強化電網韌性工程

2022年3月3日興達電廠事故造成全國500多萬戶停電，引發社會各界關注國內電網系統穩定議題，也突顯出傳統集中式供電與單向電力潮流電網需與時俱進。為杜絕大規模停電再發生，政府提出「強化電網韌性建設計畫」，預計10年投入5,645億新台幣，全面提升全國電網面對突發事故的因應能力，同時為2050淨零轉型目標做好準備。

強化電網韌性計畫包含短中長期各項工程，短期(2年)目標為加速辦理執行中的韌性工程並強化系統保護及防衛能力；中期(5年)目標為持續推動電網分散及強固工程；長期(10年)目標將完成3大樞紐節點分散工程及相關長程計畫，力求杜絕單一事故造成大範圍停電再現。

2022~2032年預計完成共33條輸電線路，主要採潛盾洞道、推管、明挖管路或架空線進行輸配電，直供12個園區；完成變電所改建及節點分群共51所，完成線路擴充更新521回線公里，俾強化全臺電網韌性。

 

離岸風機趨勢

自1991年丹麥第一座離岸風機建置以來，全球離岸風電之發展已超過30年，過程中由小於1KW小瓦數之風機至目前達13MW之大風機，展望未來將有大於15MW超大發電量的風機。至於風機葉片直徑亦達200公尺以上，同時離岸風場將由近岸發展至遠岸，對應之水深亦由淺水區進入深水區，水深為決定離岸風機基礎型式之主要選擇。

風機工作平台以下為支撐結構，包括下部結構與樁基礎部分，下部結構主要為轉接段，含附掛於主結構之附屬設施，轉接段以下於單樁(Mono pile)型式則為海床以上及下方之樁基礎，套筒型式(Jacket)則為海床以上之管架段以及海床下方之樁基礎，目前國際上正在服役之風機下部結構多採單樁(Mono pile)與套筒(Jacket)型式，單樁直徑達10公尺，套筒式管架下方可採用三腳或四腳之基樁承重，最大樁徑亦達4公尺。

未來國內開發區位不再限於50公尺水深之限制，隨著風機重量與水深的增加情境下，倘持續採用固定式基礎，其基樁尺寸勢必增長增大，在施工船組裝技術與成本考量下，浮動式(Floating)基礎將會是未來離岸風機下部結構基礎的選項之一，浮動式風機下部結構主要有三種型式：半潛式(Semi-submersible)、圓柱浮標式(Spar buoy)以及張力腳平台式(Tension leg platform)，設計分析需要考慮陸地上風力機要計算的各種負載，還要進一步考慮波浪環境下的波浪力、洋流、水動力與基礎結構的交互作用、輻射波、反射波的負載，以及靜態和動態穩度平衡的繫泊系統等技術，國內由學術及船舶設計單位共同組成了團隊，發展帶有環形pontoon的3柱半潛式浮臺，預計可承載大於2,200噸15MW風機，後續通過實際極端風況安全驗證後，期可將技術推廣於國際風電市場。

 

北水南送珍珠串

臺灣受地形及氣候條件影響，坡陡流急水資源不易留存，降雨時間及空間差異極大，水資源較為充沛的東北部長年有雨，西南部則明顯夏雨冬乾，豐水期需仰賴水庫蓄水，枯水期則有供水吃緊的可能，近年受到極端氣候影響，極端降雨及乾旱事件頻傳。

為提升水資源運用效率，縮小各區域降雨不均衡問題，強化臺灣各區域之水源調度，經濟部水利署提出「珍珠串計畫」，把臺灣西部像珍珠一樣的重要水源設施一一串起，打通西部各區域供水瓶頸、擴大互相支援互通，強化臺灣西部廊道供水管網：

• 北部區域：著重擴大南勢溪水源及蘭陽溪水源南調，包含蘭陽溪引水至南勢溪或石門水庫、石門水庫至新竹原水管、新竹-苗栗雙向供水等工作。
• 中部區域：重點在於打通調度瓶頸，包含大安-大甲聯通管計畫、鳥嘴潭人工湖支援彰化、台中至雲林管線連通改善(臺中-彰化雙向調度、彰化-雲林雙向調度)等工作，可串聯鯉魚潭水庫、大甲溪、鳥嘴潭人工湖及湖山水庫水源，對中部地區供水穩定有極大效益。
• 南部區域：南部聚焦在南水北送，目前曾文南化聯通管工程正如火如荼進行規劃「濁幹線與嘉南大圳串接工程」，完成後可將濁水溪餘裕水量供應嘉南大圳北幹線農業用水，強化高屏攔河堰及東港溪攔河堰管線北送調度能力，可串聯運用濁水溪、曾文水庫、南化水庫，高屏溪及東港溪水源，強化臺南、高雄及屏東區域水源調度能力。

台灣各地水庫如同一顆一顆珍珠，為提高水資源區域調度的彈性，水利署擬以潛盾、推管、水管橋、明挖覆蓋等工法興建各式各樣的幹管，將各水庫串起來，逐步擴大各區域相互支援的能力。

 

捷運普及化

「大眾捷運法」所稱之大眾捷運系統，指利用地面、地下或高架設施，使用專用動力車輛，行駛於導引之路線，並以密集班次、大量快速輸送都市及鄰近地區旅客之公共運輸系統。除了依據「大眾捷運法」建設的捷運和輕軌系統外，亦有將臺鐵捷運化及公車捷運(BRT)認為是一種形式的捷運，部分縣市之大眾捷運系統路網也將其納入，以密集班距、密集站位、系統優化、優先號誌等方式提供服務，改善都會區交通。

目前國內的捷運和輕軌系統，依開始營運先後依序為臺北捷運(1996年3月28日)、高雄捷運(2008年3月9日)、桃園捷運(2017年3月2日)、新北捷運(2018年12月23日)和臺中捷運(2021年4月25日)，其中規模最大的是臺北捷運，營運中路網長度達146.2公里，營運中車站數為131座車站，日運量可達200萬人次；桃園捷運目前營運的桃園機場捷運則是國內第一個以提供機場聯外交通為主要目的之捷運線，營運長度51.03公里，為全國最長的捷運線。

政府於2016年推動前瞻計畫，盤點地方建設的需求、持續推動軌道交通，預計8年投入4200億元，讓台灣軌道建設的投資規模大幅提升，對捷運普及化助益極大。臺灣各大都會區人口及住宅密集，捷運施工多以潛盾工程及高架橋梁為主，不但增加都市捷運系統的路網覆蓋率，也強化都市捷運系統與其他軌道系統的轉乘整合，提供無縫接軌的運輸服務，並推動都市捷運系統的數位轉型，提升大眾交通的效率、服務和安全性，減少交通壅塞和污染，促進城市發展和生活品質。

 

環島高快速鐵路

國際能源署(IEA)因應氣候變遷提出2050年淨零排放路徑藍圖，希望將全球氣溫上升控制在1.5℃以內，必須努力將人為造成的溫室氣體排放極小化，再用負碳技術、自然碳匯等方式抵銷來達成目標。健全公共運輸系統及減少私人運具可集中人流及減少化石燃料使用，對氣候變化和減少碳排放方面扮演著重要的角色。

環島高鐵是臺灣鐵路運輸遠程目標，若計畫成形，交通部預估全臺未來將有20座高鐵車站，包含西部現有12座車站，及規畫中的東延宜蘭及南延屏東2座，東部地區則將有6座車站。但相較於西部地區，東部地區地形多山路廊有限，並位於菲律賓海板塊與歐亞大陸板塊交界處，造成花東地區地震頻繁，依中央氣象局資料，花蓮1年(2021.6~2022.6)約有235次地震，其中有感地震有66次，這對高鐵建設之施工難度及工程經費都是極大挑戰。

均衡考量計畫難度及經濟效益，交通部於2020年完成「全國高快速鐵路網整體規劃」，以「西部高鐵、東部快鐵」為主軸，以時速300公里的高鐵搭配時速130~160公里的快鐵，將臺北/高雄/臺東/花蓮間鐵路旅行時間皆可縮短至90分鐘以內，全國鐵路網6小時串聯環島。隨著速度更快的鐵路路網，勢必將有隧道開鑿、邊坡開挖及高架橋梁之結構需求，全國高快速鐵路網完成後，北、中、南、東皆將成為國土核心，帶動國土空間革命，促進區域均衡發展，創造「環島一日生活圈」。

高樓建築基礎

都市人口的增加，人們辦公與住宅的需求也隨之增加。爲了容納更多的人口，城市規劃趨勢朝高樓建築發展。高樓建築對於其基礎的設計考量跟一般建築的考量有些不同。高樓受到風力的影響較大且細長比也比一般建築來得大，若高樓再座落於軟弱地層或斷層區上，其基礎設計會是個很大的挑戰。那高樓建築基礎的設計考量有那些呢？

基礎設計一般考慮要兩大重點，基礎的承載力與沉陷量。高樓建築基礎設計主要考量的載重來源包括結構物載重、風力及地震。高樓建築因樓層高，因此結構物重量對於基礎的承載力的需求比一般建築物的基礎高，且風力及地震力使高樓基礎承受的側向力與彎矩需求更為增加。因此高樓基礎設計時要考量在上述載重作用下，基礎的沉陷及承載力符合規範的規定。

基礎型式一般有獨立基腳、樁基礎、筏式基礎等。對於高樓基礎，主要使用筏式基礎（把柱子的地基像木筏一般結合起來）、群樁基礎、樁筏基礎。近年來愈來愈多的高樓建築採用樁筏基礎，結合樁基礎與筏基礎特點，透過筏式基礎提供更高的承載力，並在特定位置設置樁基礎以減少差異沉陷。

相對於一般建築物，高樓建築對於沉陷的要求更為嚴格，以避免過度傾斜，影響其使用性。隨著電腦運算技術的提高，可透過數值模擬技術更完整考量地層情況，並精細地分析高樓基礎的沉陷分布及基礎各部位之受力情形。

除基礎設計外，高樓建築的基礎開挖施工也是一項大挑戰。雖然基礎開挖工程為假設性工程，但其為工程建設的主要必經過程，其成敗直接影響工程的成敗。由於高樓建築通常興建於都市，大規模寬且深的開挖，將可能會對鄰近建築物或捷運隧道等設施的使用及安全性造成影響，因此對於擋土工程的設計以及擋土設施的選擇要比一般建築物更為謹慎小心。

沙烏地阿拉伯德吉達塔(Jeddah tower)的基礎反應數值分析：
(a) 數值分析模型，(b) 基礎沉陷分布  (Poulos, 2016)

 

新科技於大地工程之應用

大數據、物聯網

隨著工業革命4.0的到來，人類的生活逐漸趨向數據化，而物聯網就是透過嵌入在不同儀器、電器中的感應器(sensor)，收集人類行爲數據，再傳到雲端上。而所收集的資料被稱爲大數據(Big Data)。大數據中涵括了很多訊息，但是需要透過處理才可以從中得到寶貴的資訊。比較常見的是，使用人工智慧的深度學習、解讀數據或是影像辨識。

大地工程是土木工程中比較成熟的學科，因此前人給予我們的資料相當龐大，我們又該如何採用新興的大數據與物聯網的技術呢？

大地工程主要的研究對象是土壤以及岩石。爲了了解它們的力學性質與工程性質以便可以做適當的設計，工程師通常透過實驗或是建立數學模型來進行分析。但是各個工程現場的土層情況或是挖掘隧道時的岩石情況都不同，因此在決定使用什麽參數時大多會使用前人經驗所建立的公式，但是憑藉個人的力量在龐大的資料裡面找出合適的參數與公式，其效率與準確率都不高。

現在有了大數據以及物聯網，工程師可以透過在現場的量測，獲得更多的相關資料做整合，再從中判斷哪些參數較合適。例如物聯網傳感器可以安裝在建築物和橋梁上，以監測它們的振動和變形。這些數據可以幫助工程師更清楚建築物和橋梁的安全狀況，發生問題時能在第一時間知曉，提供立即的解決方案。

以下舉了兩個例子，讓大家更了解物聯網與大數據在大地工程的實際應用。

Andrea et al. (2021) 結合物聯網與觀測儀器，一方面提供監測資料，另一方面在災害可能發生時提供預警。該技術可以減少人們現場監督或量測的時間與勞力。例如，儀器可以在沒有人類的監控之下自動收集所量測之資料，再透過寫好的程式進行初步的數據分析。即時呈現成果，幫助工程師做決策以有效處理災害相關問題。此外，有了更多的量測數據，工程師可以透過統計分析了解災害發生的因果關係，作為未來防災準備之參考。

構成防災物聯網系統需要軟體及硬體的配合才可以構成一套系統，如控制單位，即有感測器接受資料，再透過可以辨識造成災害現象的軟體，把辨識結果以及量測資料儲存的數據庫，再來就是可以簡單分析資料的自動系統。透過一系列的資料收集及分析，工程師可以更快的掌握有價值的資料及充足的數據做後續分析與判斷。

Ching (2020)提出大數據可以運用在現地土壤性質的預測。現今土壤參數及地層調查都是基於該基地取樣做現場調查再透過試驗獲得土壤參數，土壤參數是該現地特有的參數，故不能作為其他非鄰近現地的土壤參數。但是有時因受到地理環境或經費的限制，不能取得足夠的土壤樣本時，工程師會藉由參考其他現地的土壤參數來做設計。因此若能有個可以讓工程師共用的土壤參數數據庫，可解決這個需求。

大數據的發展可以讓這個想法實現，當有足夠的資料時，可以藉由大數據中一般性的土壤參數比對連結到對應特定場址的土壤參數。如何透過數學模型解釋大數據的資料就是當前學者們正積極努力研究的方向，例如通用多元模型(Generic Multivariate Model)和分層貝氏模型 (Hierarchical Bayesian Model)等。透過大數據建構土壤以及岩石參數的資料庫，再運用到特定的場址決定出該處的土壤參數。

AI與UAV的結合與應用

近年來，人工智慧（AI）和無人飛行器（UAV）技術的快速發展，為各行業帶來了革命性的變革。

在傳統的大地工程中，設計及施工過程需投入大量的人力和時間。然而，隨著AI和UAV技術的進步，這些傳統挑戰正被迅速克服。UAV的出現為資料收集提供了全新的方式。透過搭載先進感測器和攝影設備的UAV，工程師可以快速捕捉地形資料和高解析度影像，並通過AI技術進行即時分析。AI可以自動辨識、分類和處理收集到的資料，大大節省了時間和人力成本。同時，AI的影像處理能力也使得地形建模和設計優化變得更加準確和高效率。

以下舉了兩個例子，應用AI與UAV於邊坡滑動預測與壩體滲流檢測。

台灣常面臨地震、颱風和豪雨等自然災害，這些災害容易導致邊坡滑動，造成土石流和洪水等嚴重後果，因此邊坡滑動是台灣面臨的常見地質災害之一。根據Ghorbanzadeh等人在2019年發表的文章中提及：UAV能夠以高解析度和廣視角拍攝邊坡區域的影像，這些影像通過數據處理和特徵提取，成為卷積神經網路CNNs(Convolutional Neural Networks)的輸入。CNNs通過多層卷積反覆運算，學習和提取影像中與邊坡滑動相關的特徵。訓練完成的CNNs能夠對新的影像進行預測，判斷邊坡是否有滑動風險。

當水在壩體或防洪堤中形成滲流可能導致結構的損壞或不穩定，如果滲流無法及時檢測和處理，水會帶走壩體或防洪堤的砂石或是破壞壩體(或堤壩)結構，又導致滲漏的水量增加，最終導致堤壩的破壞或潰堤的危險。

在Wang et al. (2022)的研究中提到灌木叢和雜草等複雜的背景下往往難以準確識別滲漏情況。然而，利用UAV攜帶熱成像相機所拍攝的熱圖，可以測量表面的紅外輻射，從而通過溫度梯度顯示滲漏效應。這樣的熱圖可以透過計算機視覺和機器學習方法進行自動分割和識別，提供對滲漏輪廓的準確定位和檢測。Benkara (2022)應用此方法檢測防洪堤趾部的滲流情形。

使用UAV能夠快速且大範圍地收集堤壩表面的數據，減少了人力勞動和時間成本，AI可以透過深度學習識別滲漏的特徵，提高了監測的準確性和效率。同時，UAV的穩定飛行和準確定位功能確保了圖像的質量和位置訊息的準確性。

生物改良技術

由細菌生成的脲酶(urease)酵素可以催化尿素(CO(NH₂)₂)水解，產生CO₃^2-，並進一步與Ca²⁺反應，促使CaCO₃沉澱。生物礦化(Microbial induce calcium-carbonate precipitation,  MICP)工法即是運用此生物技術，利用CaCO₃將土壤顆粒膠結在一起，提高土體的強度並且降低透水性與壓縮性。

此技術提供解決土壤液化問題的新對策。

台灣時常發生地震，地震容易使無凝聚性土壤發生土壤液化，使得地上建物傾斜或大規模沉陷，因此實務上以改良建物基礎下之砂土層為主要抗液化對策，然而以傳統工法進行施工時往往需要投入許多人力與時間，並且容易造成污染，對生態系統造成長遠的影響。而MICP利用微生物對土體進行穩定，相較於傳統工法更對環境友善，使得MICP這個新技術於近二十年來持續受到研究。Huang et al. (2021)以直剪試驗方式，量測使用MICP的土體強度，發現MICP可以提高土壤的摩擦角並產生凝聚力，也就是有較高的剪力強度。Zamani et al. (2021)透過振動台試驗，觀察使用MICP後土層的抗液化能力，實驗後發現MCIP大幅降低基礎沉陷與最大轉角。

 

 

 

 

 

 

 

參考文獻：

內政部建築研究所（2004）。台北101大樓結構工程施工監造紀錄。內政部建築研究所委託研究報告。

台北101：https://www.taipei-101.com.tw/tw。

台灣科技媒體中心：https://smctw.tw。

台灣電力股份有限公司：https://www.taipower.com.tw。

交通部高速公路局：https://www.freeway.gov.tw/。

交通部臺灣區國道新建工程局（2010）。噶瑪蘭傳奇-北宜高速公路興建專輯大眾版。

交通部鐵道局：https://www.rb.gov.tw。

陳斗生（2004）。台灣高樓基礎設計與施工之特色與展望。地工技術，第100期，第7-22頁。

曾脩夫、李怡德、蔡宜璋、陳彥旭、游家豪、謝昇穎、葉明志 (2022)，161kV大潭新~林口線地下電纜管路統包工程(第二工區)，社團法人中華民國大地工程學會大地工程技術獎。

新北市政府捷運工程局：https://www.dorts.ntpc.gov.tw。

國家地震工程研究中心（2016）。0206美濃地震彙報。

國道高速公路局北區工程處 (2011)，國道3 號3K+100 崩塌事件動員救災與復原紀錄。

經濟部中央地質調查所：https://www.moeacgs.gov.tw。

臺灣省政府交通處南迴鐵路工程處（1992）。國家十四項重要建設_南迴鐵路工程工程輯要。

鄧屬予（2002），台灣新生代大地構造：二十世紀台灣 地球科學之回顧，第一冊，頁1-57，中國地質學會，台 北。

Andrea, C., Alessandro, V., Edoardo, C., Roberto, S., & Andrea, S. (2021). Advantages of IoT-based geotechnical monitoring systems integrating automatic procedures for data acquisition and elaboration. Sensors, 21, 2249.

Benkara, S. (2022). Levee Seepage Identification from Aerial Images using Machine Learning. Master Thesis, University of New Orleans.

Ching, J. (2020). Value of geotechnical big data and its application in site-specific soil property estimation. Journal of GeoEngineering, 15(4), 173-182.

Ghorbanzadeh, O., Meena, S. R., Blaschke, T., & Aryal, J. (2019). UAV-based slope failure detection using deep-learning convolutional neural networks, Remote Sensing, 11, 2046.

Huang, J. X., Wang, Y. H., Nguyen, T. A., Hsu, C. S., & Hung, W. Y. (2021). Soil improvement by microbial induced calcite precipitation and a chemical method for liquefaction mitigation., Journal of GeoEngineering, 16(1), 035-046.

Poulos, H. G. (2016). Tall building foundations: design methods and applications. Innovative Infrastructure Solutions, 1, 10.

Wang, Z. F. et al. (2022). Convolutional neural-network-based automatic dam-surface seepage defect identification from thermograms collected from UAV-mounted thermal imaging camera. Construction and Building Materials, 323, 126416.

Zhang, W., Li, H., Li, Y., Liu, H., Chen, Y., & Ding, X. (2021). Application of deep learning algorithms in geotechnical engineering: a short critical review. Artificial Intelligence Review, 54, 5633-5673.