Ill. AGJV

Innlegg: Follobanen gjorde maskinene smartere

Norges største infrastrukturprosjekt, Follobanen, har bidratt til teknologisk nyvinning for entreprenørselskapet Acciona. Enorme datamengder fra de fire tunnelboremaskinene (TBM) som gravde høyhastighetsbanens dobbelttunnel, er brukt for å utvikle en algoritme som gjør at selskapet nå kan forutsi når en TBM-motor kan oppleve problemer - før det skjer.

Jacobo Arnanz Gonzalez

Accionas infrastrukturdirektør i Norge

Verden svømmer i data. Utfordringen ligger i å ta i bruk all denne dataen på en nyttig måte. I byggebransjen, som i andre sektorer, utvikler digitaliseringen seg raskt; fra BIM-teknologi til sensorer i beskyttelsesutstyr og maskiner, og droner som samler data over byggeplasser. Tilgang til sanntidsinformasjon har gitt bransjen enorme fordeler, når det gjelder effektivitet, kostnadskontroll og helse og sikkerhet på jobben.

Men data i sanntid er én ting, å analysere data for å forutsi hva fremtiden vil bringe er mer komplekst. Likevel, forutsigbarheten som dataanalyse byr på vil bli en skikkelig game-changer for byggebransjen.

På Follobanen, hvor Bane NOR er prosjekteier, har Acciona fått muligheten til å ta i bruk såkalt prediktiv analyse. De fire TBMene som boret seg gjennom fjellet mellom Ski og Oslo, fullførte de to løpene på 18,5 km tunnelene på rekordkorte 30 måneder takket være en oppetid på 94,2 prosent. Men selv korte perioder med nedetid virker negativt på effektiviteten. Forsinkelser koster penger; de utsetter tidsfrister og sprenger budsjetter. Det liker verken kundene eller entreprenørene. Acciona ville prøve å finne en måte å forbedre effektiviteten av TBMs ytterligere, ved å bruke de svimlende datamengdene som disse maskinene genererer hver dag.

En TBM er som en gigantisk bevegelig fabrikk. Det er en av de aller største mekaniserte skapningene som finnes. Maskinene som ble brukt på Follobanen er like høye som en fem-etasjers bygning, like lange som fem busser og veier like mye som 15 Boeing-fly av typen 787s. Det faktum at en TBM er en bevegelig fabrikk gjør den til en god kandidat for prediktiv analyse. Den repeterende øvelsen tunnelboring er, til tross for at stein og andre geologiske forhold endres – gir mulighet for å samle inn og klassifisere data og søke etter mønstre i maskinens ytelse, for så å lære av det. Den lar oss samle svært omfattende tester av samme oppgave. Den isolerer perioder når problemer oppstår, og sammenligner dem med perioder med normal drift.

Hver av tunnelboremaskinene er utstyrt med hundrevis av sensorer, som under boringen målte 2000 variabler i sanntid, inkludert trykk, hastighet, motorytelse, forbruk av kraft og smøremidler, samt eksterne variabler som berghardhet eller varme og fuktighet inne i tunnelen. Men så spurte vi oss: Kan vi bruke dataene til å forutse problemer før de oppstår og forbedre maskinens ytelse ytterligere?

Etter å ha boret 70 % av Follobanetunnellene, hadde våre fire boremaskiner generert 1,2 terabyte data – innhold tilsvarende en halv million bøker! Når man får så mye tilgjengelig informasjon er utfordringen å sile ut det som er relevant for å forutsi ytelsen til maskinene. Vi har jobbet som et tverrfaglig team; tunnelingeniørene tolker dataene, dataforskere analysere dataene, matematikere bruker dataene til å konstruere modeller som kan forutsi fremtidig ytelse.

Tunnelboremaskinene stopper for korte perioder mange ganger om dagen. Det er normalt. Det vi lette etter var uforutsette stopp. Så vi satte søkelys på hva dataene fortalte oss foran et stopp. Vi undersøkte en rekke variabler, og til slutt fant vi en faktor som syntes å ha en sterk sammenheng med uforutsette stopp. Med datasettene som ble identifisert, utformet våre matematikere en algoritme som kunne forutsi driftsfeil på hovedmotor. Vi testet dette på våre TBMer på Follobanen. Modellen var vellykket, og den klarte å forutse motorproblemer med 80 % nøyaktighetsgrad.

Takket være Follobaneprosjektet har Acciona nå utviklet et prediktivt verktøy som vil forbedre ytelsen og effektiviteten til tunnelboremaskiner i alle fremtidige prosjekter rundt om i verden. Stordata i byggebransjen har kommet for å bli. Allerede har den gjort bransjen vår bedre, og vi har trolig kun sett starten. Denne kunnskapen hjelper oss å forutsi kostnadene mer nøyaktig, planlegge bedre og reduserer dermed risiko i prosjektene. Selv små forbedringer i nøyaktighet og effektivitet kan gjøre stor forskjell på bunnlinjen.