Para peneliti kini memakai deep learning untuk menebak kapan lumpur akan menumpuk di kepala bor mesin terowongan sebelum masalah itu benar benar mengganggu pekerjaan. Dalam proyek terowongan modern, penumpukan mud cake pada cutterhead bukan gangguan sepele. Lapisan lumpur yang menempel pada kepala pemotong dapat menurunkan efisiensi galian, mengganggu kestabilan operasi, meningkatkan konsumsi energi, dan pada akhirnya menambah risiko keselamatan. Karena itu, kemampuan memprediksi kemunculan masalah ini sejak dini menjadi sangat penting.
Di balik pembangunan terowongan besar, ada mesin raksasa yang disebut tunnel boring machine atau TBM. Pada metode shield tunneling, mesin ini maju sambil memotong tanah di depannya dengan cutterhead, yaitu bagian bundar besar yang berputar dan dipenuhi alat pemotong. Dalam kondisi ideal, cutterhead akan memecah tanah lalu material hasil galian dipindahkan keluar dengan lancar. Namun kenyataan di lapangan jauh lebih rumit. Pada jenis tanah tertentu, terutama yang lengket dan kaya air, material galian dapat menempel di permukaan cutterhead dan membentuk lapisan lumpur padat yang disebut mud cake.
Baca juga artikel tentang: Laut Cerdas, Bumi Berenergi: Revolusi Konversi Gelombang Menuju Energi Bersih
Mud cake ini bisa dibayangkan seperti adonan tebal yang terus menempel di alat dapur sampai fungsinya terganggu. Pada cutterhead, dampaknya jauh lebih serius. Lapisan tersebut dapat mengubah cara tanah dipotong, memperberat beban kerja mesin, menurunkan efisiensi pemindahan material, dan memperbesar peluang gangguan mekanis. Jika dibiarkan, operator mungkin harus menghentikan pekerjaan untuk membersihkan cutterhead, dan itu berarti waktu, biaya, dan risiko tambahan.
Selama ini, upaya memprediksi pembentukan mud cake sering bergantung pada pengalaman operator, pengamatan lapangan, atau data pemantauan yang terbatas. Pendekatan seperti itu tentu berguna, tetapi memiliki kelemahan besar. Masalah mud cake tidak muncul hanya karena satu faktor tunggal. Ia terbentuk dari gabungan kondisi geologi, kadar air, sifat tanah, tekanan kerja, parameter penggalian, dan perilaku mesin itu sendiri. Karena banyak faktor terlibat secara bersamaan, penilaian berbasis satu dua indikator saja sering tidak cukup untuk menghasilkan prediksi yang akurat dan dinamis.
Penelitian yang terbit pada 2026 di jurnal Tunnelling and Underground Space Technology mencoba mengatasi keterbatasan itu dengan pendekatan yang lebih modern. Tim peneliti menggunakan data pemantauan dari banyak sumber sekaligus, lalu menggabungkannya dengan metode deep learning untuk memprediksi pembentukan mud cake pada cutterhead. Mereka memanfaatkan data dari proyek terowongan perisai Shenzhen Shantou Longgang sebagai dasar studi kasus. Dengan kata lain, penelitian ini tidak hanya berdiri di atas teori, tetapi juga dibangun dari situasi proyek nyata.
Gagasan utamanya cukup sederhana untuk dipahami. Jika pembentukan mud cake dipengaruhi banyak hal, maka sistem prediksinya juga harus belajar dari banyak jenis informasi sekaligus. Di sinilah peran multi source monitoring data menjadi penting. Mesin tunneling modern menghasilkan berbagai data operasi, seperti torsi, kecepatan putar, tekanan, laju penetrasi, dan parameter lain yang menggambarkan bagaimana mesin berinteraksi dengan tanah. Di sisi lain, kondisi geologi dan karakter material yang sedang digali juga memberi petunjuk penting. Dengan menggabungkan semua sinyal ini, model deep learning dapat mencari pola yang mungkin terlalu rumit untuk dikenali oleh manusia secara langsung.
Deep learning sendiri merupakan cabang kecerdasan buatan yang sangat kuat dalam menemukan pola kompleks di dalam data. Alih alih diberi aturan sederhana satu per satu, model ini belajar dari contoh yang sangat banyak. Ia mencoba mengenali hubungan tersembunyi antara berbagai variabel dan hasil akhir yang ingin diprediksi. Dalam konteks penelitian ini, hasil akhir itu adalah kemungkinan terbentuknya mud cake pada cutterhead. Jadi, sistem tidak sekadar melihat satu angka tinggi lalu membunyikan alarm, melainkan membaca kombinasi perubahan pada banyak parameter secara bersamaan.
Cara kerja ini mirip dokter yang tidak mendiagnosis penyakit hanya dari satu gejala. Seorang dokter akan mempertimbangkan suhu tubuh, tekanan darah, hasil laboratorium, riwayat pasien, dan keluhan lain sekaligus sebelum mengambil kesimpulan. Model deep learning dalam penelitian ini bekerja dengan logika serupa. Ia mencoba membaca gejala gejala mesin dan tanah secara kolektif, lalu menilai apakah kondisi tersebut mengarah pada pembentukan mud cake.
Nilai penting dari pendekatan ini terletak pada sifatnya yang dinamis. Pekerjaan tunneling berlangsung terus menerus dan kondisi bawah tanah bisa berubah dari satu segmen ke segmen berikutnya. Karena itu, sistem prediksi yang ideal tidak cukup hanya memberi gambaran umum di awal proyek. Sistem tersebut harus mampu mengikuti perubahan kondisi secara real time atau mendekati real time. Dengan dukungan data pemantauan yang terus mengalir dan model pembelajaran mendalam yang sudah dilatih, operator berpeluang mendapatkan peringatan lebih awal sebelum mud cake berkembang menjadi masalah besar.
Manfaat praktisnya cukup jelas. Jika risiko pembentukan mud cake bisa dideteksi lebih cepat, tim proyek dapat menyesuaikan parameter penggalian, mengubah strategi operasi, atau melakukan intervensi sebelum gangguan menjadi parah. Ini bisa berarti efisiensi yang lebih baik, waktu henti yang lebih sedikit, dan tingkat keselamatan yang lebih tinggi. Dalam proyek infrastruktur besar, keuntungan seperti ini sangat berarti karena keterlambatan kecil saja dapat berujung pada biaya yang sangat besar.
Penelitian ini juga menunjukkan perubahan cara berpikir dalam rekayasa sipil dan geoteknik modern. Dulu, banyak keputusan teknis bergantung pada pengalaman ahli dan aturan empiris. Pendekatan itu tetap penting, tetapi kini data berukuran besar dan kecerdasan buatan mulai menambah lapisan kemampuan baru. Bukan berarti mesin menggantikan insinyur, melainkan membantu insinyur melihat pola yang terlalu rumit atau terlalu cepat berubah untuk dibaca secara manual. Dalam konteks tunneling, ini sangat berharga karena operasi berlangsung dalam lingkungan tertutup, berisiko tinggi, dan penuh ketidakpastian geologi.
Ada pelajaran yang lebih luas di sini. Banyak masalah teknik ternyata muncul bukan karena alat utamanya gagal total, tetapi karena ada proses kecil yang berkembang diam diam lalu mengganggu seluruh sistem. Mud cake adalah contoh yang sangat baik. Ia hanya lapisan lumpur yang menempel, tetapi dampaknya bisa menjalar ke performa mesin, stabilitas operasi, konsumsi energi, hingga jadwal proyek. Karena itu, kemampuan mendeteksi tanda tanda awal sebelum masalah membesar sering sama pentingnya dengan kemampuan memperbaiki kerusakan setelah terjadi.
Tentu saja, pendekatan berbasis deep learning juga punya tantangan. Model seperti ini membutuhkan data yang cukup banyak dan berkualitas baik. Jika data pemantauan tidak lengkap, penuh gangguan, atau tidak mewakili variasi kondisi lapangan, hasil prediksi bisa menurun. Selain itu, model yang bekerja baik pada satu proyek belum tentu langsung cocok untuk proyek lain dengan geologi, desain mesin, atau strategi operasi yang berbeda. Karena itu, penerapan di dunia nyata tetap memerlukan kalibrasi, validasi, dan pengawasan dari para ahli lapangan.
Namun justru di situlah kekuatan penelitian ini. Ia menunjukkan arah masa depan, bukan sekadar menawarkan satu rumus cepat. Masa depan konstruksi bawah tanah tampaknya akan semakin mengandalkan perpaduan antara pengalaman teknik, sensor lapangan, analisis data, dan kecerdasan buatan. Dengan gabungan itu, masalah seperti mud cake tidak lagi harus ditangani hanya setelah terlihat parah, tetapi bisa diprediksi dan dikelola lebih awal.
Studi ini memperlihatkan bahwa terowongan modern tidak hanya dibangun dengan beton, baja, dan mesin besar, tetapi juga dengan data. Di bawah tanah, saat cutterhead terus berputar menembus lapisan bumi, sensor merekam jejak operasi dan model deep learning mencoba membaca maknanya. Dari kombinasi itulah muncul peluang baru untuk membuat tunneling lebih cerdas, lebih aman, dan lebih efisien. Mud cake mungkin tampak seperti masalah teknis yang sangat khusus, tetapi penelitian ini menunjukkan sesuatu yang lebih besar: ketika data yang tepat bertemu metode analisis yang tepat, bahkan masalah yang lengket sekalipun bisa dibaca sebelum benar benar menempel terlalu lama.
Baca juga artikel tentang: Mesin Cahaya Tertua di Bumi: Bagaimana Cyanobacteria Mengonversi Cahaya Menjadi Energi
REFERENSI:
Zhang, Wengang dkk. 2026. Prediction of mud cake formation on shield cutterheads based on multi-source monitoring data integrated with deep learning method. Tunnelling and Underground Space Technology 170, 107339.
