Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Physics-Informed Modular Digital Twin for Real-Time Prediction in Mechanized Tunnelling

Descripción del proyecto

Un nuevo sistema fiable para gestionar proyectos de construcción de túneles

Predecir el comportamiento del terreno durante la excavación de túneles es fundamental para garantizar la seguridad y la precisión de las obras subterráneas. Sin embargo, las complejas interacciones entre el suelo, la presión intersticial y la maquinaria de excavación evolucionan de forma dinámica, lo que dificulta su predicción en tiempo real. Las simulaciones numéricas ofrecen resultados precisos, pero exigen una gran capacidad de cálculo, mientras que los modelos de aprendizaje automático suelen tener dificultades para adaptarse a condiciones cambiantes. En el proyecto PIMEX, financiado por las acciones Marie Skłodowska-Curie, se desarrollará un marco modular en tiempo real que combinará modelos basados en principios físicos con inteligencia artificial avanzada. La integración de las leyes físicas con el aprendizaje automático permitirá mejorar la precisión de las predicciones, facilitar la toma de decisiones y aumentar la seguridad y la eficiencia en la construcción de infraestructuras subterráneas.

Objetivo

The growing demand for tunnel excavation is directly linked to urbanization, with over 75% of Europe’s population already living in cities and this figure projected to exceed 80% by 2050. As urban areas expand, the need to extend infrastructure underground becomes critical. Subsurface development, however, introduces significant geotechnical risks, where even minor delays or failures can result in severe economic and societal consequences. Real-time predictive modelling tools are essential to ensure safety and resilience.
Despite advances in modelling, predicting ground behaviour in real time remains a major challenge. Excavation involves coupled processes, soil displacement, pore pressure changes, and complex machine-ground interactions, that evolve dynamically. Traditional numerical methods are accurate but computationally intensive and lack real-time adaptability. Machine learning (ML) approaches are faster but often operate as opaque black boxes, requiring large datasets and offering limited generalizability.
To address this gap, this project proposes the Physics-Informed Modular Excavation (PIMEX) framework: a real-time, modular system that integrates physics-based models with advanced ML. By embedding physical laws and constraints within neural network architectures such as PINNs, ConvLSTMs, and GNNs, PIMEX will enable interpretable, predictive simulations of excavation processes under sparse and noisy data.
The framework will support real-time control, enhancing safety, efficiency, and decision-making in mechanized tunnelling. Validation will be performed through large-scale infrastructure datasets and international collaborations, ensuring the robustness and transferability of the approach. Ultimately, PIMEX aims to deliver a next-generation predictive system for underground excavation, bridging physics and data-driven methods to reduce risks, optimize operations, and contribute to safer, more cost-effective infrastructure delivery under evolving conditions.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) HORIZON-MSCA-2025-PF

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

UNIVERSITY OF DURHAM
Aportación neta de la UEn
€ 260 347,92
Dirección
STOCKTON ROAD THE PALATINE CENTRE
DH1 3LE DURHAM
Reino Unido
Región
North East (England) Tees Valley and Durham Durham CC
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
Sin datos

Socios (2)