AI-based prediction model for the “Rock-burst” impact test for reinforced shotcrete slabs
Autor: Michael Härdi
Sprache: Englisch
Kurzfassung
Die Schweizer Firma Geobrugg führte mehrere Versuche durch, um die Qualität eines von ihnen neu entwickelten Stahlnetz zu untersuchen. Es kann sowohl im Untertagbau als auch im Minenbau eingesetzt werden. Die Versuche wurden von Geobrugg auf ihrer eigenen Versuchsanlage durchgeführt. Der Versuchsaufbau bestand aus einer Spritzbetonplatte, auf die das Netz mit neun Ankern angebracht wurde. Um den Widerstand zu testen wurde ein Betonblock auf das System fallen gelassen. Die Experimente wurden mit Kraftmessungen an allen neun Ankern, vier Zeitlupenkameras und einem Beschleunigungssensor auf dem Betonblock dokumentiert.
In dieser Arbeit wurde die Anwendbarkeit von verschiedenen Algorithmen des Maschinellen Lernens (engl. «Maschine Learning») und des tiefen Lernens (engl. «Deep Learning») untersucht. Die grösste Herausforderung dieser Aufgabenstellung war die limitierte Verfügbarkeit von Testdaten. Nur zehn Tests wurden für die Modelle in dieser Arbeit genutzt. Eine zusätzliche Komplexität entstand durch vorgeschädigte Platten. In vier Tests wurde eine Spritzbetonplatte getestet, die bereits in einem vorangehenden Experiment genutzt und dabei erheblich beschädigt wurde. Drei dieser Platten versagten, während fünf der sechs unbeschädigten Platten den Block zurückhalten vermochten. Diese Schwachstelle in den Daten war schwierig zu umgehen. Deshalb wurde in dieser Arbeit eine weitere Testkampagne vorgeschlagen, um die Qualität des Datensatzes weiter zu verbessern.
In dieser Arbeit wurden drei verschiedene Modelle des Maschinellen Lernens untersucht. Die ersten beiden Modelle versuchten das Testresultat korrekt vorherzusagen («Versagen» oder «kein Versagen» der Platte). Ein erstes Modell dem Merkmale, die den Versuchsaufbau und die Messmerkmale beschreiben, zur Verfügung standen, konnte gute Resultate erzielen. Eine mittlere Testgenauigkeit von 0.78 wurde erzielt. Ein weiteres Modell, das nur die Merkmale, die den Testaufbau beschreiben erhielt, konnte keine ähnlich guten Resultate erreichen. Zusätzliche Versuche scheinen nötig zu sein, um die Modellqualität zu erhöhen. Weiter wurde ein Regressionsmodell untersucht. Es sagt die maximalen Ankerkräfte für jeden Test voraus. Da die Kräftemessungen der Anker eine grosse Varianz zeigten konnten keine annähernd perfekten Resultate erzielt werden. Das beste Modell erzielte ein Bestimmtheitsmass R2 von 0.83 und einen mittleren absoluten Fehler von 38 kN.
In einem letzten Schritt wurde die Anwendbarkeit von neuralen Netzen mit einem langen Kurzzeitgedächtnis (engl,: «LSTM - Long Short-Term Memory») auf die zeitabhängigen Ankerkräfte untersucht. Indem diese Modelle durch die Zeitreihe «gehen», können solche Modelle komplexe Muster in sequenziellen Daten lernen. Ein erstes Modell, das auf nur einem Test trainiert wurde, zeigte beeindruckende Ergebnisse auf dem Validierungsdatensatz: ein mittlerer absoluter Fehler von 6.3 kN konnte erreicht werden. Eine Erweiterung dieses Modells könnte die Qualität weiter verbessern.
