Utafiti huu umeunganisha mbinu za Tabular Prior-Data Fitted Networks (TabPFN) na SHapley Additive exPlanations (SHAP) ili kutabiri kasi ya maendeleo katika hatua ya awali ya uchimbaji wa mashine ya kuchimba handaki ya slurry shield yenye kipenyo kikubwa sana kwa kutumia uchunguzi 271 tu wa kiwango cha pete. Data za kijiolojia na uendeshaji kutoka pete namba 1–271 za Jiangyin–Jingjiang Yangtze River Tunnel zilitumika, vigezo wakilishi 12 vilichaguliwa kutoka vigezo 36 vya awali, na jumla ya modeli 12 za utabiri zililinganishwa. TabPFN ilikuwa modeli yenye mafanikio zaidi kwenye sampuli za validation na test zilizojumuishwa, ikiwa na kosa la wastani la thamani kamili la 0,613 mm/dak, kosa la wastani la asilimia kamili la asilimia 2,080, kosa la mzizi wa wastani wa mraba la 0,901 mm/dak na thamani ya R² ya 0,960. Hata hivyo, utafiti unategemea matokeo ya kabla ya mapitio ya rika kutoka handaki moja, pete 271 tu na sampuli 54 za validation-test; modeli haijathibitishwa kwa nje katika mradi mwingine wa handaki.

Uchambuzi wa SHAP ulionyesha kuwa modeli ilitumia zaidi kiwango cha mtiririko na msongamano wa slurry ya kuingiza katika utabiri wa kasi ya maendeleo; kasi ya kichwa cha kukata, msongamano wa slurry ya kutolea, kiwango cha mtiririko wa kuondoa nyenzo iliyochimbwa na nguvu ya jumla ya kusukuma pia zilitoa mchango muhimu. Modeli za generalized additive zilionyesha kuwa kuna vizingiti visivyo vya mstari kati ya moduli ya kubanwa kwa udongo, mshikamano, uwezo wa kubeba mzigo na msuguano wa pembeni dhidi ya kasi ya maendeleo. Watafiti walibadilisha mahusiano haya kuwa mapendekezo ya maamuzi yanayosimamiwa na binadamu kuhusu ukandaji wa kijiolojia, urekebishaji wa nguvu ya kusukuma, ulinganishaji wa kichwa cha kukata–slurry na usimamizi wa uwezo wa utoaji.

Mfumo uliopendekezwa katika utafiti si udhibiti wa handaki uliojiendesha kikamilifu. Modeli ya akili bandia hutoa utabiri wa kasi ya maendeleo na michango ya vigezo, huku wahandisi wa uwanjani wakitarajiwa kutathmini hali ya udongo, tabia ya mashine, mipaka ya usalama na uzoefu wa ujenzi ili kufanya uamuzi wa mwisho. Tofauti hii ni muhimu; thamani za SHAP hueleza mahusiano ambayo modeli imejifunza ndani ya data, hazithibitishi kwamba kubadili kigezo fulani kutazalisha matokeo ya uhakika na ya kisababishi uwanjani.

Kwa mtazamo wa Türkiye: Mbinu ya TabPFN-SHAP inaweza kuchunguzwa katika miradi ya handaki za shield zenye kipenyo kikubwa nchini Türkiye kwa utabiri wa kasi ya maendeleo kuanzia hatua za kwanza za uchimbaji kwa kutumia data chache, udhibiti wa ubora wa data za sensa na tathmini ya vigezo inayosaidiwa na mhandisi. Kabla ya matumizi, modeli inapaswa kufundishwa upya au kukalibishwa kwa udongo tofauti wa Türkiye, vipenyo vya mashine, mifumo ya slurry, miundombinu ya sensa na taratibu za uendeshaji. Mbinu ya kugawa data inapaswa kupimwa kwa namna inayohifadhi mpangilio wa pete, na modeli inapaswa kuthibitishwa kwa njia ya matarajio kwenye handaki huru nchini Türkiye. Vizingiti vya kusukuma, kasi, msongamano na shinikizo katika utafiti huu ni mahususi kwa Jiangyin–Jingjiang Tunnel; haviwezi kutumiwa moja kwa moja kama mipaka salama ya uendeshaji kwa Türkiye.

Tatizo kuu la utafiti ni lipi?

Katika mashine za kuchimba handaki za shield, kasi ya maendeleo ni mojawapo ya viashiria muhimu vya utendaji vinavyoathiri moja kwa moja muda wa ujenzi, gharama na usalama wa uendeshaji. Hata hivyo kasi ya maendeleo haitegemei nguvu ya mashine pekee. Nguvu ya udongo, mshikamano, uwezo wa kubeba mzigo, kasi ya mzunguko wa kichwa cha kukata, nguvu ya kusukuma, msongamano wa slurry, kiwango cha mtiririko wa mzunguko na uwezo wa kuondoa nyenzo iliyochimbwa hufanya kazi kwa pamoja.

Ugumu huu unaonekana zaidi katika udongo mchanganyiko ambapo tabaka tofauti kama udongo wa mfinyanzi na mchanga hupatikana kwenye uso mmoja wa uchimbaji. Kuongeza kigezo kimoja pekee hakuhakikishi kila mara maendeleo ya haraka zaidi. Kwa mfano, kuongeza kasi ya kichwa cha kukata kunaweza kuongeza uwezo wa kukata katika baadhi ya hali, lakini katika hali nyingine kunaweza kuongeza uharibifu wa uso, msuguano, uzalishaji wa chembe ndogo na upinzani wa usafirishaji wa slurry.

Pengo kuu ambalo utafiti unalenga ni ukosefu wa data za kutosha katika hatua za mwanzo za uchimbaji. Modeli za jadi za kujifunza kwa mashine na deep learning kwa kawaida huhitaji seti kubwa za data zilizokusanywa kutoka uchimbaji wa muda mrefu. Hata hivyo mojawapo ya vipindi ambavyo wahandisi wanahitaji zaidi kurekebisha vigezo vya mashine ni hatua ya awali ambapo data za pete mia chache tu zinapatikana.

Handaki na mashine iliyochunguzwa vina sifa gani?

Utafiti unatokana na sehemu iliyochimbwa kwa shield ya Jiangyin–Jingjiang Yangtze River Tunnel nchini China. Mradi ulitumia mashine ya slurry-balanced shield yenye kipenyo cha uchimbaji cha mita 16,03. Kipenyo cha nje cha lining ya handaki ni mita 15,5, kipenyo cha ndani ni mita 14,2 na unene wa segment ni milimita 650.

Uso wa uchimbaji unasonga katika mashapo ya Quaternary na unajumuisha mchanganyiko wa udongo wa mfinyanzi na mchanga kwa uwiano unaobadilika. Sehemu za juu kwa ujumla zina silty clay, silt na silty sand; sehemu za chini zina tabaka za mchanga mwembamba au wa kati zilizo na msongamano na upenyezaji mkubwa zaidi. Kwa sababu tabaka nyingi zinapatikana kwenye uso mmoja wa uchimbaji, vigezo vya kijiolojia vya kila pete vilikokotolewa kama wastani uliowekewa uzito kulingana na uwiano wa eneo la tabaka katika uso wa uchimbaji.

Kielelezo 3 kinaonyesha uwiano wa tabaka ukibadilika kwa kuendelea kutoka pete 1 hadi pete 271. Mabadiliko haya yanaonyesha kwamba uthabiti wa uso, usawa wa slurry, upinzani wa kukata na hali za utoaji hazikubaki thabiti wakati wa uchimbaji. Kwa hiyo tatizo linalokabili modeli si utabiri wa kasi pekee, bali kujifunza ulinganifu unaobadilika kila wakati kati ya udongo na mashine.

Data ghafi zilisafishwaje?

Rekodi ghafi za mashine zilirekodiwa kwa vipindi vya dakika tano. Baada ya kuondoa thamani zilizorudiwa na vipindi vya kusimama ambapo mashine haikufanya kazi, pointi 3.468 halali za muda zilibaki. Rekodi zisizo za kawaida zinazoweza kutokea kutokana na hitilafu za sensa, miruko ya muda mfupi ya nguvu, mtikisiko wa mitambo na mabadiliko ya tabaka za udongo zilitambuliwa kwa mbinu ya Isolation Forest.

Isolation Forest hugawanya data kwa nasibu na kupima jinsi uchunguzi mmoja unavyoweza kutenganishwa kwa urahisi na uchunguzi mwingine. Uchunguzi wenye njia fupi za kutenganishwa hupata alama kubwa zaidi za anomaly. Katika utafiti, kizingiti cha uamuzi kilifafanuliwa kwa uhusiano wa kiasi ufuatao:

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

• T, ni kizingiti cha uamuzi wa anomaly.
• score_i, ni alama ya anomaly ya uchunguzi namba i.
• N, ni jumla ya idadi ya uchunguzi.
• α, ni uwiano unaodhaniwa wa uchunguzi usio wa kawaida katika data.

Watafiti waliweka contamination ratio kuwa asilimia 5 kwa msingi wa uzoefu wa uwanjani. Kizingiti cha anomaly kilichozalishwa kiotomatiki ni 0,53859. Algorithm iliainisha rekodi 214 kuwa anomaly; idadi hii inalingana na takribani asilimia 4,95 ya data yote. Histogram katika Kielelezo 4 inaonyesha mstari wa kizingiti, huku uonyeshaji wa t-SNE ukionyesha sampuli za anomaly zikijikita kwenye kingo za clusters na maeneo yaliyojitenga.

Anomaly zilizotambuliwa hazikufutwa moja kwa moja, bali zilirekebishwa kwa spline interpolation. Mbinu hii inaweza kuhifadhi mwendelezo wa data; hata hivyo inawezekana hali halisi na muhimu ya uendeshaji wa kiwango cha juu pia ikalainishwa. Utafiti haujaeleza kama kila rekodi iliyorekebishwa ilithibitishwa kando dhidi ya kumbukumbu ya matukio ya uwanjani.

Kwa nini rekodi za muda zilibadilishwa kuwa kiwango cha pete?

Data za dakika tano huonyesha mabadiliko ya muda mfupi, lakini maendeleo ya handaki hutokea kimwili kwa kufuata namba za pete. Watafiti walichukua wastani wa pointi nyingi za muda zilizorekodiwa wakati wa kuchimba pete moja na kufafanua pete kama kitengo kikuu cha uchambuzi. Hivyo rekodi 3.468 za msingi wa muda zilibadilishwa kuwa sampuli 271 za kiwango cha pete.

Hatua hii ilipunguza athari za mabadiliko ya muda mfupi ya sensa na uendeshaji, na kuruhusu sifa za kijiolojia na vigezo vya mashine kulinganishwa katika kitengo kimoja cha nafasi. Hata hivyo matukio muhimu ya muda mfupi ndani ya pete yanaweza kupotea katika wastani. Modeli haitabiri hatari za ghafla za dakika tano, bali kasi ya wastani ya maendeleo katika pete.

Data ziligawanywa na kusanifishwaje?

Seti ya data ya kiwango cha pete iligawanywa kuwa asilimia 80 training, asilimia 10 validation na asilimia 10 test. Matokeo yake, seti ya training ilikuwa na pete 217, validation pete 28 na test pete 26. Seti ya validation ilitumika kwa urekebishaji wa modeli na uchaguzi wa vipengele, na seti ya test ilitumika kutathmini utendaji kwenye sampuli ambazo hazijaonekana.

Kwa kuwa vigezo vina vitengo tofauti vya kifizikia, standardization ya z-score ilitumika:

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

• x, ni kipimo asili.
• μ, ni wastani wa kigezo husika.
• σ, ni mkengeuko wa kawaida wa kigezo.
• x', ni thamani iliyosanifishwa isiyo na kitengo.

Standardization inalenga kuzuia, kwa mfano, uwezo wa kubeba mzigo katika kilopascal na msongamano wa slurry katika g/cm³ kuingia kwenye modeli kwa uzito tofauti kwa sababu tu ya mizani yao ya namba.

Haijaelezwa wazi katika maandishi kama mgawanyo wa asilimia 80–10–10 ulifanywa kwa mpangilio wa pete kama blocks za kronolojia au nafasi, au kwa nasibu. Kwa kuwa pete zilizo karibu zinaweza kuwa na hali zinazofanana za udongo na uendeshaji, maelezo haya ni muhimu katika kutathmini utendaji halisi wa ujanibishaji.

TabPFN ni nini na hufanyaje kazi na data chache?

Tabular Prior-Data Fitted Networks ni modeli msingi iliyofundishwa mapema kwa data za jedwali. Wakati modeli za jadi hujifunza idadi kubwa ya vigezo upya katika kila seti mpya ya data ya mradi, TabPFN hutumia katika muktadha wa seti mpya ya data mifumo ambayo tayari imejifunza kutoka kiasi kikubwa cha data sintetiki za jedwali.

Kielelezo 2 kinaonyesha modeli ikipokea sampuli za training zilizo na labels pamoja na sampuli ya test isiyo na label katika mtiririko mmoja wa pembejeo. Sehemu ya tabaka za attention za pande mbili hushughulikia mahusiano kati ya vipengele, na sehemu nyingine mahusiano kati ya sampuli. Tabaka la mwisho la multilayer perceptron huzalisha usambazaji wa utabiri pamoja na point estimate ya kasi ya maendeleo.

Katika utafiti, mantiki ya utabiri ya TabPFN imeelezwa kwa namna ya Bayes integration:

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

• D, ni seti ya data ya training.
• x, ni vipengele vya sampuli mpya ambayo kasi yake ya maendeleo itatabiriwa.
• y, ni kasi ya maendeleo iliyotabiriwa.
• q, inawakilisha vigezo vinavyowezekana vya modeli.
• p(q|D), ni usambazaji wa vigezo vya modeli baada ya data kuzingatiwa.
• p(y|x,q), ni usambazaji wa utabiri wa sampuli mpya chini ya vigezo fulani.

Formula inaeleza kuunganisha utabiri juu ya vigezo vinavyowezekana badala ya kutegemea seti moja ya vigezo vya kudumu. Dhana kuu ya utafiti ni kwamba mifumo ya data za jedwali iliyojifunzwa mapema inaweza kutoa utabiri thabiti zaidi kuliko modeli za jadi kwenye seti ndogo ya data za handaki.

TabPFN ilitumikaje katika uchaguzi wa vipengele?

Awali kulikuwa na vigezo 36 vya kijiolojia na uendeshaji lakini sampuli 271 tu za pete. Idadi kubwa ya vigezo ikilinganishwa na sampuli inaweza kusababisha ugumu usio wa lazima na kutokuwa thabiti. Kwa hiyo watafiti walitumia TabPFN si kama modeli ya utabiri tu, bali pia kama kitathmini cha forward feature selection.

Mchakato ulianza na seti tupu ya vipengele. Katika kila hatua, kigezo kimoja ambacho hakijachaguliwa kiliongezwa kwenye seti ya sasa, seti ya mgombea ikatathminiwa kwa five-fold cross-validation, na kigezo kilichopunguza zaidi mean validation squared error kikahifadhiwa. Kielelezo 5 kinaonyesha kosa likipungua haraka katika vipengele vya kwanza, kisha likawa karibu tambarare baada ya vipengele 12. Watafiti walichagua vigezo 12 kwa kuzingatia pamoja usahihi na urahisi wa modeli.

Ni modeli zipi zililinganishwa?

TabPFN ililinganishwa na LightGBM, XGBoost, CatBoost, TABM, support vector regression, random forest, multilayer perceptron, decision tree, extreme learning machine, Bayesian regression na gradient boosting regressor. Kwa modeli zinazoweza kurekebishwa kama XGBoost, CatBoost na random forest, grid search na cross-validation zilitumika; TabPFN na TABM zilitumika kwa usanifu wao uliowekwa mapema.

Utendaji ulitathminiwa kwa vipimo vifuatavyo:

• MAE: Wastani wa tofauti za thamani kamili kati ya utabiri na thamani halisi.
• MAPE: Wastani wa asilimia wa uwiano wa kosa la thamani kamili kwa thamani halisi.
• MSE: Wastani wa miraba ya makosa; hutoa uzito mkubwa zaidi kwa makosa makubwa.
• RMSE: Mzizi wa mraba wa MSE na una kitengo sawa na kasi ya maendeleo.
• R²: Huonyesha kiasi gani cha utofauti wa kasi ya maendeleo kinaelezwa na modeli.

Ikilinganishwa na random forest, modeli bora zaidi ya jadi ya ulinganisho, TabPFN ilipunguza MAE kutoka 0,812 hadi 0,613, RMSE kutoka 1,068 hadi 0,901 na kuongeza R² kutoka 0,899 hadi 0,960.

Hata hivyo thamani za 0,613 MAE na 0,960 R² zilizoangaziwa kwenye jedwali zilikokotolewa juu ya sampuli 54 ambapo sampuli 28 za validation na 26 za test zilijumuishwa. Katika seti huru ya test pekee, MAE ni 0,641, MAPE asilimia 2,097, RMSE 0,903 na R² 0,956. Ingawa matokeo haya mawili yako karibu, kipimo kikali zaidi cha ujanibishaji ni seti ya test yenye sampuli 26 ambayo haikutumika katika urekebishaji wa modeli.

Kielelezo 6 kinaonyesha nini kuhusu usambazaji wa utabiri?

Katika grafu za training, validation na test, kasi za maendeleo zilizopimwa na utabiri wa TabPFN kwa kiasi kikubwa zimejikusanya karibu na mstari wa diagonal wa ulinganifu. Sampuli nyingi zilibaki ndani ya bendi za asilimia 95 za confidence na prediction. R² ya training kuwa 0,971, validation 0,965 na test 0,956 inaonyesha kuwa hakukuwa na kuporomoka kubwa kwa utendaji kati ya sehemu za data.

Hata hivyo kwa kuwa seti ya test ina pete 26 tu, makosa machache mapya yanaweza kubadilisha kwa kiasi kikubwa vipimo vya utendaji. Grafu zinaonyesha ulinganifu ndani ya sehemu ileile ya handaki; hazionyeshi usahihi katika udongo, mashine au mradi mwingine.

SHAP hueleza modeli kwa namna gani?

SHAP hutumia thamani za Shapley kutoka nadharia ya michezo ya ushirikiano kukokotoa mchango wa pembeni wa kila kigezo kwenye utabiri. Uhusiano wa msingi uliotumiwa katika utafiti ni huu:

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

• φ_i(f), ni mchango wa SHAP wa kigezo namba i.
• N, ni seti ya vigezo vyote vya pembejeo.
• S, ni subset inayowezekana ya vigezo isiyojumuisha kigezo i.
• f(S), ni utabiri uliopatikana kwa kutumia seti S pekee.
• f(S∪{i}), ni utabiri baada ya kuongeza kigezo i.

Katika modeli ya regression, michango ya SHAP huonyesha utabiri umehamishwa kwa mm/dak ngapi juu au chini kutoka thamani ya msingi ya kasi ya maendeleo. Thamani chanya ya SHAP huongeza kasi ya maendeleo iliyotabiriwa; thamani hasi huipunguza. Maelezo haya si causal inference, bali maelezo ya tabia ya modeli.

Ni vigezo gani vilijitokeza katika matokeo ya SHAP ya kimataifa?

Mpangilio wa mean absolute SHAP katika Kielelezo 7 unaonyesha kuwa michango mikubwa zaidi ilitoka kwa kiwango cha mtiririko wa slurry ya kuingiza MIFR na msongamano wa slurry ya kuingiza MID. Vilifuatiwa na mshikamano wa quick shear CQ, msongamano wa slurry ya kutolea MDD, kasi ya kichwa cha kukata CS na mshikamano ulioconsolidate CCQ. Shinikizo la slurry PS, kiwango cha utoaji MDFR, uwezo wa kubeba mzigo FAO, moduli ya udongo Es, msuguano wa pembeni QIK na nguvu ya jumla ya kusukuma TTF zilitoa michango midogo lakini inayopimika.

Katika beeswarm plot, thamani za juu za MID, MIFR na CS kwa kawaida zilielekea eneo hasi la SHAP. Mchoro huu wa modeli unaashiria kwamba slurry yenye msongamano au mtiririko mkubwa kupita kiasi inaweza kuongeza upinzani wa usafirishaji na kwamba kasi kubwa ya kichwa cha kukata inaweza kuvuruga uso wa uchimbaji katika baadhi ya hali. Thamani za juu za MDD, PS, MDFR na TTF kwa ujumla zilionyesha michango chanya.

Kwa vigezo vya kijiolojia, thamani kubwa za Es, FAO na QIK kwa kawaida zilitoa mchango chanya, huku mchango wa kasi ya maendeleo ukipungua kadiri CCQ ilivyoongezeka. CQ haikuonyesha mwenendo wa upande mmoja na ilitoa michango chanya na hasi katika anuwai tofauti.

Sampuli yenye kasi kubwa ya maendeleo ilielezwaje?

Kasi ya maendeleo iliyotabiriwa ya sampuli namba 5 katika Kielelezo 8 ni 37,131 mm/dak, huku thamani ya msingi ya modeli ikiwa 31,841 mm/dak. Michango chanya yenye nguvu zaidi ilitoka kwa thamani ndogo za mshikamano:

• Kwa CQ = 2,947 kPa, mchango wa SHAP ni +1,04 mm/dak.
• Kwa CCQ = 2,724 kPa, mchango ni +0,83 mm/dak.
• Kwa MID = 1,218 g/cm³, mchango ni +0,65 mm/dak.
• Kwa MDD = 1,283 g/cm³, mchango ni +0,54 mm/dak.
• Kwa Es = 11,373 MPa, mchango ni +0,48 mm/dak.

Katika sampuli hii, FAO ni 241,338 kPa, QIK 57,257 kPa na nguvu ya jumla ya kusukuma ni 161.603,583 kN. Watafiti walitafsiri kwamba mshikamano mdogo, uthabiti mkubwa wa udongo, msongamano wa kuingiza ulio chini kiasi na uendeshaji wa mitambo ulio sawia kwa pamoja uliunga mkono kasi kubwa ya maendeleo.

Sampuli yenye kasi ndogo ya maendeleo ilielezwaje?

Utabiri wa sampuli namba 10 katika Kielelezo 9 ni 22,299 mm/dak. Michango kuu hasi katika kushuka kutoka thamani ya msingi ya modeli ya 31,841 mm/dak ni:

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

Katika sampuli hii, kiwango cha juu kiasi cha mtiririko na msongamano wa slurry ya kuingiza, kasi kubwa ya kichwa cha kukata, shinikizo la chini na uwezo mdogo wa kubeba mzigo kwa pamoja ziliunda muundo hasi. Matokeo haya yanaonyesha kwamba kuongeza kasi ya kichwa cha kukata au kiwango cha mtiririko pekee hakufidii udongo dhaifu na hali duni za mzunguko.

Kwa nini generalized additive model ilitumika?

Wakati SHAP huonyesha mchango wa vigezo kwenye utabiri, watafiti walitumia generalized additive models ili kuona kwa uwazi zaidi mahusiano yasiyo ya mstari kati ya vigezo vya kijiolojia na kasi ya maendeleo. Umbo la msingi la GAM ni:

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

• Y, ni kasi ya maendeleo.
• g, ni link function.
• β₀, ni neno la kudumu.
• f_j, ni flexible smoothing function kwa kila kigezo cha kijiolojia.
• X_j, ni kigezo husika cha kijiolojia.

Ulinganifu wa modeli ulitathminiwa kwa uhusiano ufuatao wa R²:

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

SS_res ni jumla ya miraba ya residual, na SS_tot ni jumla ya miraba yote. R² haina kitengo na kukaribia 1 kuna maana kwamba curve inaeleza sehemu kubwa zaidi ya utofauti uliotazamwa.

Ni vizingiti gani vilipatikana katika vigezo vya kijiolojia?

Curve ya umbo la W katika CQ ni muhimu hasa. Inaonyesha kuwa mshikamano hauwezi kutafsiriwa kwa kanuni rahisi ya “kadiri unavyokuwa mdogo ndivyo bora zaidi”. Kwa maelezo ya watafiti, mshikamano wa wastani unaweza kusaidia kuunda filter cake inayofaa, huku mshikamano mkubwa kupita kiasi unaweza kusababisha mud cake kwenye kichwa cha kukata, upinzani wa kukata na ugumu wa usafirishaji.

Vizingiti hivi ni mahusiano ya modeli yaliyoonekana tu ndani ya anuwai ya data iliyochunguzwa. Kwa kuwa curves zinategemea sampuli chache za pete, hazipaswi kuchukuliwa kama constants za kifizikia zisizobadilika au mipaka ya muundo inayotumika kwa handaki zote.

Jiolojia na vigezo vya mashine viliingilianaje?

Vielelezo 11–13 vinaonyesha namna jozi za vigezo zinavyofanya kazi pamoja, badala ya kuangalia vigezo moja moja:

• Es–CCQ: Es ilipokuwa juu ya 11 MPa na CCQ chini ya 6 kPa, michango kwa kawaida ilikuwa chanya. Es ilipokuwa chini ya 9 MPa na CCQ juu ya 10 kPa, mchango chanya ulidhoofika.
• FAO–QIK: FAO ikiwa chini ya 160 kPa na QIK chini ya 53 kPa, michango ilikuwa hasi. Katika hali zilizo sawia ambapo FAO ilikuwa takribani 190–210 kPa, michango chanya ya juu zaidi ilionekana.
• CS–Es: CS ilipokuwa juu ya 1,20 rpm na Es juu ya 10,5 MPa, thamani za SHAP zilishuka hadi takribani −1,5 hadi −2,1. Anuwai ya CS ya 1,10–1,15 rpm ilionekana thabiti zaidi.
• MID–CQ: MID ikiwa 1,18–1,22 g/cm³ na CQ chini ya 8 kPa, michango chanya ilionekana. MID ikiwa 1,26–1,28 g/cm³ na CQ juu ya 10 kPa, mchango ulipungua hadi takribani −2.
• TTF–FAO: FAO ikiwa chini ya 180 kPa na TTF katika anuwai ya 110.000–130.000 kN, michango ilibaki hasi. FAO ikiwa juu ya 220 kPa na TTF juu ya 150.000 kN, michango chanya ilionekana.
• MID–CS: Anuwai ya MID 1,20–1,23 g/cm³ na CS 1,12–1,16 rpm ilikuwa chanya; mchanganyiko wa MID kubwa na CS juu ya 1,20 rpm ulikuwa hasi.
• MID–MDD: MID ikiwa 1,20–1,22 na MDD takribani 1,27–1,29 g/cm³, hali za usafirishaji zilionekana chanya zaidi.
• TTF–PS: TTF ikiwa juu ya 150.000 kN na PS takribani 5,8–6,2 MPa, michango chanya iliongezeka.

Miingiliano hii inaonyesha kuwa modeli haitoi sheria zisizotegemea muktadha kama “ongeza nguvu ya kusukuma”, “ongeza kasi ya kichwa cha kukata” au “punguza msongamano wa slurry”. Mpangilio uleule unaweza kutoa matokeo kinyume katika hali tofauti za uwezo wa kubeba mzigo au mshikamano.

Mfumo wa pamoja wa maamuzi wa binadamu–AI hufanyaje kazi?

Katika Kielelezo 14, mchakato uliopendekezwa umegawanywa katika maeneo matano ya maamuzi:

1. Kubainisha dirisha la kijiolojia na ukandaji wa dynamic
2. Kulinganisha nguvu ya jumla ya kusukuma na uwezo wa kubeba mzigo
3. Kurekebisha kwa pamoja kasi ya kichwa cha kukata na rheology ya slurry
4. Kusimamia mzunguko wa slurry kwa kutumia msongamano na kiwango cha mtiririko
5. Kuratibu utoaji wa nyenzo iliyochimbwa na mzunguko wa slurry

Modeli ya akili bandia hutoa kasi ya maendeleo iliyotabiriwa na kiwango ambacho kila kigezo kimechangia utabiri huo. Mhandisi hulinganisha pendekezo la modeli na uchunguzi wa uwanjani, uthabiti wa uso, torque, mtetemo, halijoto, shinikizo la line, kusimama kwa mashine na mahitaji ya usalama. Mabadiliko ya mwisho ya kigezo hufanywa na mhandisi.

Muundo huu ni zaidi ya zana ya maamuzi inayoelezeka kuliko mfumo wa udhibiti wa kiotomatiki. Utafiti hauonyeshi jaribio la uwanjani ambapo mapendekezo yalitekelezwa katika udhibiti wa closed-loop wa wakati halisi na matokeo kulinganishwa.

Ni matokeo gani yanayoungwa mkono na utafiti?

• TabPFN ilitoa kosa dogo kuliko modeli zilizolinganishwa kwenye seti hii ndogo ya data ya pete 271 ya handaki moja.
• Forward selection inayotegemea TabPFN ilipunguza vigezo 36 hadi 12 huku kosa la utabiri likibaki kwa kiasi kikubwa sawa.
• Kasi ya maendeleo ilitabiriwa kutokana na athari ya pamoja ya vigezo vya kijiolojia na uendeshaji.
• Mifumo ya kuingiza slurry, kichwa cha kukata na utoaji ilikuwa na jukumu muhimu katika utabiri wa modeli.
• SHAP iliweza kueleza umuhimu wa jumla wa vigezo na namna utabiri wa pete moja moja ulivyoundwa.
• Uchambuzi wa utegemezi wa GAM na SHAP ulionyesha vizingiti visivyo vya mstari na miingiliano ya vigezo ndani ya mradi uliochunguzwa.

Utafiti hauthibitishi nini?

• Haudhibitishi kwamba TabPFN ni bora kuliko modeli nyingine katika miradi yote ya handaki.
• Modeli haijathibitishwa kwa nje katika handaki, nchi, mashine au mazingira tofauti ya kijiolojia.
• Michango ya SHAP si ushahidi wa uhusiano wa kisababishi kati ya vigezo.
• Usalama wa anuwai za vigezo zilizopendekezwa haujaonyeshwa kwa jaribio la uwanjani lililodhibitiwa na la matarajio.
• Modeli si mfumo huru wa usalama kwa kuporomoka kwa ghafla kwa uso, uharibifu wa segment au hitilafu ya vifaa.
• Wastani wa pete hauonyeshi kwamba matukio muhimu ya muda mfupi ndani ya pete yametabiriwa kwa mafanikio.
• Vizingiti vya namba katika utafiti haviwezi kuhamishwa moja kwa moja kwenye miradi ya Türkiye au mashine nyingine za shield.

Mbinu na Matokeo ya Utafiti

Muhtasari wa kiufundi wa mbinu

Utendaji wa TabPFN katika sehemu za data

Maeneo ya udhibiti ndani ya mradi yaliyopendekezwa katika utafiti

Mahusiano yaliyopendekezwa kwa mfumo wa slurry na utoaji

• Kasi ya kichwa cha kukata kwa ujumla ilisawazishwa katika anuwai ya takribani 1,10–1,15 rpm.
• Katika tabaka za mchanga, anuwai ya 1,22–1,25 g/cm³ ilipendekezwa kwa MID.
• Katika tabaka zenye mshikamano mkubwa, anuwai ya 1,20–1,23 g/cm³ kwa MID na ongezeko linalofaa la MIFR lilipendekezwa.
• CQ ikiwa juu ya 8 kPa, ilielezwa kuwa MID inapaswa kuwekwa chini kiasi.
• Anuwai ya takribani 0,05–0,08 g/cm³ ilipendekezwa kwa tofauti ya msongamano kati ya MDD na MID.
• Ilipendekezwa kuwa kabla ya kuongeza nguvu ya kusukuma, kiwango cha utoaji, shinikizo la slurry na uwezo wa mzunguko vinapaswa kukaguliwa.

Thamani hizi si standard ya usalama au maagizo ya uendeshaji ya mtengenezaji. Watafiti wenyewe wameeleza wazi kwamba vizingiti vimetokana na jiolojia ya handaki iliyochunguzwa, usanidi wa mashine na tabia za uendeshaji, na vinapaswa kukalibishwa upya katika miradi tofauti.

Nguvu kuu za utafiti

• Rekodi halisi za uwanjani za mradi wa shield wenye kipenyo kikubwa sana zilitumika badala ya data za maabara au sintetiki.
• Tatizo la data chache katika hatua ya awali lililengwa kwa uwazi.
• Ugunduzi wa outlier, uchaguzi wa vipengele, utabiri, maelezo na tafsiri ya kihandisi viliunganishwa katika mtiririko mmoja.
• TabPFN ililinganishwa na modeli nyingi za jadi na deep learning kwenye data ileile.
• Mbali na SHAP ya kimataifa, maelezo ya pete moja moja na miingiliano ya vigezo yalitathminiwa.
• Kushirikiwa kwa data na msimbo wa uchambuzi huongeza uwezekano wa ukaguzi upya.
• Mfumo wa maamuzi unaosimamiwa na binadamu ulipendekezwa bila kuipa AI mamlaka ya mwisho ya udhibiti.

Mapungufu makuu ya utafiti

• Sampuli zote zinatoka kwenye pete 271 za kwanza za handaki moja.
• Hakuna uthibitishaji wa nje kwenye handaki au mashine nyingine huru.
• Seti ya test ina pete 26 tu.
• Haijaelezwa kama mgawanyo wa data ulihifadhi mpangilio wa pete.
• Athari ya utegemezi wa nafasi kati ya pete zilizo karibu kwenye utendaji haikupimwa kando.
• Contamination ratio ya Isolation Forest iliwekwa mapema kuwa asilimia 5.
• Haijaonyeshwa kama thamani kali zilizorekebishwa kwa interpolation ziliwakilisha matukio halisi ya uwanjani.
• Wastani wa kiwango cha pete unaweza kuficha tabia muhimu za muda mfupi.
• Matokeo ya SHAP na GAM ni mahusiano ya modeli za uchunguzi; si matokeo ya causal experiment.
• Mikakati ya udhibiti iliyopendekezwa haijajaribiwa kwa jaribio la uwanjani la closed-loop la matarajio.
• Utafiti haujapitiwa na wahakiki.

Maelezo ya Chanzo na Mbinu

Jina kamili asili la utafiti: Interpretable Early-Stage Advance Rate Prediction and Human–AI Collaborative Decision Support for Ultra-Large-Diameter Slurry Shield Tunnelling Using TabPFN-SHAP

Waandishi: Chenlong Yue, Jian Zhang, Tugen Feng na Bin Zheng.

Mpangilio wa waandishi: Chenlong Yue ni wa kwanza, Jian Zhang wa pili, Tugen Feng wa tatu na Bin Zheng wa nne.

Taarifa ya mchango sawa: Hakuna taarifa ya waandishi waliochangia sawa katika toleo lililopakiwa.

Mwandishi wa mawasiliano: Jian Zhang. Anwani ya mawasiliano iliyotolewa katika utafiti ni 241604010106@hhu.edu.cn.

Mahusiano ya taasisi:

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

DOI:10.2139/ssrn.7030777

Jukwaa la uchapishaji: SSRN.

Kiungo rasmi cha rekodi:Ukurasa wa utafiti wa SSRN

Kiungo cha data na msimbo:Hazina ya GitHub ya TabPFN-Based-Advance-Rate-Prediction

Mwaka wa uchapishaji: 2026. Tarehe kamili ya kupakiwa kwenye ukurasa rasmi wa SSRN haikuweza kuthibitishwa kando wakati wa mapitio haya.

Jarida: Taarifa ya kukubaliwa au kuchapishwa katika jarida lililopitiwa na wahakiki haijathibitishwa.

Mchapishaji asili: Hakuna taarifa ya mchapishaji kwa uchapishaji wa mwisho uliopitiwa na wahakiki.

Aina ya chanzo: Uendelezaji wa modeli ya kujifunza kwa mashine, ulinganisho na usaidizi wa maamuzi ya uhandisi unaoelezeka unaotegemea data halisi za uwanjani; preprint.

Hali ya mapitio ya rika: Utafiti huu ni preprint ambayo haijapitiwa na wahakiki; matokeo yanapaswa kusomwa kwa kuzingatia kikomo hiki.

Ufadhili: Utafiti uliungwa mkono na National Natural Science Foundation of China, Fundamental Research Funds for the Central Universities, mifuko ya watafiti wa kiwango cha juu, mpango mkubwa wa sayansi na teknolojia wa Jiangxi Province, mpango wa kitaifa wa deep underground engineering na mifuko ya maabara ya usalama wa uhandisi wa ujenzi katika maeneo ya milimani.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wowote wa kifedha unaojulikana au uhusiano wa kibinafsi unaoweza kuathiri utafiti.

Makala haya ya Kiswahili yameandaliwa kwa kuchunguza utafiti wa kurasa 43 uliopakiwa; formulas, majedwali, grafu, usambazaji wa kijiolojia, vielelezo vya SHAP na michoro ya maamuzi ya uhandisi. Hakuna matokeo mapya ya majaribio, mafanikio ya uwanjani au dhamana ya usalama ambayo haipo katika utafiti iliyoongezwa. Vyanzo vya nje vilitumika tu kuthibitisha DOI, rekodi rasmi ya SSRN na hazina ya data-msimbo iliyoripotiwa katika utafiti.

Usahihi mkubwa ulioripotiwa wa TabPFN unahusu seti ndogo ya data ndani ya mradi mmoja. Kabla ya kutumika katika handaki nyingine, uthibitishaji huru wa nje, majaribio ya muda-nafasi yanayohifadhi mpangilio wa pete, usanifishaji wa sensa na vitengo, kalibresheni ya udongo wa eneo na tathmini ya uwanjani ya matarajio vinahitajika. Anuwai za namba za vigezo katika utafiti hazipaswi kutafsiriwa kama mipaka ya ulimwengu ya uendeshaji wa handaki au amri za udhibiti wa kiotomatiki.