Valokuvaamalla turvallisempia kalliotiloja

Transkriptio

1 Valokuvaamalla turvallisempia kalliotiloja Lauri Uotinen Louhinta- ja kalliotekniikan päivät Hotel Haaga Central Park, Helsinki

2 Tavoite Esityksen jälkeen kuulija - tietää työn keskeisen sisällön - ymmärtää työn kytkeytymisen tutkimuskenttään - ymmärtää tutkimustulosten merkittävyyden Väitöskirja:

3 Rakenne Johdanto Tutkimusongelma Tutkimusmenetelmät Kenttäkoe ICSE Leikkauskoe ASPERT Riskienhallinta GRM Tulosten merkittävyys Yhteenveto Kytkeytyminen tutkimuskenttään Keskeinen sisältö Merkittävyys

4 Johdanto

5 Ydinvoima 448 ydinvoimareaktoria maailmanlaajuisesti tuottaa 11 % maailman sähköntarpeesta. Lähde:

6 Ydinjäte Ydinenergia tuottaa ydinjätettä, jonka kansainvälisesti hyväksytty käsittelytapa on geologinen loppusijoittaminen. Lähde: Posivan kuvapankki

7 Ydinjätekapseli KBS-3V -konseptissa kapselit asennetaan pystyyn Lähde: Posivan kuvapankki

8 Tutkimusongelma

9 Jännitystilavauriot Kalliopaine kasvaa syvissä kalliotiloissa ja käytetyn ydinpolttoaineen kapselit tuottavat yhä hukkalämpöä. Kestääkö kallio?

10 Rakojen siirtymät Jääkaudet voivat aiheuttaa toissijaisia siirtymiä kallion raoissa. Voiko rako liikahtaa liian paljon?

11 Syvät kaivokset Kalliopaine voi kasvaa liian suureksi syvissä kalliotiloissa Miten riskiä voidaan hallita? Kuva: Kemin kaivos Kuva: Pyhäsalmen kaivos

12 Tutkimusmenetelmät

13 Tutkimusmenetelmät Julkaisut 1, 2 ja 3 Julkaisut 4 ja 5 Julkaisut 6 & 7

14 Tutkimusmenetelmät Julkaisut 1, 2 ja 3 Julkaisut 4 ja 5 Julkaisut 6 & 7

15 Tutkimusmenetelmät Julkaisut 1, 2 ja 3 Julkaisut 4 ja 5 Julkaisut 6 & 7

16 Tutkimusmenetelmät Julkaisut 1, 2 ja 3 Julkaisut 4 ja 5 Julkaisut 6 & 7

17 Kenttäkoe ICSE Numeeriset ennusteet

18 Kokeen tarkoitus Kanisteripaneelien lämpö kuormittaa teknisen alueen kuiluja Kanisteripaneelit Kuilut

19 Suunniteltu koe Tutkimusreikä ONK-EH3 L = 7,2 m ø = 1,762 m 8 lämmitysreikää L = 6,0 m ø = 0,076 m Alaosa 4,2 m ruiskubetonoitu t = 40 mm

20 Sokkoennusteet After 3 weeks After 6 weeks After 9 weeks

21 ICSE-kenttäkoe, kevät 2017

22 ASPERT Leikkauskoe Kokeellinen todentaminen

23 Mittakaavavaikutus Shear stress Shear displacement Asperity component Geometrical component Residual or basic frictional component Roughness component Total frictional resistance Bandis, S., Lumsden, A.C., Barton, N.R. (1981). Experimental studies of scale effects on the shear behaviour of rock joints. Int J Rock Mech Min Sci & Geomech Abstr 18(1):1-21. DOI / (81)90262-X

24 ASPERT 2 m x 0,95 m

25 AMPERT 0,5 m x 0,25 m

26 Shear strength (kpa) Peak shear strength (kpa) Tulokset nd, 6.6 kpa 3 rd, 9.2 kpa 1 st, 4.0 kpa th, 4.0 kpa Normal pressure (kpa) Sample length (mm)

27 ASPERT II 2,0 m x 1,0 m, 2018 kevät

28 GRM Riskienhallinta Teorian kehitys

29 GRA Geotekninen riskienarviointi Collect data Evaluate geotechnical hazard potential Formal GRA justified? NO Transfer & consult YES Geotechnical risk management Outline the scope Identify hazard Find the probability of hazard Evaluate consequences Represent and rank the risk Monitor in realtime & review Risk acceptable? NO Treat the risk and analyse reliability YES

30 Reaaliaikainen jännitystilan seuranta

31 Vikapuu-tapahtumapuu -arviointi Failure with warning system: P(0.269 or or or 0.05) and 0.2 = = 12.2% Failure without warning system: P(0.269 or or or 0.05) = = 60.9% Failure Resisting Strainburst and or Failure Causing Warning System Fails P = 0.2 Riski = todennäköisyys x kustannukset Poor Artificial Support P(0.1 or 0.05 or 0.05 or 0.1) = Poor Natural Support P(0.1 or 0.05 or 0.05) = Unexpected Mining Induced Stress P(0.05 or 0.05 or 0.1 or 0.05 or 0.1) = Natural Seismicity P = 0.05 or or or Incorrect Design P = 0.1 Inferior Quality P = 0.05 Incorrect Installation P = 0.05 Poor Rock Quality Data P = 0.05 Presence of faults/ fractures P = 0.05 Human Error in Estimation/ Design P = 0.1 Poor Excavation/ Pillar Shape P = 0.05 Incorrect Mining Sequence P = 0.05 Blasting/ Seismicity P = 0.1 Loading by Geological Structures P = 0.05

32 Evaluate/Update Bayes-verkot Prior Belief / Knowledge Define causal model Numeric node? No Define node states and prior probability Yes H 1 H 2 Available real-time? No Yes Continuous data? No Parameter learning? Yes Yes No Cause Effect Relationship Probability Table Causal Model E Inference Plan instrumentation and collect data Define distribution Define BN and learn prior Define prior Bayesian Network Evaluate risk Decision-Making model Observed Data Backwards inferencing, hypothesis testing, and improvement of BN

33 Koejärjestely kaivoksella monipiste-ekstensometria 500 metrin syvyydellä kaivospilarissa

34 Merkittävyys Tulosten hyödyntäminen

35 ICSE kenttäkokeen simulaatiot Simulaatiot osoittivat, että kalliomassan lämmittäminen on tehokas tapa suorittaa jännitystilaan liittyviä kenttäkokeita. Simulaatioissa havaittiin suuri ero ennustetulle murtolujuudelle kun keskimmäinen jännitys huomioitiin.

36 ASPERT 2 m x 0,95 m laboratoriokoe Kehitettyä ainetta rikkomatonta valokuvamittaukseen perustuvaa menetelmää voidaan käyttää ydinjätteen loppusijoituksessa rakojen liikkeiden arviointiin. Väittelijä jätti kaksi keksintöilmoitusta valokuvamittaukseen liittyen ja Tekes-rahoitteinen Fractuscan-kaupallistamishanke on meneillään tutkimustulosten kaupallistamiseksi.

37 GRM - Riskienhallinta Tulosten perusteella syvät kaivokset voivat käyttää reaaliaikaisia mittalaitteita geoteknisen riskienhallinnan lähtötietoina. Baeys-verkot sopivat erityisesti tilanteisiin, joissa lähtötietoja on aluksi käytössä vähän.

38 Yhteenveto 1 Ohuet ruiskubetonikuoret soveltuvat jännitystilavaurioiden vähentämiseen. 2 Valokuvamittausta voidaan käyttää rakojen ominaisuuksien määrittämiseen. 3 Bayes-verkot soveltuvat syvien kaivosten reaaliaikaiseen riskienhallintaan.

39 Kiitos!

40 Lisätietoja MIEDU: KAVI: FRACTUSCAN: ORMID:

41 Youtube-videot Hi-Res: Full tunnel: MIEDU: VUTE:

42 + High-Resolution Photogrammetry + 3D Models + Rock mass properties + Joint parameters + Risk Mapping + Stability Analyses Contact: / Lauri.Uotinen@fractuscan.fi + Reinforcement Design + Reporting