Data driven forecasting of dynamic cable loads for tunnel immersion operations

Het afzinken van een tunnel element is onderdeel van de bouw van een zinktunnel. Het element wordt via verticale kabels naar de bodem afgezonken, waarbij de kabelkrachten variëren door factoren zoals veranderingen in waterdichtheid en het uitgeven van de kabels. Een voorspelling van deze krachten zou de operatie veiliger en efficiënter maken en de mogelijkheid bieden de operationele momenten te vergroten. In de huidige projecten, worden deze krachten geschat met handberekeningen, OrcaFlex en CFD simulaties. Deze methodes kunnen echter niet leren van gemeten krachten.

Dit onderzoek beantwoord de vraag of machine learning modellen, getraind op de monitoringdata van de Oosterweeltunnel in Antwerpen, deze schatting kunnen verbeteren. Zes afzinkoperaties zijn gefilterd en opgedeeld in een statische en dynamische component. De statische krachten zijn gemodelleerd met multivariate regressie (MVR) en een multilayer perceptron (MLP). De dynamische krachten met een long short term memory netwerk (LSTM) en een Fourier neural operator (FNO). Vergeleken met de traditionele methode presteerden de modellen beter (statisch: R² van 0,33 naar 0,92; dynamisch: R² van -0.33 naar 0,44), al blijven de piekamplitudes onderschat. Daarnaast toonde de data analysis aan dat de oscillatieperiode van het systeem af neemt tijdens het afzinken en weer toe neemt bij de bodem, dit is het gevolg van diepteafhankelijke toegevoegde massa.