– Ras, som raset i Hanekleivtunnelen, ga endringer i hvordan vi sikrer og dokumenterer tunneler. Man ble mer konservative i tilnærmingen til bergsikring. Mange i bransjen er nok enige om at vi ofte oversikrer tunnelene, sier Tom Frode Hansen, senioringeniør ved NGI (Norges Geotekniske Institutt).

Hansen, som har mange års erfaring med gruvedrift og tunnelsikring, har de siste tre årene jobbet med en doktorgrad der han bruker KI og maskinlæring til å tolke store datamengder for å gi bedre beslutningsstøtte ved tunneldriving.

Oversikring øker klimaavtrykk

De to vanligste metodene for å sikre massivt berg er, og vil nok fortsatt være, bolter og sprøytebetong. Samvirket av bolter som armerer, og sprøytebetong som «limer» berget, forsterker bergmassen slik at den kan bære seg selv.

– Det er mulig å støpe konstruksjoner, men det gjøres bare når tunnelen skal gå gjennom løst og knust berg. Vi har lite svakt berg i Norge, sier Hansen.

Selv om bolter og sprøytebetong forbruker mindre ressurser enn det full utstøpning ville gjort, fører oversikring til at det går med mer stål til fjellbolter enn nødvendig, og at det brukes for mye sprøytebetong.

Datamaskin tolker store datamengder best

– I dag baseres sikringsarbeidet på en stor andel subjektivt skjønn. For slik sikkerhetskritisk operasjon blir man naturlig konservativ. Ingen vil ta feil, så man sikrer litt ekstra. For sikkerhets skyld, sier han.

Tom Frode Hansen. Foto: NGI

Det er her Hansen mener KI kan være til hjelp. Sensorer montert på boremaskinene samler inn mange typer data, blant annet matetrykket, rotasjonstrykket og vannstrømmingen under boring. Disse sensordataene gir unike signaturer av bergmassene man driver tunnelen gjennom. I dag tolkes disse dataene i stor grad av mennesker. Det avhenger av den enkeltes erfaringer og digitale kompetanse. Hansen mener slike data tolkes bedre av en datamaskin.

– Mennesker er generelt dårlige til å tolke store mengder sensordata. Jeg bruker KI og knytter tolkingen av slike data opp mot mål som gir mening. Som hvor langt man bør sprenge for en gitt bergmasse, om man bør sette forbolter før sprengning, og hvilken bergart man er på vei inn i med tunneldrivingen. KI for optimal bytte av kutterdisker ved tunneldriving med tunnelboremaskin (TBM) var en annen modell i forskningen min. Dette tror jeg er fremtiden, sier han.

Selv om en datamaskin er bedre til å sortere ut og finne mønstre i store mengder data enn det et menneske har kapasitet til, understreker Hansen at ingen beslutninger skal overlates til en datamaskin.

– KI skal gi beslutningsstøtte. Det er fortsatt et menneske som skal ta beslutningene, understreker han.

Billigere tunnel med mindre CO₂

En utfordring med svaret man får fra en datamaskinen, er at dette er svar man må akseptere i ulik grad for ulike modeller. Selv om man ikke nødvendigvis direkte skjønner hva som ligger bak resultatet etter datamaskinens tolkning av sensordataene. Det finnes imidlertid metoder for å forklare svarene i enkelte KI-modeller.

– Det betyr at man må ha tillit til denne metoden. For å få til det, må vi fortsette å forske slik at vi kan lære å forstå, og forklare, hva som skjer i modellene. Vi må ha flere testprosjekt der vi kan sammenstille et menneskets subjektive og erfaringsbaserte tolkning, opp mot datamaskinens objektive tolkning. Da kan vi se om bruken av maskinlæring vil gi bedre sikkerhet og raskere fremdrift til en lavere kostnad, sier han.

Hvis det er mulig å optimalisere bruken av for eksempel sprøytebetong, slik at det er mulig å redusere mengden uten at det går på bekostning av sikkerheten i tunnelen, bidrar det til å senke tunnelbyggingens klimagassavtrykk.

Digital tvilling for bedre drift

Hansen anbefaler å lage en digital tvilling av en planlagt tunnel før man starter med sprenge den ut. Planmodellen kan videreføres med en oppfølgingsmodell som kontinuerlig oppdateres med nye data. Det gir oversikt over hvor boltene er satt, og hvor tykt lagt med sprøytebetong de ulike delene av tunnelen har fått. Data brukes så som input til KI-modeller. Slik går KI og en digital tvilling «hånd i hånd».

– Det gir verdi til videre bergsikring fordi man da kan følge opp observasjoner på for eksempel sprekkdannelser i sprøytebetongen. Deteksjon av sprekkdannelsen kan automatiseres med en KI-modell som «ser på» bilder og skann av drevet tunnel. En oppdatert digital tvilling (3D-modell) gjør det også enklere å se for seg hva slags bergmasse man har foran seg, sier han.