Бул изилдөө ультра чоң диаметрдүү шламдык калкан туннель казуучу машинанын эрте казуу этабындагы илгерилөө ылдамдыгын болгону 271 шакек деңгээлиндеги байкоо менен болжолдоо үчүн Tabular Prior-Data Fitted Networks (TabPFN) жана SHapley Additive exPlanations (SHAP) ыкмаларын бириктирген. Jiangyin–Jingjiang Yangtze дарыясы туннелинин 1–271 номердүү шакектеринен алынган геологиялык жана эксплуатациялык маалыматтар колдонулуп, баштапкы 36 өзгөрмөдөн 12 өкүлчүлүктүү өзгөрмө тандалган жана жалпысынан 12 болжолдоо модели салыштырылган. TabPFN бириктирилген текшерүү жана тест үлгүлөрүндө 0,613 mm/мүн орточо абсолюттук ката, yüzde 2,080 орточо абсолюттук пайыздык ката, 0,901 mm/мүн орточо квадраттык катанын тамыры жана 0,960 R² көрсөткүчү менен эң ийгиликтүү модель болгон. Ошол эле учурда изилдөө бир эле туннелден, болгону 271 шакектен жана 54 текшерүү-тест үлгүсүнөн алынган рецензияга чейинки жыйынтыктарга таянат; модель башка туннель долбоорунда тышкы түрдө текшерилген эмес.

SHAP анализдери модель илгерилөө ылдамдыгын болжолдоодо эң көп шлам инъекциясынын агым ылдамдыгы жана тыгыздыгына таянарын; кесүүчү баштын ылдамдыгы, чыгарылган шламдын тыгыздыгы, казылган материалды чыгаруу агымы жана жалпы түртүү күчү да маанилүү салым кошорун көрсөткөн. Жалпыланган кошумчалоочу моделдер топурактын кысылуу модулу, когезия, көтөрүмдүүлүк жана каптал сүрүлүүсү менен илгерилөө ылдамдыгынын ортосунда сызыктуу эмес босоголор бар экенин ачып берген. Изилдөөчүлөр бул байланыштарды геологиялык зоналаштыруу, түртүү күчүн жөндөө, кесүүчү баш–шлам шайкештештирүү жана чыгаруу мүмкүнчүлүгүн башкарууга багытталган адам көзөмөлүндөгү чечим сунуштарына айландырышкан.

Изилдөө сунуштаган система толук автоматтык туннель башкаруусу эмес. Жасалма интеллект модели илгерилөө ылдамдыгынын болжолун жана өзгөрмөлөрдүн салымдарын сунуштайт, ал эми талаа инженерлери жер шарттарын, машинанын жүрүм-турумун, коопсуздук чектерин жана курулуш тажрыйбасын баалап, акыркы чечимди кабыл алат деп каралган. Бул айырмачылык маанилүү; SHAP маанилери модель маалыматтардын ичинен үйрөнгөн байланыштарды түшүндүрөт, белгилүү бир параметрдин өзгөртүлүшү талаада сөзсүз жана себептик натыйжа жаратарын далилдебейт.

Түркия үчүн: TabPFN-SHAP ыкмасы Түркияда жүргүзүлүп жаткан чоң диаметрдүү калкан туннель долбоорлорунда казуунун алгачкы этаптарынан тартып чектелген маалымат менен илгерилөө ылдамдыгын болжолдоо, сенсор маалыматтарынын сапатын көзөмөлдөө жана инженер колдогон параметр баалоосу үчүн изилдениши мүмкүн. Колдонуудан мурун модель Түркиядагы ар кандай топурактар, машина диаметрлери, шлам системалары, сенсор инфраструктуралары жана эксплуатациялык жол-жоболор менен кайра үйрөтүлүшү же калибрлениши керек. Маалыматты бөлүү ыкмасы шакектердин ыраатын сактагандай текшерилип, модель көз карандысыз түрк туннелинде келечекке багытталган түрдө текшерилиши зарыл. Изилдөөдөгү түртүү, ылдамдык, тыгыздык жана басым босоголору Jiangyin–Jingjiang туннелине гана тиешелүү; алар Түркия үчүн түздөн-түз коопсуз эксплуатация чеги катары колдонулбайт.

Изилдөөнүн негизги көйгөйү эмне?

Калкан туннель казуучу машиналарда илгерилөө ылдамдыгы курулуш мөөнөтүнө, чыгымга жана эксплуатациялык коопсуздукка түз таасир эткен негизги өндүрүмдүүлүк көрсөткүчтөрүнүн бири. Бирок илгерилөө ылдамдыгы машинанын кубатына гана көз каранды эмес. Топурактын бекемдиги, когезия, көтөрүмдүүлүк, кесүүчү баштын айлануу ылдамдыгы, түртүү күчү, шламдын тыгыздыгы, айлануу агымы жана казылган материалды чыгаруу мүмкүнчүлүгү бирге таасир берет.

Бул татаалдык чопо жана кум сыяктуу ар башка катмарлар бир эле казуу бетинде кездешкен аралаш грунттарда дагы даана байкалат. Бир параметрди өзүнчө жогорулатуу дайыма ылдамыраак илгерилөөгө алып келбейт. Мисалы, кесүүчү баштын ылдамдыгын көбөйтүү айрым шарттарда кесүү мүмкүнчүлүгүн арттырса, башка шарттарда беттин бузулушун, сүрүлүүнү, майда бөлүкчөлөрдүн пайда болушун жана шлам ташуу каршылыгын көбөйтүшү мүмкүн.

Изилдөө көздөгөн негизги боштук — казуунун эрте мезгилинде жетиштүү маалыматтын жоктугу. Салттуу машиналык үйрөнүү жана терең үйрөнүү моделдери көбүнчө узак мөөнөттүү казуудан чогултулган чоң маалымат топтомдорун талап кылат. Ал эми инженерлер машина параметрлерин жөндөөгө эң көп муктаж болгон учурлардын бири — болгону бир нече жүз шакек маалыматы болгон баштапкы этап.

Изилденген туннель жана машина кандай өзгөчөлүктөргө ээ?

Изилдөө Кытайдагы Jiangyin–Jingjiang Yangtze дарыясы туннелинин калкан менен казылган бөлүгүнө негизделген. Долбоордо казуу диаметри 16,03 метр болгон шлам менен тең салмакталган калкан машинасы колдонулган. Туннель каптамасынын тышкы диаметри 15,5 метр, ички диаметри 14,2 метр жана сегмент калыңдыгы 650 миллиметр.

Казуу бети Төртүнчүлүк чөкмөлөрдүн ичинде жылып, чополуу топурактар менен кумдуу топурактардын өзгөрмө катыштагы айкалышынан турат. Жогорку бөлүктөрдө жалпысынан ылайлуу чопо, ылай жана ылайлуу кум; төмөнкү бөлүктөрдө болсо тыгызыраак жана өткөрүмдүү майда же орто кум катмарлары бар. Бир нече катмар бир эле казуу бетинде болгондуктан, ар бир шакектин геологиялык өзгөрмөлөрү катмарлардын казуу бетиндеги аянттык үлүштөрүнө жараша салмактуу орточо менен эсептелген.

3-сүрөттө катмарлардын үлүшү 1. шакектен 271. шакекке чейин үзгүлтүксүз өзгөргөнү көрүнөт. Бул өзгөрүү беттин туруктуулугу, шлам тең салмагы, кесүү каршылыгы жана чыгаруу шарттары казуу боюнча туруктуу эместигин көрсөтөт. Демек модель чечүүгө тийиш болгон маселе жөн гана ылдамдыкты болжолдоо эмес, тынымсыз өзгөргөн грунт–машина шайкештигин үйрөнүү.

Чийки маалыматтар кантип тазаланган?

Чийки машина жазуулары беш мүнөттүк убакыт аралыгы менен катталган. Кайталанган маанилер жана машина иштебеген токтоп туруу мезгилдери алынып салынгандан кийин 3.468 жарактуу убакыт чекити калган. Сенсор каталары, кыска мөөнөттүү кубат секириктери, механикалык термелүүлөр жана грунт өтүүлөрүнөн жаралышы мүмкүн болгон аномалдуу жазуулар Isolation Forest ыкмасы менен аныкталган.

Isolation Forest маалыматтарды туш келди бөлүп, бир байкоону башка байкоолордон канчалык оңой ажыратууга болорун өлчөйт. Кыска ажыратуу жолдору бар байкоолор жогорку аномалия упайын алат. Изилдөөдө чечим босогосу төмөнкү сандык байланыш менен аныкталган:

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

• T, аномалия боюнча чечим босогосу.
• score_i, i номердүү байкоонун аномалия упайы.
• N, жалпы байкоолордун саны.
• α, маалыматта бар деп божомолдонгон аномалдуу байкоолордун үлүшү.

Изилдөөчүлөр талаа тажрыйбасына таянып контаминация деңгээлин yüzde 5 деп белгилешкен. Автоматтык пайда болгон аномалия босогосу 0,53859. Алгоритм 214 жазууну аномалдуу деп классификациялаган; бул жалпы маалыматтын болжол менен yüzde 4,95 бөлүгүнө туура келет. 4-сүрөттөгү гистограмма босого сызыгын, t-SNE визуалдаштыруусу болсо аномалдуу үлгүлөр кластерлердин четинде жана обочолонгон аймактарда топтолгонун көрсөтөт.

Аныкталган аномалиялар түздөн-түз өчүрүлбөй, spline интерполяциясы менен оңдолгон. Бул ыкма маалыматтын үзгүлтүксүздүгүн сакташы мүмкүн; бирок чыныгы жана маанилүү эксплуатациялык четки учурду да жумшартып салуу коркунучу бар. Изилдөө оңдолгон ар бир жазуу талаадагы окуялар журналы менен өзүнчө текшерилген-текшерилбегенин айтпайт.

Убакыт жазуулары эмне үчүн шакек деңгээлине айландырылган?

Беш мүнөттүк маалыматтар кыска мөөнөттүү термелүүлөрдү көрсөтсө, туннелдин илгерилөөсү физикалык жактан шакек номери боюнча жүрөт. Изилдөөчүлөр бир шакекти казуу учурунда катталган көптөгөн убакыт чекиттерин орточолоп, негизги талдоо бирдигин шакек деп аныкташкан. Ошентип убакыт негизиндеги 3.468 жазуу 271 шакек деңгээлиндеги үлгүгө айландырылган.

Бул иш убактылуу сенсор жана эксплуатациялык термелүүлөрдүн таасирин азайтып, геологиялык касиеттер менен машина параметрлерин бир эле мейкиндик бирдигинде салыштырууга шарт түзгөн. Бирок шакек ичиндеги кыска мөөнөттүү критикалык окуялар орточо маанинин ичинде жоголушу мүмкүн. Модель беш мүнөттүк күтүүсүз коркунучтарды эмес, шакек боюнча орточо илгерилөө ылдамдыгын болжолдойт.

Маалыматтар кантип бөлүнүп, стандартташтырылган?

Шакек деңгээлиндеги маалымат топтому yüzde 80 окутуу, yüzde 10 текшерүү жана yüzde 10 тест болуп бөлүнгөн. Натыйжада окутуу топтомунда 217, текшерүү топтомунда 28 жана тест топтомунда 26 шакек бар. Текшерүү топтому моделди жөндөө жана өзгөчөлүк тандоо, тест топтому болсо мурда көрүлбөгөн үлгүлөрдө өндүрүмдүүлүктү баалоо үчүн колдонулган.

Өзгөрмөлөр ар башка физикалык бирдиктерге ээ болгондуктан z-упай стандартташтыруусу колдонулган:

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

• x, баштапкы өлчөм.
• μ, тиешелүү өзгөрмөнүн орточо мааниси.
• σ, өзгөрмөнүн стандарттык четтөөсү.
• x', бирдиксиз стандартташтырылган маани.

Стандартташтыруу, мисалы, килопаскаль менен берилген көтөрүмдүүлүк менен g/cm³ менен берилген шлам тыгыздыгы сандык масштабынан улам эле моделге ар башка салмакта кирип кетишин алдын алууну көздөйт.

Текстте yüzde 80–10–10 бөлүү шакек ирети боюнча хронологиялык же мейкиндик блоктору түрүндөбү, же туш келди жасалганбы, так айтылган эмес. Коңшу шакектер окшош грунт жана эксплуатация шарттарына ээ болушу мүмкүн болгондуктан, бул детал чыныгы жалпылоо жөндөмүн баалоодо маанилүү.

TabPFN деген эмне жана кичине маалымат менен кантип иштейт?

Tabular Prior-Data Fitted Networks — таблица түрүндөгү маалыматтар үчүн алдын ала үйрөтүлгөн негизги модель. Салттуу моделдер ар бир жаңы долбоордун маалымат топтомунда көптөгөн параметрлерди башынан үйрөнсө, TabPFN чоң көлөмдөгү синтетикалык таблицалык маалыматтардан алдын ала үйрөнгөн үлгүлөрүн жаңы маалымат топтомуна контекст ичинде колдонот.

2-сүрөттө модель этикеткаланган окутуу үлгүлөрү менен этикеткасы белгисиз тест үлгүсүн бир эле киргизүү агымында кабыл алат. Эки өлчөмдүү көңүл буруу катмарларынын бир бөлүгү өзгөчөлүктөр ортосундагы, экинчи бөлүгү үлгүлөр ортосундагы байланыштарды иштетет. Акыркы көп катмарлуу перцептрон катмары илгерилөө ылдамдыгынын чекиттик болжолу менен бирге болжолдоо бөлүштүрүлүшүн берет.

Изилдөөдө TabPFNнин болжолдоо логикасы Bayes интеграциясы түрүндө берилген:

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

• D, окутуу маалымат топтому.
• x, илгерилөө ылдамдыгы болжолдончу жаңы үлгүнүн өзгөчөлүктөрү.
• y, болжолдонгон илгерилөө ылдамдыгы.
• q, мүмкүн болгон модель параметрлерин билдирет.
• p(q|D), маалыматтар байкалгандан кийинки модель параметрлеринин бөлүштүрүлүшү.
• p(y|x,q), белгилүү параметрлер шартындагы жаңы үлгүнүн болжолдоо бөлүштүрүлүшү.

Формула бир эле туруктуу параметр топтомуна ишенүүнүн ордуна мүмкүн болгон параметрлер боюнча болжолдорду интеграциялоону түшүндүрөт. Изилдөөнүн негизги божомолу — алдын ала үйрөнүлгөн таблицалык маалымат үлгүлөрү кичине туннель маалымат топтомунда салттуу моделдерге караганда туруктуураак болжол бере алат.

TabPFN өзгөчөлүк тандоо үчүн кантип колдонулган?

Башында 36 геологиялык жана эксплуатациялык өзгөрмө болсо да, болгону 271 шакек үлгүсү бар. Өзгөрмөлөрдүн саны үлгүлөргө салыштырмалуу көп болушу ашыкча татаалдык жана туруксуздук жаратышы мүмкүн. Ошондуктан изилдөөчүлөр TabPFNни болжол модели катары гана эмес, алдыга багытталган өзгөчөлүк тандоонун баалоочусу катары да колдонушкан.

Процесс бош өзгөчөлүк топтому менен башталган. Ар бир кадамда тандала элек өзгөрмөлөрдүн бири учурдагы топтомго кошулуп, алынган талапкер топтом беш катмарлуу кайчылаш текшерүү менен бааланып, орточо текшерүү квадраттык катасын эң көп азайткан өзгөрмө калтырылган. 5-сүрөттө ката алгачкы өзгөчөлүктөр менен тез төмөндөп, 12 өзгөчөлүктөн кийин болжол менен түздөлөт. Изилдөөчүлөр тактык менен моделдин жөнөкөйлүгүн бирге эске алып 12 өзгөрмө тандашкан.

Кайсы моделдер салыштырылган?

TabPFN LightGBM, XGBoost, CatBoost, TABM, колдоо вектордук регрессиясы, туш келди токой, көп катмарлуу перцептрон, чечим дарагы, экстремалдык үйрөнүү машинасы, Bayes регрессиясы жана градиент күчөтүү регрессору менен салыштырылган. XGBoost, CatBoost жана туш келди токой сыяктуу жөндөлүүчү моделдерде торчо издөө жана кайчылаш текшерүү колдонулган; TabPFN жана TABM болсо алдын ала белгиленген архитектуралары менен пайдаланылган.

Өндүрүмдүүлүк төмөнкү көрсөткүчтөр менен бааланган:

• MAE: Болжол менен чыныгы маанинин абсолюттук айырмаларынын орточосу.
• MAPE: Абсолюттук катанын чыныгы мааниге катышынын пайыздык орточосу.
• MSE: Каталардын квадраттарынын орточосу; чоң каталарга көбүрөөк салмак берет.
• RMSE: MSEнин квадрат тамыры жана илгерилөө ылдамдыгы менен бирдей бирдикте.
• R²: Модель илгерилөө ылдамдыгындагы өзгөрмөлүүлүктүн канча бөлүгүн түшүндүрөрүн көрсөтөт.

TabPFN эң жакшы салттуу салыштыруу модели болгон туш келди токойго салыштырмалуу MAEни 0,812 маанисинен 0,613 маанисине, RMSEни 1,068 маанисинен 0,901 маанисине түшүрүп, R² маанисин 0,899 маанисинен 0,960 маанисине көтөргөн.

Бирок таблицада белгиленген 0,613 MAE жана 0,960 R² маанилери 28 текшерүү үлгүсү менен 26 тест үлгүсү бириктирилген 54 үлгү боюнча эсептелген. Көз карандысыз тест топтомунда гана MAE 0,641, MAPE yüzde 2,097, RMSE 0,903 жана R² 0,956. Эки жыйынтык бири-бирине жакын болгону менен, эң катуу жалпылоо көрсөткүчү — моделди жөндөөдө колдонулбаган 26 үлгүлүү тест топтому.

6-сүрөт болжолдордун бөлүштүрүлүшү жөнүндө эмнени көрсөтөт?

Окутуу, текшерүү жана тест графиктеринде өлчөнгөн илгерилөө ылдамдыктары менен TabPFN болжолдору негизинен диагоналдык шайкештик сызыгынын айланасында топтолгон. Үлгүлөрдүн көбү yüzde 95 ишеним жана болжолдоо тилкелеринин ичинде калган. Окутуу R² маанисинин 0,971, текшерүүнүкүнүн 0,965 жана тесттикинин 0,956 болушу маалымат бөлүктөрүнүн ортосунда чоң өндүрүмдүүлүк төмөндөөсү жок экенин көрсөтөт.

Ошол эле учурда тест топтомунда болгону 26 шакек болгондуктан бир нече жаңы ката көрсөткүчтөрдү олуттуу өзгөртүшү мүмкүн. Графиктер бир эле туннель участогундагы шайкештикти көрсөтөт; башка грунт, машина же долбоордогу тактыкты көрсөтпөйт.

SHAP моделди кантип түшүндүрөт?

SHAP кооперативдик оюн теориясындагы Shapley маанилерин колдонуп, ар бир өзгөрмөнүн болжолго кошкон маржиналдык салымын эсептейт. Изилдөөдө колдонулган негизги байланыш:

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

• φ_i(f), i номердүү өзгөрмөнүн SHAP салымы.
• N, бардык киргизүү өзгөрмөлөрүнүн топтому.
• S, i өзгөрмөсүн камтыбаган мүмкүн болгон өзгөрмөлөрдүн ички топтому.
• f(S), S топтому менен гана алынган болжол.
• f(S∪{i}), i өзгөрмөсү кошулгандан кийинки болжол.

Регрессия моделинде SHAP салымдары болжол базалык илгерилөө ылдамдыгынан канча mm/мүн жогору же төмөн жылганын көрсөтөт. Оң SHAP мааниси болжолдонгон илгерилөө ылдамдыгын жогорулатат; терс мааниси төмөндөтөт. Бул түшүндүрмө себептүүлүк эмес, моделдин жүрүм-турумун түшүндүрүү.

Глобалдык SHAP жыйынтыктарында кайсы өзгөрмөлөр алдыга чыккан?

7-сүрөттөгү орточо абсолюттук SHAP рейтинги эң чоң салымдар шлам инъекция агымы MIFR менен инъекциялык шлам тыгыздыгы MIDден келгенин көрсөтөт. Андан кийин тез кесүү когезиясы CQ, чыгарылган шлам тыгыздыгы MDD, кесүүчү баштын ылдамдыгы CS жана консолидацияланган когезия CCQ турат. Шлам басымы PS, чыгаруу агымы MDFR, көтөрүмдүүлүк FAO, топурак модулу Es, каптал сүрүлүүсү QIK жана жалпы түртүү күчү TTF азыраак, бирок өлчөнө турган салым берген.

Аары тобу графигинде жогорку MID, MIFR жана CS маанилери көбүнчө терс SHAP аймагына багытталган. Бул модель үлгүсү өтө тыгыз же жогорку агымдуу шлам ташуу каршылыгын көбөйтүшү мүмкүн экенин жана жогорку кесүүчү баш ылдамдыгы айрым шарттарда казуу бетин бузушу мүмкүн экенин көрсөтөт. MDD, PS, MDFR жана TTFнин жогорку маанилери болсо жалпысынан оң багыттагы салымдарды берген.

Геологиялык өзгөрмөлөрдө жогорку Es, FAO жана QIK көбүнчө оң салым берсе, CCQ өскөн сайын илгерилөө ылдамдыгына салым азайган. CQ болсо бир багыттуу жүрүм-турум көрсөтпөй, ар кандай диапазондордо оң жана терс салымдарды берген.

Жогорку илгерилөө ылдамдыгы бар үлгү кантип түшүндүрүлгөн?

8-сүрөттө каралган 5 номердүү үлгүнүн болжолдонгон илгерилөө ылдамдыгы 37,131 mm/мүн, моделдин базалык мааниси 31,841 mm/мүн. Эң күчтүү оң салымдар төмөн когезия маанилеринен келген:

• CQ = 2,947 kPa үчүн SHAP салымы +1,04 mm/мүн.
• CCQ = 2,724 kPa үчүн салым +0,83 mm/мүн.
• MID = 1,218 g/cm³ үчүн салым +0,65 mm/мүн.
• MDD = 1,283 g/cm³ үчүн салым +0,54 mm/мүн.
• Es = 11,373 MPa үчүн салым +0,48 mm/мүн.

Бул үлгүдө FAO 241,338 kPa, QIK 57,257 kPa жана жалпы түртүү күчү 161.603,583 kN. Изилдөөчүлөр төмөн когезия, жогорку топурак туруктуулугу, салыштырмалуу төмөн инъекция тыгыздыгы жана тең салмактуу механикалык эксплуатация бирге жогорку илгерилөө ылдамдыгын колдогонун түшүндүрүшкөн.

Төмөн илгерилөө ылдамдыгы бар үлгү кантип түшүндүрүлгөн?

9-сүрөттөгү 10 номердүү үлгүнүн болжолу 22,299 mm/мүн. Моделдин 31,841 mm/мүн базалык маанисинен төмөндөшүнө негизги терс салымдар төмөнкүлөр:

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

Үлгүдө салыштырмалуу жогорку шлам инъекция агымы жана тыгыздыгы, жогорку кесүүчү баш ылдамдыгы, төмөн басым жана төмөн көтөрүмдүүлүк чогуу терс түзүлүш жараткан. Бул жыйынтык кесүүчү баштын ылдамдыгын же агымды өзүнчө көбөйтүү алсыз грунт жана жетишсиз айлануу шарттарын компенсация кылбай турганын көрсөтөт.

Жалпыланган кошумчалоочу модель эмне үчүн колдонулган?

SHAP өзгөрмөлөрдүн болжолго салымын көрсөткөнү менен, изилдөөчүлөр геологиялык өзгөрмөлөрдүн илгерилөө ылдамдыгы менен сызыктуу эмес байланыштарын ачыгыраак көрүү үчүн жалпыланган кошумчалоочу моделдерди колдонушкан. GAMдын негизги түрү:

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

• Y, илгерилөө ылдамдыгы.
• g, байланыш функциясы.
• β₀, туруктуу мүчө.
• f_j, ар бир геологиялык өзгөрмө үчүн ийкемдүү жылмалоо функциясы.
• X_j, тиешелүү геологиялык өзгөрмө.

Моделдин шайкештиги төмөнкү R² байланышы менен бааланган:

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

SS_res калдык квадраттарынын суммасын, SS_tot жалпы квадраттар суммасын көрсөтөт. R² бирдиксиз жана 1 маанисине жакындаган сайын ийри сызык байкалган өзгөрмөлүүлүктүн көбүрөөк бөлүгүн түшүндүрөт.

Геологиялык өзгөрмөлөрдө кандай босоголор табылган?

CQдагы W түрүндөгү ийри өзгөчө маанилүү. Ал когезияны жөн гана “канчалык төмөн болсо, ошончолук жакшы” деп чечмелөөгө болбой турганын көрсөтөт. Изилдөөчүлөрдүн түшүндүрмөсүнө ылайык, орточо когезия ылайыктуу фильтр кексинин пайда болушуна жардам бериши мүмкүн, ал эми өтө жогорку когезия кесүүчү башта ылай кеги, кесүү каршылыгы жана ташуу кыйынчылыгын жаратышы мүмкүн.

Бул босоголор изилденген маалымат диапазонунда байкалган модель байланыштары гана. Ийри сызыктар аз сандагы шакек үлгүлөрүнө таянгандыктан так физикалык туруктуу же бардык туннелдерге колдонулуучу долбоордук чек катары кабыл алынбашы керек.

Геология менен машина параметрлери кандай өз ара аракеттенген?

11–13-сүрөттөр өзүнчө өзгөрмөлөрдөн көрө өзгөрмөлөрдүн жуптары чогуу кандай жүрүм-турум көрсөткөнүн көрсөтөт:

• Es–CCQ: Es 11 MPaдан жогору жана CCQ 6 kPaдан төмөн болгондо салымдар көбүнчө оң болгон. Es 9 MPaдан төмөн жана CCQ 10 kPaдан жогору болгондо оң салым алсыраган.
• FAO–QIK: FAO 160 kPa жана QIK 53 kPaдан төмөн болгондо салымдар терс. FAO болжол менен 190–210 kPa болгон тең салмактуу шарттарда жогорураак оң салымдар байкалган.
• CS–Es: CS 1,20 айлануу/мүндөн жогору жана Es 10,5 MPaдан жогору болгондо SHAP маанилери болжол менен −1,5 маанисинен −2,1 маанисине чейин төмөндөгөн. CSнин 1,10–1,15 айлануу/мүн диапазону туруктуураак көрүнгөн.
• MID–CQ: MID 1,18–1,22 g/cm³ жана CQ 8 kPaдан төмөн болгондо оң салымдар байкалган. MID 1,26–1,28 g/cm³ жана CQ 10 kPaдан жогору болгондо салым болжол менен −2 маанисине чейин түшкөн.
• TTF–FAO: FAO 180 kPaдан төмөн жана TTF 110.000–130.000 kN аралыгында салымдар терс бойдон калган. FAO 220 kPaдан жогору жана TTF 150.000 kNдан жогору болгондо оң салымдар байкалган.
• MID–CS: MID 1,20–1,23 g/cm³ жана CS 1,12–1,16 айлануу/мүн диапазону оң; жогорку MID менен 1,20 айлануу/мүндөн жогору CS айкалышы терс болгон.
• MID–MDD: MID 1,20–1,22 жана MDD болжол менен 1,27–1,29 g/cm³ болгондо ташуу шарттары оңураак көрүнгөн.
• TTF–PS: TTF 150.000 kNдан жогору жана PS болжол менен 5,8–6,2 MPa болгондо оң салымдар көбөйгөн.

Бул өз ара аракеттенүүлөр модель “түртүү күчүн көбөйт”, “кесүүчү башты тездет” же “шламдын тыгыздыгын азайт” сыяктуу контексттен көз карандысыз эрежелерди чыгарбай турганын көрсөтөт. Бир эле жөндөө башка көтөрүмдүүлүк же когезия шарттарында тескери натыйжа бериши мүмкүн.

Адам–жасалма интеллект биргелешкен чечим алкагы кантип иштейт?

14-сүрөттө сунушталган процесс беш чечим багытына бөлүнгөн:

1. Геологиялык терезени аныктоо жана динамикалык зоналаштыруу
2. Жалпы түртүү күчүн көтөрүмдүүлүк менен шайкештештирүү
3. Кесүүчү баштын ылдамдыгы менен шлам реологиясын чогуу жөндөө
4. Шлам айлануусун тыгыздык жана агым аркылуу башкаруу
5. Казылган материалды чыгаруу менен шлам айлануусун координациялоо

Жасалма интеллект модели болжолдонгон илгерилөө ылдамдыгын жана бул болжолго кайсы өзгөрмөлөр канчалык салым кошконун берет. Инженер болсо моделдин сунушун талаа байкоолору, беттин туруктуулугу, момент, вибрация, температура, линия басымы, машинанын токтошу жана коопсуздук талаптары менен салыштырат. Акыркы параметр өзгөрүүсүн инженер аткарат.

Бул түзүлүш автоматтык башкаруу системасынан көрө түшүндүрүлүүчү чечим колдоо куралы. Изилдөө сунуштар реалдуу убакыттагы жабык контур башкарууда колдонулуп, натыйжалары салыштырылган талаа экспериментин бербейт.

Изилдөө колдогон жыйынтыктар кайсылар?

• TabPFN бул бир туннелдин 271 шакек деңгээлиндеги кичине маалымат топтомунда салыштырылган моделдерден төмөнүрөөк ката берген.
• TabPFN негизиндеги алдыга тандоо 36 өзгөрмөнү болжол катасын негизинен сактоо менен 12 өзгөрмөгө кыскарткан.
• Илгерилөө ылдамдыгы геологиялык жана эксплуатациялык өзгөрмөлөрдүн биргелешкен таасири менен болжолдонгон.
• Шлам инъекциясы, кесүүчү баш жана чыгаруу системалары модель болжолдорунда маанилүү роль ойногон.
• SHAP жалпы өзгөрмө маанилүүлүгүн да, ар бир шакек болжолунун кантип түзүлгөнүн да түшүндүрө алган.
• GAM жана SHAP көз карандылык анализдери изилденген долбоордун ичинде сызыктуу эмес босоголорду жана өзгөрмөлөрдүн өз ара аракеттенүүлөрүн көрсөткөн.

Изилдөө эмнени далилдебейт?

• TabPFN бардык туннель долбоорлорунда башка моделдерден артык экенин далилдебейт.
• Модель башка туннель, өлкө, машина же геологиялык чөйрөдө тышкы түрдө текшерилген эмес.
• SHAP салымдары өзгөрмөлөр ортосунда себептик байланыштын далили эмес.
• Сунушталган параметр диапазондорунун коопсуздугу келечекке багытталган көзөмөлдүү талаа эксперименти менен көрсөтүлгөн эмес.
• Модель капыстан беттин урашына, сегмент бузулушуна же жабдуунун иштен чыгышына каршы көз карандысыз коопсуздук системасы эмес.
• Шакек орточосу шакек ичиндеги кыска мөөнөттүү критикалык окуялар ийгиликтүү болжолдонгонун көрсөтпөйт.
• Изилдөөдөгү сандык босоголор Түркиядагы долбоорлорго же башка калкан машиналарына түз көчүрүлбөйт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Техникалык ыкманын жыйынтыгы

TabPFNнин маалымат бөлүктөрүндөгү өндүрүмдүүлүгү

Изилдөөдө сунушталган долбоор ичиндеги башкаруу зоналары

Шлам жана чыгаруу системасы үчүн сунушталган байланыштар

• Кесүүчү баштын ылдамдыгы жалпысынан болжол менен 1,10–1,15 айлануу/мүн диапазонунда тең салмакталган.
• Кумдуу катмарларда MID үчүн 1,22–1,25 g/cm³ диапазону сунушталган.
• Жогорку когезиялуу катмарларда MID үчүн 1,20–1,23 g/cm³ диапазону жана ылайыктуу MIFR көбөйтүүсү сунушталган.
• CQ 8 kPaдан жогору болгондо MID салыштырмалуу төмөн кармалышы керектиги айтылган.
• MDD менен MID ортосундагы тыгыздык айырмасы үчүн болжол менен 0,05–0,08 g/cm³ диапазону сунушталган.
• Түртүү күчү көбөйтүлөрдөн мурда чыгаруу агымы, шлам басымы жана айлануу мүмкүнчүлүгү текшерилиши керек деп сунушталган.

Бул маанилер коопсуздук стандарты же өндүрүүчүнүн эксплуатациялык көрсөтмөсү эмес. Изилдөөчүлөр да босоголор изилденген туннелдин геологиясынан, машина конфигурациясынан жана эксплуатациялык көнүмүштөрүнөн алынганын; башка долбоорлордо кайра калибрлениши керектигин ачык айтышкан.

Изилдөөнүн негизги күчтүү жактары

• Лабораториялык же синтетикалык маалыматтын ордуна чыныгы ультра чоң диаметрдүү калкан долбоорунун талаа жазуулары колдонулган.
• Эрте этаптагы кичине маалымат көйгөйү ачык максат кылынган.
• Чет маанини аныктоо, өзгөчөлүк тандоо, болжолдоо, түшүндүрүү жана инженердик чечмелөө бир агымга бириктирилген.
• TabPFN көптөгөн салттуу жана терең үйрөнүү моделдери менен бир маалыматта салыштырылган.
• Глобалдык SHAP менен катар жеке шакек түшүндүрмөлөрү жана өзгөрмөлөрдүн өз ара аракеттенүүлөрү бааланган.
• Маалымат жана анализ кодунун бөлүшүлүшү кайра текшерүү мүмкүнчүлүгүн жогорулатат.
• Жасалма интеллектке акыркы башкаруу укугун бербеген, адам көзөмөлүндөгү чечим алкагы сунушталган.

Изилдөөнүн негизги чектөөлөрү

• Бардык үлгүлөр бир туннелдин алгачкы 271 шакегинен алынган.
• Көз карандысыз башка туннель же машинада тышкы текшерүү жасалган эмес.
• Тест топтому болгону 26 шакектен турат.
• Маалымат бөлүштүрүү шакек иретин сактаганы-сактабаганы түшүндүрүлгөн эмес.
• Коңшу шакектер ортосундагы мейкиндик көз карандылыктын өндүрүмдүүлүккө таасири өзүнчө өлчөнгөн эмес.
• Isolation Forest контаминация катышы алдын ала yüzde 5 деп коюлган.
• Интерполяция менен оңдолгон чет маанилер чыныгы талаа окуяларын билдирген-билдирбегени көрсөтүлгөн эмес.
• Шакек деңгээлиндеги орточолор кыска мөөнөттүү критикалык жүрүм-турумду жашырышы мүмкүн.
• SHAP жана GAM жыйынтыктары байкоочу модель байланыштары; себептик эксперимент жыйынтыгы эмес.
• Сунушталган башкаруу стратегиялары келечекке багытталган жабык контур талаа эксперименти менен текшерилген эмес.
• Изилдөө рецензиядан өтө элек.

Булак жана Ыкма Жөнүндө Эскертүү

Изилдөөнүн толук оригинал аталышы: Interpretable Early-Stage Advance Rate Prediction and Human–AI Collaborative Decision Support for Ultra-Large-Diameter Slurry Shield Tunnelling Using TabPFN-SHAP

Авторлор: Chenlong Yue, Jian Zhang, Tugen Feng жана Bin Zheng.

Авторлордун ирети: Chenlong Yue биринчи, Jian Zhang экинчи, Tugen Feng үчүнчү жана Bin Zheng төртүнчү автор.

Тең салым маалыматы: Жүктөлгөн нускада тең салым кошкон авторлор жөнүндө маалымат жок.

Жооптуу автор: Jian Zhang. Изилдөөдө байланыш дареги 241604010106@hhu.edu.cn деп берилген.

Мекемелик байланыштар:

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

DOI:10.2139/ssrn.7030777

Жарыялоо платформасы: SSRN.

Расмий каттоо шилтемеси:SSRN изилдөө барагы

Маалымат жана код шилтемеси:TabPFN-Based-Advance-Rate-Prediction GitHub репозиторийи

Жарыяланган жылы: 2026. Расмий SSRN барагындагы так жүктөө күнү бул кароодо өзүнчө текшериле алган эмес.

Журнал: Рецензияланган журналга кабыл алынганы же жарыяланганы тууралуу маалымат текшериле алган эмес.

Оригинал басмакана: Акыркы рецензияланган жарыя үчүн басмакана маалыматы жок.

Булактын түрү: Чыныгы талаа маалыматына негизделген машиналык үйрөнүү моделин иштеп чыгуу, салыштыруу жана түшүндүрүлүүчү инженердик чечим колдоо изилдөөсү; preprint.

Рецензия абалы: Бул изилдөө рецензиядан өтө элек preprint; жыйынтыктар ушул чектөө эске алынып окулушу керек.

Каржылоо: Изилдөө Кытайдын Улуттук Табигый Илимдер Фонду, Борбордук Университеттердин Негизги Изилдөө Фонддору, жогорку деңгээлдеги изилдөөчү фонддору, Jiangxi провинциясынын ири илим жана технология программасы, терең жер астындагы инженерия боюнча улуттук программа жана тоолуу аймактардагы курулуш инженериясынын коопсуздук лабораториясынын фонддору менен колдоого алынган.

Кызыкчылыктардын кагылышы: Авторлор белгилүү каржылык кызыкчылык кагылышын же изилдөөгө таасир бере турган жеке мамилелерди билдиришкен эмес.

Бул кыргызча макала жүктөлгөн 43 беттик изилдөөнүн формулалары, таблицалары, графиктери, геологиялык бөлүштүрүлүштөрү, SHAP визуалдары жана инженердик чечим схемалары каралып даярдалды. Изилдөөдө жок жаңы эксперименттик натыйжа, талаадагы ийгилик же коопсуздук кепилдиги кошулган жок. Тышкы булактар DOI, расмий SSRN каттоосу жана изилдөөдө көрсөтүлгөн маалымат-код репозиторийин текшерүү үчүн гана колдонулган.

TabPFN үчүн билдирилген жогорку тактык бир долбоордун ичиндеги кичине маалымат топтомуна тиешелүү. Башка туннелдерге колдонордон мурун көз карандысыз тышкы текшерүү, шакек иретин сактаган убакыт-мейкиндик негизиндеги тест, сенсор жана бирдик стандартташтыруусу, жергиликтүү грунт калибрлөөсү жана келечекке багытталган талаа баалоосу талап кылынат. Изилдөөдөгү сандык параметр диапазондору универсалдуу туннель эксплуатация чектери же автоматтык башкаруу буйруктары катары каралбашы керек.