaxt uzunmüddətli qazıntıdan toplanan böyük məlumat dəstlərinə ehtiyac duyur. Halbuki mühəndislərin maşın parametrlərini tənzimləməyə ən çox ehtiyac duyduğu dövrlərdən biri yalnız bir neçə yüz halqa məlumatının olduğu başlanğıc mərhələsidir.

Araşdırılan tunel və maşın hansı xüsusiyyətlərə malikdir?

Tədqiqat Çindəki Jiangyin–Jingjiang Yangtze Çayı Tunelinin qalxanla açılan hissəsinə əsaslanır. Layihədə qazıntı diametri 16,03 metr olan şlam balanslı qalxan maşını istifadə edilib. Tunel örtüyünün xarici diametri 15,5 metr, daxili diametri 14,2 metr və seqment qalınlığı 650 millimetrdir.

Qazıntı üzü Dördüncü dövr çöküntüləri daxilində irəliləyir və gilli torpaqlarla qumlu torpaqların dəyişən nisbətlərdə birləşməsindən ibarətdir. Üst hissələrdə ümumilikdə lil-gil, lil və lil-qum; aşağı hissələrdə isə daha sıx və keçirici incə və ya orta qum layları yerləşir. Bir neçə layın eyni qazıntı üzündə olması səbəbindən hər halqanın geoloji dəyişənləri layların qazıntı üzündəki sahə nisbətlərinə görə çəkili orta ilə hesablanıb.

Şəkil 3-də lay nisbətlərinin 1. halqadan 271. halqaya qədər davamlı dəyişdiyi görünür. Bu dəyişmə səth sabitliyinin, şlam balansının, kəsmə müqavimətinin və boşaltma şəraitinin qazıntı boyunca sabit qalmadığını göstərir. Modelin qarşılaşdığı problem buna görə sadəcə sürət proqnozu deyil, daim dəyişən torpaq–maşın uyğunluğunun öyrənilməsidir.

Xam məlumatlar necə təmizlənib?

Xam maşın qeydləri beş dəqiqəlik zaman intervalları ilə qeydə alınıb. Təkrarlanan dəyərlər və maşının işləmədiyi dayanma dövrləri çıxarıldıqdan sonra 3.468 etibarlı zaman nöqtəsi qalıb. Sensor xətaları, qısamüddətli güc sıçrayışları, mexaniki dalğalanmalar və torpaq keçidləri səbəbindən yarana bilən anomal qeydlər Isolation Forest üsulu ilə müəyyən edilib.

Isolation Forest məlumatları təsadüfi bölməklə müşahidənin digər müşahidələrdən nə qədər asan ayrıldığını ölçür. Qısa ayırma yollarına malik müşahidələr daha yüksək anomaliya balı alır. Tədqiqatda qərar həddi aşağıdakı kəmiyyət əlaqəsi ilə müəyyən edilib:

\[ T=\operatorname{Quantile}_{1-\alpha}(\mathrm{score}_i),\quad i=1,2,\ldots,N \]

• T, anomaliya qərar həddidir.
• score_i, i nömrəli müşahidənin anomaliya balıdır.
• N, ümumi müşahidə sayıdır.
• α, məlumatda olduğu fərz edilən anomal müşahidə nisbətidir.

Tədqiqatçılar sahə təcrübəsinə əsaslanaraq kontaminasiya nisbətini yüzde 5 müəyyən ediblər. Avtomatik yaranan anomaliya həddi 0,53859-dur. Alqoritm 214 qeydi anomal kimi təsnif edib; bu say ümumi məlumatın təxminən yüzde 4,95 hissəsinə uyğundur. Şəkil 4-dəki histoqram hədd xəttini, t-SNE vizuallaşdırması isə anomal nümunələrin klasterlərin kənarlarında və ayrıq sahələrdə cəmləndiyini göstərir.

Müəyyən edilmiş anomaliyalar birbaşa silinməyib, spline interpolyasiyası ilə düzəldilib. Bu yanaşma məlumat davamlılığını qoruya bilər; lakin real və mühüm əməliyyat kənar halının da hamarlanması ehtimalı var. Tədqiqat düzəldilən hər qeydin sahə hadisə jurnalı ilə ayrıca doğrulanıb-doğrulanmadığını bildirmir.

Zaman qeydləri niyə halqa səviyyəsinə çevrilib?

Beş dəqiqəlik məlumatlar qısamüddətli dalğalanmaları göstərir, tunelin irəliləməsi isə fiziki olaraq halqa nömrəsi boyunca baş verir. Tədqiqatçılar eyni halqanın qazılması zamanı qeydə alınan çoxsaylı zaman nöqtələrini ortalayıb və əsas analiz vahidini halqa kimi müəyyən ediblər. Beləliklə zaman əsaslı 3.468 qeyd 271 halqa səviyyəli nümunəyə çevrilib.

Bu əməliyyat müvəqqəti sensor və istismar dalğalanmalarının təsirini azaldıb, geoloji xüsusiyyətlərlə maşın parametrlərinin eyni məkan vahidində müqayisəsini təmin edib. Digər tərəfdən halqa daxilindəki qısamüddətli kritik hadisələrin orta qiymətdə itməsi mümkündür. Model beş dəqiqəlik ani riskləri deyil, halqa boyunca orta irəliləmə sürətini proqnozlaşdırır.

Məlumatlar necə bölünüb və standartlaşdırılıb?

Halqa səviyyəli məlumat dəsti yüzde 80 təlim, yüzde 10 doğrulama və yüzde 10 test olaraq bölünüb. Nəticədə təlim dəstində 217, doğrulama dəstində 28 və test dəstində 26 halqa var. Doğrulama dəsti model tənzimlənməsi və xüsusiyyət seçimi, test dəsti isə görülməmiş nümunələrdə performans qiymətləndirilməsi üçün istifadə edilib.

Dəyişənlər fərqli fiziki vahidlərə malik olduğuna görə z-balı standartlaşdırılması tətbiq edilib:

\[ x'=\frac{x-\mu}{\sigma} \]

• x, orijinal ölçüdür.
• μ, müvafiq dəyişənin orta qiymətidir.
• σ, dəyişənin standart sapmasıdır.
• x', vahidsiz standartlaşdırılmış dəyərdir.

Standartlaşdırma, məsələn, kilopaskal ilə ifadə olunan daşıma qabiliyyəti ilə g/cm³ ilə ifadə olunan şlam sıxlığının yalnız ədədi miqyaslarına görə modelə fərqli çəkidə daxil olmasının qarşısını almağı hədəfləyir.

Mətndə yüzde 80–10–10 bölgüsünün halqa sırasına görə xronoloji və ya məkan blokları şəklində, yoxsa təsadüfi aparıldığı açıq göstərilmir. Bir-birinə qonşu halqalar oxşar torpaq və istismar şəraitinə malik ola biləcəyindən bu detal real ümumiləşdirmə performansının qiymətləndirilməsi üçün vacibdir.

TabPFN nədir və kiçik məlumatla necə işləyir?

Tabular Prior-Data Fitted Networks cədvəl formalı məlumatlar üçün əvvəlcədən təlimləndirilmiş təməl modeldir. Ənənəvi modellər hər yeni layihə məlumat dəstində çoxlu parametri sıfırdan öyrənərkən TabPFN böyük miqdarda sintetik cədvəl məlumatından əvvəlcədən öyrəndiyi nümunələri yeni məlumat dəstinə kontekst daxilində tətbiq edir.

Şəkil 2-də model etiketli təlim nümunələri ilə etiketi bilinməyən test nümunəsini eyni giriş axınında qəbul edir. İkiölçülü diqqət qatlarının bir hissəsi xüsusiyyətlər arasındakı, digər hissəsi isə nümunələr arasındakı əlaqələri emal edir. Son çoxqatlı perseptron qatı irəliləmə sürətinin nöqtə proqnozu ilə yanaşı proqnoz paylanmasını yaradır.

Tədqiqatda TabPFN-nin proqnoz məntiqi Bayes inteqrasiyası şəklində ifadə olunub:

\[ p(y\mid x,D)=\int p(y\mid x,q)\,p(q\mid D)\,dq \]

• D, təlim məlumat dəstidir.
• x, irəliləmə sürəti proqnozlaşdırılacaq yeni nümunənin xüsusiyyətləridir.
• y, proqnozlaşdırılan irəliləmə sürətidir.
• q, mümkün model parametrlərini təmsil edir.
• p(q|D), məlumatlar müşahidə edildikdən sonra model parametrləri ilə bağlı paylanmadır.
• p(y|x,q), müəyyən parametrlər altında yeni nümunənin proqnoz paylanmasıdır.

Formula tək sabit parametr dəstinə güvənmək əvəzinə mümkün parametrlər üzərində proqnozların inteqrasiyasını təsvir edir. Tədqiqatın əsas fərziyyəsi əvvəlcədən öyrənilmiş cədvəl məlumatı nümunələrinin kiçik tunel məlumat dəstində ənənəvi modellərdən daha sabit proqnoz verə bilməsidir.

TabPFN xüsusiyyət seçimi üçün necə istifadə olunub?

Başlanğıcda 36 geoloji və istismar dəyişəni olsa da yalnız 271 halqa nümunəsi var. Dəyişən sayının nümunə sayına görə yüksək olması lazımsız mürəkkəblik və qeyri-sabitlik yarada bilər. Tədqiqatçılar buna görə TabPFN-dən yalnız proqnoz modeli kimi deyil, irəli istiqamətli xüsusiyyət seçiminin qiymətləndiricisi kimi də istifadə ediblər.

Proses boş xüsusiyyət dəsti ilə başlayıb. Hər addımda seçilməmiş dəyişənlərdən biri mövcud dəstə əlavə olunub, alınan namizəd dəst beşqat çarpaz doğrulama ilə qiymətləndirilib və orta doğrulama kvadrat xətasını ən çox azaldan dəyişən saxlanılıb. Şəkil 5-də xəta ilk xüsusiyyətlərlə sürətlə azalır, 12 xüsusiyyətdən sonra isə təxminən düzləşir. Tədqiqatçılar dəqiqliklə model sadəliyini birlikdə nəzərə alaraq 12 dəyişən seçiblər.

Hansı modellər müqayisə edilib?

TabPFN LightGBM, XGBoost, CatBoost, TABM, dəstək vektor reqressiyası, təsadüfi meşə, çoxqatlı perseptron, qərar ağacı, ekstremal öyrənmə maşını, Bayes reqressiyası və qradient gücləndirmə reqressoru ilə müqayisə edilib. XGBoost, CatBoost və təsadüfi meşə kimi tənzimlənə bilən modellərdə şəbəkə axtarışı və çarpaz doğrulama istifadə olunub; TabPFN və TABM isə əvvəlcədən müəyyən edilmiş arxitekturaları ilə tətbiq edilib.

Performans aşağıdakı meyarlarla qiymətləndirilib:

• MAE: Proqnozla real dəyər arasındakı mütləq fərqlərin ortası.
• MAPE: Mütləq xətanın real dəyərə nisbətinin faizlə ortası.
• MSE: Xətaların kvadratlarının ortası; böyük xətalara daha çox çəki verir.
• RMSE: MSE-nin kvadrat köküdür və irəliləmə sürəti ilə eyni vahiddədir.
• R²: Modelin irəliləmə sürətindəki dəyişkənliyin nə qədərini izah etdiyini göstərir.

TabPFN ən yaxşı ənənəvi müqayisə modeli olan təsadüfi meşəyə nisbətən MAE-ni 0,812-dən 0,613-ə, RMSE-ni 1,068-dən 0,901-ə endirib və R² dəyərini 0,899-dan 0,960-a yüksəldib.

Lakin cədvəldə vurğulanan 0,613 MAE və 0,960 R² dəyərləri 28 doğrulama nümunəsi ilə 26 test nümunəsinin birləşdirildiyi 54 nümunə üzərindən hesablanıb. Yalnız müstəqil test dəstində MAE 0,641, MAPE yüzde 2,097, RMSE 0,903 və R² 0,956-dır. İki nəticə bir-birinə yaxın olsa da, ən sərt ümumiləşdirmə göstəricisi model tənzimləməsində istifadə olunmayan 26 nümunəlik test dəstidir.

Şəkil 6 proqnozların paylanması haqqında nə göstərir?

Təlim, doğrulama və test qrafiklərində ölçülmüş irəliləmə sürətləri ilə TabPFN proqnozları böyük ölçüdə diaqonal uyğunluq xəttinin ətrafında toplanır. Nümunələrin əksəriyyəti yüzde 95 etibar və proqnoz zolaqları daxilində qalır. Təlim R² dəyərinin 0,971, doğrulamanın 0,965 və testin 0,956 olması məlumat bölmələri arasında böyük performans çöküşünün olmadığını göstərir.

Bununla belə test dəstində yalnız 26 halqa olduğuna görə bir neçə yeni xəta performans meyarlarını əhəmiyyətli dərəcədə dəyişə bilər. Qrafiklər eyni tunel hissəsindəki uyğunluğu göstərir; başqa torpaq, maşın və ya layihədəki dəqiqliyi göstərmir.

SHAP modeli necə izah edir?

SHAP kooperativ oyun nəzəriyyəsindəki Shapley dəyərlərindən istifadə edərək hər dəyişənin proqnoza marjinal töhfəsini hesablayır. Tədqiqatda istifadə olunan əsas əlaqə belədir:

\[ \phi_i(f)=\sum_{S\subseteq N\setminus\{i\}}\frac{|S|!(|N|-|S|-1)!}{|N|!}\left[f(S\cup\{i\})-f(S)\right] \]

• φ_i(f), i nömrəli dəyişənin SHAP töhfəsidir.
• N, bütün giriş dəyişənlərinin çoxluğudur.
• S, i dəyişənini ehtiva etməyən mümkün dəyişən alt çoxluğudur.
• f(S), yalnız S çoxluğu ilə əldə edilən proqnozdur.
• f(S∪{i}), i dəyişəni əlavə edildikdən sonrakı proqnozdur.

Reqressiya modelində SHAP töhfələri proqnozun baza irəliləmə sürəti dəyərindən neçə mm/dəq yuxarı və ya aşağı daşındığını göstərir. Müsbət SHAP dəyəri proqnozlaşdırılan irəliləmə sürətini artırır; mənfi dəyər azaldır. Bu izah səbəbiyyət deyil, model davranışının izahıdır.

Qlobal SHAP nəticələrində hansı dəyişənlər önə çıxıb?

Şəkil 7-dəki orta mütləq SHAP sıralaması ən böyük töhfələrin şlam inyeksiya axın sürəti MIFR və inyeksiya şlamı sıxlığı MID-dən gəldiyini göstərir. Bunlardan sonra sürətli kəsmə koheziyası CQ, boşaldılan şlamın sıxlığı MDD, kəsici başlığın sürəti CS və konsolidasiya olunmuş koheziya CCQ gəlir. Şlam təzyiqi PS, boşaltma axın sürəti MDFR, daşıma qabiliyyəti FAO, torpaq modulu Es, çevrə sürtünməsi QIK və ümumi itələmə qüvvəsi TTF daha kiçik, lakin ölçülə bilən töhfələr verib.

Arı sürüsü qrafikində yüksək MID, MIFR və CS dəyərləri əsasən mənfi SHAP sahəsinə yönəlib. Bu model nümunəsi həddən artıq sıx və ya yüksək axınlı şlamın daşınma müqavimətini artıra biləcəyini, yüksək kəsici başlıq sürətinin isə bəzi şəraitlərdə qazıntı üzünü poza biləcəyini düşündürür. MDD, PS, MDFR və TTF-nin yüksək dəyərləri isə ümumilikdə müsbət istiqamətli töhfələr göstərib.

Geoloji dəyişənlərdə yüksək Es, FAO və QIK əsasən müsbət töhfə verib, CCQ artdıqca irəliləmə sürətinə töhfə azalıb. CQ isə birtərəfli davranmayıb, fərqli aralıqlarda həm müsbət, həm də mənfi töhfələr göstərib.

Yüksək irəliləmə sürətli nümunə necə izah olunub?

Şəkil 8-də araşdırılan 5 nömrəli nümunənin proqnozlaşdırılan irəliləmə sürəti 37,131 mm/dəq, modelin baza dəyəri isə 31,841 mm/dəq-dir. Ən güclü müsbət töhfələr aşağı koheziya dəyərlərindən gəlib:

• CQ = 2,947 kPa üçün SHAP töhfəsi +1,04 mm/dəq-dir.
• CCQ = 2,724 kPa üçün töhfə +0,83 mm/dəq-dir.
• MID = 1,218 g/cm³ üçün töhfə +0,65 mm/dəq-dir.
• MDD = 1,283 g/cm³ üçün töhfə +0,54 mm/dəq-dir.
• Es = 11,373 MPa üçün töhfə +0,48 mm/dəq-dir.

Bu nümunədə FAO 241,338 kPa, QIK 57,257 kPa və ümumi itələmə qüvvəsi 161.603,583 kN-dur. Tədqiqatçılar aşağı koheziya, yüksək torpaq sabitliyi, nisbətən aşağı inyeksiya sıxlığı və balanslı mexaniki istismarın birlikdə yüksək irəliləmə sürətini dəstəklədiyini şərh ediblər.

Aşağı irəliləmə sürətli nümunə necə izah olunub?

Şəkil 9-dakı 10 nömrəli nümunənin proqnozu 22,299 mm/dəq-dir. Modelin 31,841 mm/dəq baza dəyərindən enməsində əsas mənfi töhfələr bunlardır:

• MIFR = 44,77 m³/saat üçün −2,97 mm/dəq.
• CS = 1,224 dövr/dəq üçün −2,12 mm/dəq.
• MID = 1,266 g/cm³ üçün −2,05 mm/dəq.
• PS = 5,097 MPa üçün −1,80 mm/dəq.
• QIK = 51,448 kPa üçün −0,68 mm/dəq.
• FAO = 153,393 kPa üçün −0,64 mm/dəq.

Nümunədə nisbətən yüksək şlam inyeksiya axın sürəti və sıxlığı, yüksək kəsici başlıq sürəti, aşağı təzyiq və aşağı daşıma qabiliyyəti birlikdə mənfi struktur yaradıb. Bu nəticə kəsici başlığın sürətini və ya axını təkbaşına artırmağın zəif torpaq və qeyri-kafi dövriyyə şəraitini kompensasiya etmədiyini göstərir.

Ümumiləşdirilmiş əlavəli model niyə istifadə olunub?

SHAP dəyişənlərin proqnoza töhfəsini göstərərkən, tədqiqatçılar geoloji dəyişənlərin irəliləmə sürəti ilə qeyri-xətti əlaqələrini daha aydın görmək üçün ümumiləşdirilmiş əlavəli modellərdən istifadə ediblər. GAM-ın əsas forması belədir:

\[ g(E(Y))=\beta_0+\sum_{j=1}^{p}f_j(X_j) \]

• Y, irəliləmə sürətidir.
• g, əlaqə funksiyasıdır.
• β₀, sabit termindir.
• f_j, hər geoloji dəyişən üçün çevik hamarlama funksiyasıdır.
• X_j, müvafiq geoloji dəyişəndir.

Model uyğunluğu aşağıdakı R² əlaqəsi ilə qiymətləndirilib:

\[ R^2=1-\frac{SS_{res}}{SS_{tot}} \]

SS_res qalıq kvadratlar cəmini, SS_tot ümumi kvadratlar cəmini göstərir. R² vahidsizdir və 1-ə yaxınlaşdıqca əyrinin müşahidə olunan dəyişkənliyin daha böyük hissəsini izah etdiyini bildirir.

Geoloji dəyişənlərdə hansı hədlər tapılıb?

CQ-dakı W formalı əyri xüsusilə vacibdir. Koheziyanın yalnız “nə qədər aşağıdırsa, bir o qədər yaxşıdır” şəklində şərh oluna bilməyəcəyini göstərir. Tədqiqatçıların izahına görə orta səviyyəli koheziya uyğun filtr keki yaranmasına kömək edə bilər, çox yüksək koheziya isə kəsici başlıqda palçıq keki, kəsmə müqaviməti və daşınma çətinliyi yarada bilər.

Bu hədlər yalnız araşdırılan məlumat intervalında müşahidə olunan model əlaqələridir. Əyrilər az sayda halqa nümunəsinə əsaslandığından dəqiq fiziki sabit və ya bütün tunellərə tətbiq edilən layihə həddi kimi qəbul edilməməlidir.

Geologiya ilə maşın parametrləri necə qarşılıqlı təsir göstərib?

Şəkil 11–13 tək dəyişənlərdən daha çox dəyişən cütlərinin birlikdə necə davrandığını göstərir:

• Es–CCQ: Es 11 MPa-dan yuxarı və CCQ 6 kPa-dan aşağı olduqda töhfələr əsasən müsbət olub. Es 9 MPa-dan aşağı və CCQ 10 kPa-dan yuxarı olduqda müsbət töhfə zəifləyib.
• FAO–QIK: FAO 160 kPa və QIK 53 kPa-dan aşağı olduqda töhfələr mənfidir. FAO-nun təxminən 190–210 kPa olduğu balanslı şəraitdə daha yüksək müsbət töhfələr müşahidə olunub.
• CS–Es: CS 1,20 dövr/dəq-dən yuxarı və Es 10,5 MPa-dan yuxarı olduqda SHAP dəyərləri təxminən −1,5 ilə −2,1-ə enib. CS-nin 1,10–1,15 dövr/dəq aralığı daha sabit görünür.
• MID–CQ: MID 1,18–1,22 g/cm³ və CQ 8 kPa-dan aşağı olduqda müsbət töhfələr müşahidə olunub. MID 1,26–1,28 g/cm³ və CQ 10 kPa-dan yuxarı olduqda töhfə təxminən −2-yə qədər enib.
• TTF–FAO: FAO 180 kPa-dan aşağı və TTF 110.000–130.000 kN aralığında töhfələr mənfi qalıb. FAO 220 kPa-dan yuxarı və TTF 150.000 kN-dan yuxarı olduqda müsbət töhfələr müşahidə olunub.
• MID–CS: MID 1,20–1,23 g/cm³ və CS 1,12–1,16 dövr/dəq aralığı müsbət; yüksək MID ilə 1,20 dövr/dəq-dən yuxarı CS birləşməsi mənfi olub.
• MID–MDD: MID 1,20–1,22 və MDD təxminən 1,27–1,29 g/cm³ olduqda daşınma şəraiti daha müsbət görünür.
• TTF–PS: TTF 150.000 kN-dan yuxarı və PS təxminən 5,8–6,2 MPa olduqda müsbət töhfələr artıb.

Bu qarşılıqlı təsirlər modelin “itələmə qüvvəsini artır”, “kəsici başlığı sürətləndir” və ya “şlam sıxlığını azalt” kimi kontekstdən asılı olmayan qaydalar yaratmadığını göstərir. Eyni tənzimləmə fərqli daşıma qabiliyyəti və ya koheziya şəraitində əks nəticə verə bilər.

İnsan–süni intellekt birgə qərar çərçivəsi necə işləyir?

Şəkil 14-də təklif olunan proses beş qərar sahəsinə bölünüb:

1. Geoloji pəncərənin müəyyənləşdirilməsi və dinamik zonalaşdırma
2. Ümumi itələmə qüvvəsinin daşıma qabiliyyəti ilə uyğunlaşdırılması
3. Kəsici başlıq sürəti ilə şlam reologiyasının birlikdə tənzimlənməsi
4. Şlam dövriyyəsinin sıxlıq və axın sürəti ilə idarə olunması
5. Qazıntı materialının boşaldılması ilə şlam dövriyyəsinin koordinasiyası

Süni intellekt modeli proqnozlaşdırılan irəliləmə sürətini və bu proqnoza hansı dəyişənlərin nə qədər töhfə verdiyini təqdim edir. Mühəndis isə model tövsiyəsini sahə müşahidələri, səth sabitliyi, fırlanma momenti, vibrasiya, temperatur, xətt təzyiqi, maşın dayanması və təhlükəsizlik tələbləri ilə müqayisə edir. Son parametr dəyişikliyini mühəndis həyata keçirir.

Bu quruluş avtomatik idarəetmə sistemindən çox izah edilə bilən qərar dəstək vasitəsidir. Tədqiqat tövsiyələrin real vaxtlı qapalı dövr idarəetmədə tətbiq olunub nəticələrinin müqayisə edildiyi sahə sınağı təqdim etmir.

Tədqiqatın dəstəklədiyi nəticələr hansılardır?

• TabPFN bu tək tunelin 271 halqa səviyyəli kiçik məlumat dəstində müqayisə olunan modellərdən daha aşağı xəta yaradıb.
• TabPFN əsaslı irəli istiqamətli seçim 36 dəyişəni proqnoz xətasını böyük ölçüdə qoruyaraq 12 dəyişənə endirib.
• İrəliləmə sürəti geoloji və istismar dəyişənlərinin birgə təsiri ilə proqnozlaşdırılıb.
• Şlam inyeksiyası, kəsici başlıq və boşaltma sistemləri model proqnozlarında mühüm rol oynayıb.
• SHAP həm ümumi dəyişən əhəmiyyətini, həm də ayrı-ayrı halqa proqnozlarının formalaşmasını izah edə bilib.
• GAM və SHAP asılılıq analizləri araşdırılan layihə daxilində qeyri-xətti hədlər və dəyişən qarşılıqlı təsirləri göstərib.

Tədqiqat nəyi sübut etmir?

• TabPFN-nin bütün tunel layihələrində digər modellərdən üstün olduğunu sübut etmir.
• Model başqa tunel, ölkə, maşın və ya geoloji mühitdə xarici olaraq doğrulanmayıb.
• SHAP töhfələri dəyişənlər arasında səbəb-nəticə əlaqəsinin sübutu deyil.
• Təklif olunan parametr aralıqlarının təhlükəsizliyi perspektiv nəzarətli sahə sınağı ilə göstərilməyib.
• Model qəfil qazıntı üzü çökməsi, seqment zədəsi və ya avadanlıq nasazlığı üçün müstəqil təhlükəsizlik sistemi deyil.
• Halqa ortası halqa daxilindəki qısamüddətli kritik hadisələrin uğurla proqnozlaşdırıldığını göstərmir.
• Tədqiqatdakı ədədi hədlər Türkiyədəki layihələrə və ya başqa qalxan maşınlarına birbaşa köçürülə bilməz.

Tədqiqatın Metodu və Nəticələri

Texniki metod xülasəsi

TabPFN-nin məlumat bölmələrində performansı

Tədqiqatda təklif olunan layihədaxili idarəetmə zonaları

Şlam və boşaltma sistemi üçün təklif olunan əlaqələr

• Kəsici başlığın sürəti ümumilikdə təxminən 1,10–1,15 dövr/dəq aralığında balanslaşdırılıb.
• Qumlu laylarda MID üçün 1,22–1,25 g/cm³ aralığı tövsiyə olunub.
• Yüksək koheziyalı laylarda MID üçün 1,20–1,23 g/cm³ aralığı və uyğun MIFR artımı tövsiyə olunub.
• CQ 8 kPa-dan yuxarı olduqda MID-nin nisbətən aşağı saxlanmalı olduğu bildirilib.
• MDD ilə MID arasındakı sıxlıq fərqi üçün təxminən 0,05–0,08 g/cm³ aralığı tövsiyə olunub.
• İtələmə qüvvəsi artırılmadan əvvəl boşaltma axın sürətinin, şlam təzyiqinin və dövriyyə qabiliyyətinin yoxlanmalı olduğu müdafiə edilib.

Bu dəyərlər təhlükəsizlik standartı və ya istehsalçı istismar təlimatı deyil. Tədqiqatçılar da hədlərin araşdırılan tunelin geologiyası, maşın konfiqurasiyası və istismar vərdişlərindən çıxarıldığını; fərqli layihələrdə yenidən kalibrlənməli olduğunu açıq şəkildə bildiriblər.

Tədqiqatın əsas güclü tərəfləri

• Laboratoriya və ya sintetik məlumat əvəzinə real ultra böyük diametrli qalxan layihəsinin sahə qeydlərindən istifadə olunub.
• Erkən mərhələdə kiçik məlumat problemi açıq şəkildə hədəflənib.
• Kənar dəyər aşkarlanması, xüsusiyyət seçimi, proqnoz, izah və mühəndislik şərhi vahid axında birləşdirilib.
• TabPFN çoxsaylı ənənəvi və dərin öyrənmə modeli ilə eyni məlumat üzərində müqayisə olunub.
• Qlobal SHAP-la yanaşı ayrı halqa izahları və dəyişən qarşılıqlı təsirləri qiymətləndirilib.
• Məlumat və analiz kodunun paylaşılması yenidən araşdırma imkanını artırır.
• Süni intellektə son idarəetmə səlahiyyəti verməyən, insan nəzarətli qərar çərçivəsi təklif olunub.

Tədqiqatın əsas məhdudiyyətləri

• Bütün nümunələr tək tunelin ilk 271 halqasından gəlir.
• Müstəqil başqa tunel və ya maşında xarici doğrulama aparılmayıb.
• Test dəsti yalnız 26 halqadan ibarətdir.
• Məlumat bölgüsünün halqa sırasını qoruyub-qorumadığı açıqlanmayıb.
• Qonşu halqalar arasındakı məkan asılılığının performansa təsiri ayrıca ölçülməyib.
• Isolation Forest kontaminasiya nisbəti əvvəlcədən yüzde 5 təyin olunub.
• Interpolyasiya ilə düzəldilən kənar dəyərlərin real sahə hadisələrini təmsil edib-etmədiyi göstərilməyib.
• Halqa səviyyəli ortalamalar qısamüddətli kritik davranışları gizlədə bilər.
• SHAP və GAM nəticələri müşahidə əsaslı model əlaqələridir; səbəb-nəticə eksperimenti deyil.
• Təklif olunan idarəetmə strategiyaları perspektiv qapalı dövr sahə sınağı ilə sınanmayıb.
• Tədqiqat resenziyadan keçməyib.

Mənbə və Metod Qeydi

Tədqiqatın tam orijinal adı: Interpretable Early-Stage Advance Rate Prediction and Human–AI Collaborative Decision Support for Ultra-Large-Diameter Slurry Shield Tunnelling Using TabPFN-SHAP

Müəlliflər: Chenlong Yue, Jian Zhang, Tugen Feng və Bin Zheng.

Müəllif sıralaması: Chenlong Yue birinci, Jian Zhang ikinci, Tugen Feng üçüncü və Bin Zheng dördüncü müəllifdir.

Bərabər töhfə məlumatı: Yüklənmiş versiyada bərabər töhfə verən müəllif məlumatı yoxdur.

Məsul müəllif: Jian Zhang. Tədqiqatda əlaqə ünvanı 241604010106@hhu.edu.cn kimi verilib.

Qurum əlaqələri:

1. Key Laboratory of Ministry of Education for Geomechanics and Embankment Engineering, Hohai University, Nanjing, Çin.
2. School of Civil Engineering and Surveying & Mapping Engineering, Jiangxi University of Science and Technology, Ganzhou, Çin.

DOI:10.2139/ssrn.7030777

Nəşr platforması: SSRN.

Rəsmi qeyd keçidi:SSRN tədqiqat səhifəsi

Məlumat və kod keçidi:TabPFN-Based-Advance-Rate-Prediction GitHub deposu

Nəşr ili: 2026. Rəsmi SSRN səhifəsindəki dəqiq yükləmə tarixi bu araşdırma zamanı ayrıca doğrulana bilməyib.

Jurnal: Resenziyalı jurnala qəbul və ya dərc məlumatı doğrulana bilməyib.

Orijinal nəşriyyat: Son resenziyalı nəşr üçün nəşriyyat məlumatı yoxdur.

Mənbə növü: Real sahə məlumatına əsaslanan maşın öyrənməsi modelinin hazırlanması, müqayisəsi və izah edilə bilən mühəndis qərar dəstəyi tədqiqatı; preprint.

Resenziya statusu: Bu tədqiqat resenziyadan keçməmiş preprintdir; nəticələr bu məhdudiyyət nəzərə alınaraq oxunmalıdır.

Maliyyələşdirmə: Tədqiqat Çin Milli Təbiət Elmləri Fondu, Mərkəzi Universitetlər Əsas Tədqiqat Fondları, yüksək səviyyəli tədqiqatçı fondları, Jiangxi Əyaləti böyük elm və texnologiya proqramı, dərin yeraltı mühəndislik milli proqramı və dağlıq ərazilərdə inşaat mühəndisliyi təhlükəsizliyi laboratoriyasının fondları ilə dəstəklənib.

Maraqlar toqquşması: Müəlliflər məlum maliyyə maraqları toqquşması və ya tədqiqata təsir edə biləcək şəxsi münasibət bildirməyiblər.

Bu Azərbaycan dilində məqalə yüklənmiş 43 səhifəlik tədqiqat; formullar, cədvəllər, qrafiklər, geoloji paylanmalar, SHAP vizualları və mühəndis qərar sxemləri araşdırılaraq hazırlanıb. Tədqiqatda olmayan yeni eksperimental nəticə, sahə uğuru və ya təhlükəsizlik zəmanəti əlavə edilməyib. Xarici mənbələr yalnız DOI, rəsmi SSRN qeydi və tədqiqatda bildirilən məlumat-kod deposunun doğrulanması məqsədilə istifadə olunub.

TabPFN üçün bildirilən yüksək dəqiqlik tək layihə daxilindəki kiçik məlumat dəstinə aiddir. Başqa tunellərə tətbiqdən əvvəl müstəqil xarici doğrulama, halqa sırasını qoruyan zaman-məkan əsaslı test, sensor və vahid standartlaşdırılması, yerli torpaq kalibrlənməsi və perspektiv sahə qiymətləndirməsi tələb olunur. Tədqiqatdakı ədədi parametr aralıqları universal tunel istismar hədləri və ya avtomatik idarəetmə komandaları kimi qəbul edilməməlidir.