Deep learning (DL) kini menjadi bagian integral dari teknik sipil modern, khususnya dalam pembangunan terowongan di Tiongkok yang menghadapi tantangan geologi kompleks, risiko longsor, dan kebutuhan transportasi tinggi. Artikel yang ditulis oleh Chunsheng Su et al. dalam Applied Sciences (2024) menawarkan tinjauan komprehensif atas bagaimana kecerdasan buatan merevolusi cara perencanaan, pembangunan, dan pemeliharaan terowongan dilakukan di berbagai lingkungan: gunung, perkotaan, dan bawah laut.
Dominasi China dalam Infrastruktur Terowongan
Hingga akhir 2022, China telah mengoperasikan lebih dari 42.700 terowongan, termasuk 24.850 terowongan jalan raya dan 17.873 terowongan kereta api, dengan total panjang masing-masing 26.784 km dan 21.978 km. Angka ini menjadikan China sebagai pemimpin global dalam infrastruktur terowongan.
Namun, pertumbuhan ini dibarengi tantangan teknis besar: lingkungan geoteknik yang tidak pasti, gangguan seismik, air tanah, serta struktur batuan yang tidak seragam. Karena itu, teknologi prediktif berbasis data seperti deep learning sangat dibutuhkan.
Mengapa Deep Learning Penting dalam Teknik Terowongan?
Deep learning, subbidang dari machine learning (ML), bekerja secara hierarkis melalui jaringan saraf dalam (deep neural networks/DNN). DL dapat mengolah data tanpa harus melakukan ekstraksi fitur manual, membuatnya cocok untuk lingkungan tidak pasti seperti teknik terowongan.
Penggunaan DL mencakup:
- Prediksi risiko longsor dan rockburst (letusan batu)
- Klasifikasi batuan sekitar
- Identifikasi retakan dan infiltrasi air
- Evaluasi kestabilan struktur dan prediksi penurunan tanah
Studi Kasus: Prediksi Rockburst di Terowongan Gunung
Rockburst merupakan bencana geologi yang sering terjadi di terowongan dengan kedalaman tinggi dan tekanan tanah besar. Model DA-DNN (Deep Neural Network) yang dikembangkan Tian et al. memanfaatkan parameter seperti tegangan tangensial maksimum dan indeks energi elastis untuk memprediksi intensitas rockburst, menghasilkan akurasi tinggi bahkan dalam data terbatas.
Sementara itu, metode monitoring mikro-seismik yang diproses melalui jaringan konvolusional mendalam digunakan Zhang untuk membangun sistem peringatan otomatis, memungkinkan klasifikasi sinyal real-time dan estimasi titik sumber getaran.
Kolaborasi Data Mining & Neural Network
Keterbatasan data di lapangan menjadi tantangan besar. Untuk mengatasinya, digunakan teknik data mining, seperti rough set theory oleh Zhang et al., yang dikombinasikan dengan RBF neural network. Hasilnya adalah prediksi non-linier yang sangat efektif terhadap risiko rockburst.
Identifikasi Keretakan dan Rembesan Air pada Terowongan Bawah Tanah Kota
Pada terowongan perkotaan seperti MRT, kerusakan struktural dapat menyebabkan masalah besar. Xue et al. mengembangkan model V-6 berbasis GoogLeNet untuk mendeteksi kerusakan seperti retakan, kebocoran, sambungan, dan pipa, dengan akurasi 95,24%. Selain itu, Mask R-CNN dan Fully Convolutional Network (FCN) berhasil memisahkan area kerusakan secara otomatis, mengurangi ketergantungan terhadap inspeksi manual.
Prediksi Penurunan Tanah Akibat Konstruksi Subway
Studi oleh Wen et al. menggunakan model NARX neural network untuk memprediksi penurunan tanah dengan memasukkan karakteristik lingkungan dan konstruksi. Hasilnya mendekati kondisi riil dengan error rendah. Mahmoodzadeh et al. membandingkan 300 data proyek di Iran dengan 8 algoritma seperti LSTM, GPR, dan DNN, dan menemukan LSTM menghasilkan akurasi hingga 98,96% dalam memprediksi penurunan tanah.
Tantangan Unik Terowongan Bawah Laut
Terowongan bawah laut seperti Xiamen Xiang’an dan Hong Kong-Zhuhai-Macao Bridge menghadapi risiko air laut yang tinggi. Untuk memprediksi stabilitas struktur dan potensi kerusakan akibat infiltrasi air laut, peneliti seperti Chen et al. melakukan simulasi fluid-solid coupling dan menggunakan algoritma Nelder–Mead dalam inversi parameter batuan.
ATSNL, sebuah model yang menggabungkan autoencoder dan RNN, berhasil memprediksi respons struktural terhadap beban air laut dan suhu, membantu memonitor integritas jangka panjang terowongan.
Kerusakan Akibat Erosi Air Laut
Sifat kimia air laut menyebabkan korosi serius pada struktur beton. Studi oleh Wang et al. memodelkan difusi ion klorida dan prediksi masa pakai struktur menggunakan model prediktif umur teknis, sangat relevan untuk subsea tunnel seperti Qingdao Jiaozhou Bay Tunnel.
Prediksi Risiko Rembesan Air Laut
Kombinasi metode numerik, GIS, dan deep learning digunakan oleh Li et al. untuk memodelkan interaksi antara tekanan air laut dan karakteristik batuan sekitar. Xiao menggabungkan genetic algorithm dan neural network untuk prediksi debit air masuk, meningkatkan presisi meski data masih terbatas.
Tantangan dan Prospek Masa Depan
Beberapa tantangan masih harus diatasi:
- Overfitting dan struktur jaringan kompleks: Menambah hidden layer bukan solusi otomatis untuk akurasi.
- Kurangnya platform data nasional: Menyulitkan berbagi informasi secara real-time.
- Keterbatasan generalisasi model: Sebagian besar hasil masih mengandalkan validasi pakar.
- Kurangnya pendekatan berbasis fisika: Diperlukan model hybrid seperti PINN (Physics-Informed Neural Network) agar hasil analisis lebih bisa dijelaskan secara ilmiah.
Opini dan Implikasi Industri
Kombinasi deep learning, data besar, dan teori fisika adalah arah masa depan teknik terowongan. Artikel ini menunjukkan bahwa sektor konstruksi di China tidak hanya berkembang secara kuantitatif, tetapi juga secara teknologis dan intelektual.
Model seperti DA-DNN, Mask R-CNN, dan ATSLN menandai transisi dari rekayasa konvensional menuju rekayasa prediktif cerdas. Bahkan, dalam era strategi rendah karbon, penerapan DL akan diperluas ke estimasi emisi karbon dari sistem mekanisasi konstruksi.
Kesimpulan
Artikel ini menekankan bahwa penerapan deep learning dalam teknik terowongan bukan hanya tren sementara, tapi kebutuhan mendesak dalam menghadapi kondisi geologi kompleks, kebutuhan efisiensi, dan keamanan struktural. Pendekatan yang menggabungkan simulasi numerik, algoritma optimasi, dan pembelajaran mendalam menjadikan teknik terowongan lebih tanggap, efisien, dan aman.
Sumber : Su, C., Hu, Q., Yang, Z., & Huo, R. (2024). A review of deep learning applications in tunneling and underground engineering in China. Applied Sciences, 14(1720).