AI w mikrotunelowaniu – model AGH do precyzyjnego projektowania

Sztuczna inteligencja znajduje coraz bardziej zaawansowane zastosowania w inżynierii lądowej, szczególnie w projektowaniu infrastruktury bezwykopowej. Model opracowany na Akademii Górniczo-Hutniczej w Krakowie wykorzystuje zweryfikowane dane z rzeczywistych realizacji do precyzyjnej estymacji sił przeciskowych podczas mikrotunelowania – kluczowego parametru decydującego o powodzeniu prac.

Jak AI wspomaga mikrotunelowanie?

Mikrotunelowanie to zaawansowana technologia bezwykopowa, pozwalająca na budowę tuneli o małych średnicach bez konieczności otwierania szerokiego wykopu. Proces wymaga precyzyjnego obliczenia sił przeciskowych – energii niezbędnej do przesunięcia tarczy tunelowej przez grunt. Błędne oszacowanie prowadzi do przedłużenia prac, wzrostu kosztów i zagrożenia bezpieczeństwa.

Model AI opracowany na AGH zmienia to podejście. Zamiast polegać wyłącznie na doświadczeniu inżynierów i teoretycznych kalkulacjach, system analizuje dane z poprzednich projektów – rzeczywiste warunki gruntowe, parametry maszyn, wyniki pomiarów. Pozwala to na bardziej wiarygodne prognozy i lepsze przygotowanie się do wyzwań na budowie.

Rozszerzenie modelu na inne technologie bezwykopowe

Potencjał modelu AI sięga poza samo mikrotunelowanie. Profesor Jan Ziaja z AGH wskazuje na możliwości zastosowania tego rozwiązania w technologiach HDD (Horizontal Directional Drilling) i Direct Pipe. Obie metody służą budowie infrastruktury podziemnej z minimalną ingerencją w powierzchnię terenu – HDD stosuje się głównie do układania rur przesyłowych, a Direct Pipe to hybrydowe podejście łączące zalety mikrotunelowania z szybkością HDD.

Rozszerzenie modelu AI na te technologie otwiera nowe możliwości optymalizacji projektów. Każda metoda ma inne charakterystyki i wymaga innego podejścia do obliczenia sił – AI, uczone na danych z różnych realizacji, mogą wspierać inżynierów w wyborze optymalnej strategii dla konkretnych warunków gruntowych.

Monitorowanie w czasie rzeczywistym – nowy standard bezpieczeństwa

Jednym z kluczowych elementów wdrażania AI w infrastrukturze bezwykopowej jest monitorowanie parametrów robót w czasie rzeczywistym. Czujniki zainstalowane na tarczy tunelowej i w otoczeniu wykopu zbierają dane o ciśnieniu, temperaturze, wilgotności i innych zmiennych. Model AI analizuje te informacje na bieżąco, porównując je z modelami przewidywanymi i historycznymi danymi.

Taki system pozwala na:

• Wczesne wykrycie anomalii – jeśli parametry odbiegają od normy, system alertuje zespół robót
• Adaptacyjne dostosowanie procedur – operatorzy mogą w tiempo rzeczywistym zmienić parametry pracy maszyny
• Dokumentacja pełna i automatyczna – wszystkie dane są rejestrowane, co ułatwia późniejszą analizę i raportowanie

Rola weryfikacji przez doświadczonych inżynierów

Częstym błędem jest postrzeganie AI jako całkowitego zastępstwa dla ludzkiej ekspertyzy. Profesor Ziaja podkreśla, że wyniki modelu muszą być zawsze weryfikowane przez doświadczonych inżynierów. Dlaczego?

Sztuczna inteligencja działa na podstawie danych z przeszłości – jeśli projekt ma niezwykłe cechy (np. niezwyczajne warunki gruntowe, nową technologię maszyny), model może nie mieć wystarczającej informacji do wiarygodnej prognozy. Inżynier, dysponując wiedzą teoretyczną, doświadczeniem praktycznym i intuicją, może dostrzec takie przypadki i skorygować rekomendacje AI.

Ponadto, odpowiedzialność za bezpieczeństwo realizacji inwestycji spoczywa na człowieku – AI jest narzędziem wspierającym, a nie decyzyjnym.

Znaczenie zamkniętych, zweryfikowanych baz danych

Fundamentem każdego modelu AI są dane. W przypadku inżynierii bezwykopowej kluczowe znaczenie ma dostęp do zamkniętych baz danych zawierających informacje z rzeczywistych realizacji. Takie bazy powinny zawierać:

• Parametry gruntowe (rodzaj gruntu, wilgotność, zagęszczenie, parametry wytrzymałościowe)
• Charakterystykę maszyn (typ tarczy, średnica, ciśnienia robocze)
• Wyniki pomiarów z prac (siły przeciskowe, szybkość postępu, zużycie narzędzi)
• Opisy problemów i sposobów ich rozwiązania

Dane te muszą być zweryfikowane – błędne informacje w bazie prowadzą do błędnych prognoz modelu. Dlatego właśnie bazy danych w instytucjach badawczych, takich jak AGH, są cenne: przechowują dane z projektów realizowanych przez partnerów branżowych, a ich jakość jest gwarantowana przez procedury naukowe.

Wpływ AI na edukację i przyszłość specjalistów

Wdrażanie sztucznej inteligencji w praktyce inżynierskiej zmienia również sposób kształcenia przyszłych specjalistów. Studenci kierunków takich jak inżynieria lądowa muszą dziś rozumieć nie tylko klasyczne metody projektowania, ale także umieć pracować z modelami AI, interpretować ich wyniki i wiedzieć, kiedy im ufać, a kiedy je kwestionować.

To wymaga zmian w programach nauczania – wprowadzenia kursów z zakresu machine learningu, analizy danych i interpretacji wyników algorytmów. Jednocześnie, tradycyjna wiedza inżynierska pozostaje niezbędna – bez zrozumienia fizyki procesu mikrotunelowania, nie można właściwie ocenić, czy rekomendacja AI ma sens.

Co to oznacza dla branży infrastrukturalnej?

Wdrażanie AI w projektowaniu infrastruktury bezwykopowej to przełom, ale nie rewolucja – to ewolucja. Modele takie jak ten opracowany na AGH pozwalają na bardziej precyzyjne projektowanie, zmniejszenie ryzyka i kosztów, oraz poprawę bezpieczeństwa realizacji. Jednocześnie, wymagają zmiany mentalności – inżynierowie muszą nauczyć się pracować z AI jako partnerem, a nie jako czarną skrzynką.

V Kongres Gospodarowanie wodami i Ochrona przeciwpowodziowa, który odbędzie się 2-4 września 2026 roku w Zakładzie Uzdatniania Wody Bielany w Krakowie, będzie okazją do dyskusji na temat roli sztucznej inteligencji w przyszłości infrastruktury bezwykopowej. Doświadczenia takie jak te dzielone przez profesora Ziają z AGH pokazują, że polska nauka i praktyka inżynierska są gotowe na te wyzwania.