CN101344389A - 一种利用神经网络预测隧道围岩位移的方法 - Google Patents

一种利用神经网络预测隧道围岩位移的方法 Download PDF

Info

Publication number
CN101344389A
CN101344389A CNA2008100419113A CN200810041911A CN101344389A CN 101344389 A CN101344389 A CN 101344389A CN A2008100419113 A CNA2008100419113 A CN A2008100419113A CN 200810041911 A CN200810041911 A CN 200810041911A CN 101344389 A CN101344389 A CN 101344389A
Authority
CN
China
Prior art keywords
neural network
surrounding rock
displacement
utilizing
rock displacement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2008100419113A
Other languages
English (en)
Other versions
CN101344389B (zh
Inventor
王国欣
王玉岭
谢雄耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Eighth Engineering Division Co Ltd
Original Assignee
China Construction Eighth Engineering Division Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Construction Eighth Engineering Division Co Ltd filed Critical China Construction Eighth Engineering Division Co Ltd
Priority to CN2008100419113A priority Critical patent/CN101344389B/zh
Publication of CN101344389A publication Critical patent/CN101344389A/zh
Application granted granted Critical
Publication of CN101344389B publication Critical patent/CN101344389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种利用神经网络预测隧道围岩位移的方法,选择合适的神经网络模型,输入围岩位移数据的训练样本,对神经网络进行训练,得到精度满足要求的神经网络模型,再利用经训练神经网络对围岩位移进行预测,根据所输入的测点输入向量,神经网络计算并输出所要预测的随后3-5天内施工时间内的围岩位移,实现围岩位移预警。本发明利用实际施工中可信赖的监测数据,考虑了施工地段的地质特点和相关的影响因素,通过神经网络的反馈分析,对下一阶段的岩体与衬砌的变形、内力等进行预测,以指导施工和优化施工参数,合理地安排工序。

Description

一种利用神经网络预测隧道围岩位移的方法
技术领域
本发明涉及一种预测软岩隧道围岩位移的方法,尤其涉及一种利用神经网络预测隧道围岩位移的方法。
背景技术
我国正处于社会经济大发展的重要时期,国民经济结构中基础设施建设一直占有举足轻重的地位。经济社会的迅速发展对我国高速公路发展提出了新的更高要求。我国是一个多山地的国家,特别是南方及中西部很多地区崇山峻岭,沟壑纵横,其地形、地质、水文、气候条件十分复杂。然而由于高速公路技术要求高,要克服地形高差的影响,隧道就成为了必然选择,且长大隧道所占比例越来越大。
开挖隧道,在岩土体中形成了新的空间,致使隧道周边岩土体失去原有的支撑。在应力释放和应力重新分布过程中,围岩向着隧道洞内产生变形,并可能发生围岩的破坏。为防止发生过度变形而导致围岩发生严重松弛甚至破坏,需要对围岩进行即时支护。国内外大量的隧道支护失效的经验教训表明,对隧道围岩的位移特性曲线不能准确把握因而对支护时间和支护刚度未准确把握是造成隧道事故的主要原因之一,因此建立一种科学的方法从而准确确定围岩的位移曲线,并据以选择合适的支护时间和衬砌刚度是确保围岩和隧道衬砌稳定的关键。
总的来说,隧道围岩位移的预测预报是信息化监控设计与施工的重要环节,不管是采用正分析或反分析还是其他的预测形式,正确有效的预测结果往往能够反映现场施工的支护形式、参数是否合理,及能否保证隧道运营长期安全的关键所在。
目前国内在很多大断面隧道施工中,要么采用传统的台阶法“冒险”,存在很大的施工风险;要么就机械的照搬其他工程方案,不论是否与自己工程的实际情况相适合,存在很大的盲目性,也会导致施工风险的出现。即使在目前采用的信息化施工方法中,所采用的预测方法是时间序列法和动态方程算法,都是建立数学模型对围岩的位移进行预测,在建模的过程中并不考虑隧道工程本身的一些特点和影响因素,只是用纯数学的方法来进行预测,预测的结果与实测的结果误差比较大,导致事故频发。
发明内容
本发明的主要目的在于提出一种利用神经网络预测隧道围岩位移的方法,基于实际施工中可信赖的监测数据,考虑施工地点的特定的地质因素和地段特点,通过神经网络的反馈分析,对下一阶段的岩体与衬砌的变形、内力等进行预测,以指导施工和优化施工参数,合理地安排工序。
本发明的目的是通过如下技术方案实现的:一种基于神经网络预测隧道围岩位移的方法,至少包括,首先,输入围岩位移数据的训练样本,对神经网络进行训练,然后,利用训练好的神经网络对围岩位移进行预测,输入有关测点的输入向量数据,神经网络会根据预测请求计算预测出随后特定的一段施工时间段内的围岩位移,以实现预警效果。
所述的神经网络为BP网络,包括三层,多节点的输入层、多节点的隐层和单节点的输出层。
所述多节点的输入层包括6个节点,输入项包括,时间、距掌子面的距离、隧道断面埋深、围岩类型、钢拱架间距和地下水含量等。
所述的训练样本为前期测量的正常数据,可以实现样本滚动累积,数据结构为单维矩阵。
还包括训练样本数据的标准化,设Xmax和Xmin为每组样本数据的最大值与最小值,则相应规范化后变量为
x s ( k ) = 0.1 + 0.8 x ( k ) - x min x max - x min , k = 1 · · · K
对隧道变形预测的研究这一方向,根据地层的复杂性以及变异性,本发明将隧道围岩和支护结构视为一个非线性动态反馈系统,来寻求预测隧道变形受力的一些方法,利用系统输入输出的关系,研究预报输出规律。本发明的优势在于,考虑了施工地段的地质特点和相关的影响因素,利用神经网络可以自学习、自修正和自适应的特点对围岩位移这一非线性动态数据进行预测,提供可信赖的预测数据,指导施工,合理安排工序。
附图说明
图1是根据本发明的预测隧道围岩位移的神经网络的结构示意图;
图2是根据本发明的实施例对预测隧道围岩位移的神经网络进行训练的流程示意图;
图3是利用经训练的神经网络来预测隧道围岩位移的流程示意图;以及
图4为神经网络法与其他方法进行隧道围岩位移预测所取得的结果的对比图表。
具体实施方式
图1为根据本发明的预测隧道围岩位移的神经网络的结构示意图。在图1的实施例中,该神经网络为多层前馈网络,即BP网络(backpropagation),BP网络通常包括三层:多节点输入层、多节点隐层和单节点输出层。
根据本发明的预测隧道围岩位移神经网络的输入层的输入数据包括以下六个方面,这些输入数据反映了施工地段的地质特点,在神经网络进行学习的过程中,输出受上述输入的影响,将这些因素的综合影响考虑进来,能更为准确地反映围岩位移变化的趋势。
1)时间影响
软岩隧道的围岩会出现不同程度的流变性质,围岩变形在应力状态不变情况下不断增加,时间效应在隧道变形预测中举足轻重,因此在网络模型输入项中必须考虑时间与变形的关系,输入项中时间采用的单位为天。
2)距掌子面距离的影响
台阶法开挖时,继续开挖下半断面,则会引起上半断面新的扰动,出现收敛变形的突变;对于已经开挖完毕的断面,若与掌子面距离越小,其受到开挖时的影响越大,尤其对软岩隧道而言。因此,本发明采用所要预测断面与掌子面之间的距离作为输入项,单位为米。
3)隧道断面埋深影响
围岩压力是初衬承受的主要静荷载,在隧道开挖后,随着围岩的应力释放,隧道随之产生变形,因此,所测断面的围岩压力与变形有着密切的关系,亦即断面的埋深在一定程度上对围岩的变形有影响,根据地质资料,很容易得到断面的埋深,隧道预测断面埋深输入项单位为米。
4)围岩类型影响
围岩类型是人为对岩体力学性质的划分,对围岩类型进行分类输入时,必须取得其量化的指标,本发明中围岩多为软岩,这里采取从工程软岩的角度出发,对其软弱程度进行分类,给出量化的指标。
5)地下水影响因素
对预测隧道的变形而言,采取下列方法来量化地下水影响程度:
表1地下水对应输入参数
Figure A20081004191100061
6)支护强度影响因素
隧道围岩的变形大小与支护强度密不可分,因此,在预测模型的输入项中引入这一因素。用钢拱架的间距来反映支护的强度,给出量化指标,单位为米。
训练样本是采用测点先前若干天的变化检测值组成的单维数组,也就是施工开始一段时间的围岩位移变化数据,训练样本数量越多,训练出的神经网络预测更准确,但累计训练样本需要花费时间,基于效率和精度折中的考虑,本实施例采用连续30天的采集数据为训练样本。采用的激励函数为Sigmoid函数,根据Sigmoid函数中间高增益、两端低增益的特性,当数据在远离0的区域里进行学习时,因为在饱和区段,学习收敛速度很慢,甚至于出现麻痹现象,为此将训练样本数据进行标准化,提高其学习速度。
将一个月30天的样本数据作为一组,设Xmax和Xmin为每组样本数据的最大值与最小值,则相应规范化后变量为
x s ( k ) = 0.1 + 0.8 x ( k ) - x min x max - x min , k = 1 · · · K
这样样本数据将在[0.1,0.9]之间,可以大大加快学习速度,而数据间的联系并不减少。
设输入层为A,中间层为B,输出层为C,则由前面模型定义可知A、B、C各层的节点个数分别为6、10、1;
A层输出量为ak
B层节点输出函数为
b p = f ( Σ k = 1 m u kp a k + G p ) ;
C层节点输出函数为
G q = f ( Σ p = 1 l u pq b p + H q ) ;
其中,ukp为A层与B层的连接强度,upq为B层与C层的连接强度,Gp为B层的阈值、Hq为C层的阈值。
1)对连接强度ukp、upq以及隐层和输出层的阈值Gp、Hq随机赋较小值;
2)激活输入层的所有节点,依次计算B层以及C层的节点输出bp、cq
3)计算C层节点输出值cq与期望输出值的误差
E = c q ( k ) - c q ;
如果误差E大于设定误差ε,则对连接强度和各层阈值进行修正,直到误差E小于设定误差ε。设定误差ε的量级是0.001。
对神经网络参数的修正过程包括:
4)计算B层与C层之间的误差修正量用到局部梯度
δ p = c q ( 1 - c q ) ( c q ( k ) - c q )
Δω pq = η δ p b p = η c q ( 1 - c q ) ( c q ( k ) - c q ) b p
Δ H q = η δ p = η c q ( 1 - c q ) ( c q ( k ) - c q )
调整B层与C层的连接强度以及C层的阈值Hq
ωpq(n+1)=ωpq(n)+Δωpq
Hq(n+1)=Hq(n)+ΔHq
5)计算A层与B层之间的误差修正量用到局部梯度
δ k = b p ( 1 - b p ) Σ l = 1 p δ 1 u kp
调整A层与B层的连接强度以及C层的阈值Hq
Δω kp = η δ k a k = η a k b p ( 1 - b p ) Σ l = 1 p δ 1 u kp
Δ G p = η δ k = η b p ( 1 - b p ) Σ l = 1 p δ 1 u kp
调整A层与B层的连接强度以及B层的阈值Gp
ωkp(n+1)=ωkp(n)+Δωkp
Gp(n+1)=Gp(n)+ΔGp
ωkp为考虑误差修正量后A层与B层的连接强度,ωpq为考虑误差修正量后B层与C层的连接强度。
6)重复以上过程直到误差E变化很小,达到可以接受的程度。
参考图2和图3描述用于预测隧道围岩位移的方法,图2为本发明实施例神经网络训练的步骤。
首先,进行神经网络的初始化,设定参数的初始值(步骤10),输入参数的初始值设定包括以下输入项的初始化,时间、所要预测的断面距掌子面的距离、所要预测断面的埋深、围岩类型参数、钢拱架间距和地下水因素参数。
然后,输入训练样本的输入向量和目标输出,(步骤11)
通过神经网络求输入向量的预测输出,(步骤12)
求该预测输出与目标输出的差值,确定是否超出预定的可允许的误差极限(步骤13),超出则反复执行训练算法,不断调整各层的权值和阈值(步骤14);
直到该差值等于或小于可允许的误差极限,神经网络训练完成。通过训练获得最终的预测算法。
图3为使用上述训练得到的预测算法输出隧道围岩预测位移的过程。
输入围岩测点的输入向量(步骤20),通过训练好的神经网络输出预测位移值(步骤21)。
图4为神经网络法与时间序列法和动态方程法预测结果的比较,采用的数据是某隧道YK117+703断面在2005年4月19日至5月26日的监测数据,对该断面的两个测点分别用神经网络法、时间序列法和动态方程法进行预测,预测结果如图所示,神经网络法的预测结果偏差最小,绝对误差平均值分别为4.8%和3.8%,时间序列法预测的误差平均结果分别为12.1%和21.8%,动态方程法预测的结果平均误差为24.4%和20%,动态方程法的误差最大,神经网络的预测性能明显要优于其它两种方法,预测精度提高了一个数量级。
虽然实施例已经以BP神经网络的形式描述了本发明,但本发明并不排他性的限制于此。本发明还可应用小波神经网络、前馈神经网络、循环神经网络。

Claims (7)

1.一种利用神经网络预测隧道围岩位移的方法,其特征在于:至少包括,
输入围岩位移数据的训练样本,对神经网络进行训练;
利用经训练的神经网络对围岩位移进行预测,根据输入测点的输入向量,神经网络会根据预测请求计算预测出随后特定的一段施工时间段内的围岩位移,以实现预警效果。
2.如权利要求1所述的利用神经网络预测隧道围岩位移的方法,其特征在于:所述的神经网络为BP网络,包括三层:多节点的输入层、多节点的隐层和单节点的输出层。
3.如权利要求2所述的利用神经网络预测隧道围岩位移的方法,其特征在于:所述输入层至少包括以下一项输入项:时间、所要预测的断面距掌子面的距离、所要预测断面的埋深、围岩类型参数、钢拱架间距和地下水因素参数。
4.如权利要求1所述的利用神经网络预测隧道围岩位移的方法,其特征在于:所述的训练样本为前期测量的正常位移数据,数据结构为单维矩阵。
5.如权利要求4所述的利用神经网络预测隧道围岩位移的方法,其特征在于:所述训练样本为滚动累积。
6.如权利要求4所述的利用神经网络预测隧道围岩位移的方法,其特征在于:还包括训练样本数据的标准化。
7.如权利要求5所述的利用神经网络预测隧道围岩位移的方法,其特征在于:所述样本数据的标准化包括将多个训练样本组成一组,设Xmax和Xmin为每组样本数据的最大值与最小值,则相应规范化后变量为
x s ( k ) = 0.1 + 0.8 x ( k ) - x min x max - x min k=1...K   。
CN2008100419113A 2008-08-20 2008-08-20 一种利用神经网络预测隧道围岩位移的方法 Active CN101344389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2008100419113A CN101344389B (zh) 2008-08-20 2008-08-20 一种利用神经网络预测隧道围岩位移的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2008100419113A CN101344389B (zh) 2008-08-20 2008-08-20 一种利用神经网络预测隧道围岩位移的方法

Publications (2)

Publication Number Publication Date
CN101344389A true CN101344389A (zh) 2009-01-14
CN101344389B CN101344389B (zh) 2010-12-01

Family

ID=40246432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008100419113A Active CN101344389B (zh) 2008-08-20 2008-08-20 一种利用神经网络预测隧道围岩位移的方法

Country Status (1)

Country Link
CN (1) CN101344389B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135414A (zh) * 2010-12-29 2011-07-27 武汉大学 围岩位移计算方法
CN102322841A (zh) * 2011-05-11 2012-01-18 北方工业大学 一种边坡监测线整体变形预测方法
CN101699477B (zh) * 2009-10-21 2012-06-27 东南大学 精确预测大坝变形的神经网络方法
CN102619209A (zh) * 2012-04-25 2012-08-01 重庆大学 基于监测位移的岩土工程灾变动态实时智能预警方法
CN103591880A (zh) * 2013-12-02 2014-02-19 中国石油集团工程设计有限责任公司 一种隧道围岩变形监测仪及监测方法
CN104089979A (zh) * 2014-07-17 2014-10-08 温州大学 一种海涂围堤堤身内部缺陷程度识别方法
CN104598996A (zh) * 2015-02-02 2015-05-06 北京交通大学 基于最小二乘支持向量机的施工引起地表变形的预测方法
CN104727828A (zh) * 2015-01-30 2015-06-24 北京交通大学 基于变形控制的隧道超前支护管理方法
CN105407364A (zh) * 2015-10-27 2016-03-16 四川长虹电器股份有限公司 基于智能电视收视率体系下频道综合竞争力实现方法
CN106570563A (zh) * 2015-10-13 2017-04-19 中国石油天然气股份有限公司 基于卡尔曼滤波和bp神经网络的变形预测方法和装置
CN107403234A (zh) * 2017-06-24 2017-11-28 中铁二院工程集团有限责任公司 基于神经网络的隧道煤与瓦斯突出预测方法
CN107998661A (zh) * 2017-12-26 2018-05-08 苏州大学 一种在线对战游戏的辅助决策方法、装置及存储介质
CN108536942A (zh) * 2018-03-29 2018-09-14 西南石油大学 一种软岩隧道开挖面变形计算方法
CN108921319A (zh) * 2018-04-27 2018-11-30 中铁西南科学研究院有限公司 一种用于岩溶隧道结构安全预警的监测方法
CN109002674A (zh) * 2018-10-09 2018-12-14 浙江省水利水电勘测设计院 一种隧洞群施工进度仿真方法及系统
CN110260837A (zh) * 2012-03-12 2019-09-20 波音公司 一种用于确定结构变形的方法和装置
CN110442979A (zh) * 2019-08-08 2019-11-12 山东大学 基于bp神经网络的盾构施工隧道的全变形预测方法及系统
CN110645925A (zh) * 2019-11-05 2020-01-03 广东博智林机器人有限公司 一种塔吊吊臂形变检测装置及方法
CN110737977A (zh) * 2019-10-10 2020-01-31 中国铁道科学研究院集团有限公司电子计算技术研究所 一种隧道围岩变形预测方法及预测装置
CN111119902A (zh) * 2019-12-16 2020-05-08 北京科技大学 一种基于bp神经网络的隧道动态施工方法
CN112597694A (zh) * 2020-05-28 2021-04-02 中国人民解放军陆军工程大学 基于神经网络的围岩变形预测系统及预测方法
CN113931636A (zh) * 2021-10-22 2022-01-14 广州地铁设计研究院股份有限公司 隧道下穿既有运营地铁线注浆施工参数选取方法及其应用
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699477B (zh) * 2009-10-21 2012-06-27 东南大学 精确预测大坝变形的神经网络方法
CN102135414A (zh) * 2010-12-29 2011-07-27 武汉大学 围岩位移计算方法
CN102135414B (zh) * 2010-12-29 2012-03-28 武汉大学 围岩位移计算方法
CN102322841A (zh) * 2011-05-11 2012-01-18 北方工业大学 一种边坡监测线整体变形预测方法
CN110260837A (zh) * 2012-03-12 2019-09-20 波音公司 一种用于确定结构变形的方法和装置
CN102619209A (zh) * 2012-04-25 2012-08-01 重庆大学 基于监测位移的岩土工程灾变动态实时智能预警方法
CN103591880A (zh) * 2013-12-02 2014-02-19 中国石油集团工程设计有限责任公司 一种隧道围岩变形监测仪及监测方法
CN104089979A (zh) * 2014-07-17 2014-10-08 温州大学 一种海涂围堤堤身内部缺陷程度识别方法
CN104727828A (zh) * 2015-01-30 2015-06-24 北京交通大学 基于变形控制的隧道超前支护管理方法
CN104598996A (zh) * 2015-02-02 2015-05-06 北京交通大学 基于最小二乘支持向量机的施工引起地表变形的预测方法
CN106570563A (zh) * 2015-10-13 2017-04-19 中国石油天然气股份有限公司 基于卡尔曼滤波和bp神经网络的变形预测方法和装置
CN105407364A (zh) * 2015-10-27 2016-03-16 四川长虹电器股份有限公司 基于智能电视收视率体系下频道综合竞争力实现方法
CN105407364B (zh) * 2015-10-27 2018-07-03 四川长虹电器股份有限公司 基于智能电视收视率体系下频道综合竞争力实现方法
CN107403234A (zh) * 2017-06-24 2017-11-28 中铁二院工程集团有限责任公司 基于神经网络的隧道煤与瓦斯突出预测方法
CN107998661A (zh) * 2017-12-26 2018-05-08 苏州大学 一种在线对战游戏的辅助决策方法、装置及存储介质
CN108536942A (zh) * 2018-03-29 2018-09-14 西南石油大学 一种软岩隧道开挖面变形计算方法
CN108536942B (zh) * 2018-03-29 2022-04-08 西南石油大学 一种软岩隧道开挖面变形计算方法
CN108921319A (zh) * 2018-04-27 2018-11-30 中铁西南科学研究院有限公司 一种用于岩溶隧道结构安全预警的监测方法
CN109002674A (zh) * 2018-10-09 2018-12-14 浙江省水利水电勘测设计院 一种隧洞群施工进度仿真方法及系统
CN110442979A (zh) * 2019-08-08 2019-11-12 山东大学 基于bp神经网络的盾构施工隧道的全变形预测方法及系统
CN110737977A (zh) * 2019-10-10 2020-01-31 中国铁道科学研究院集团有限公司电子计算技术研究所 一种隧道围岩变形预测方法及预测装置
CN110645925A (zh) * 2019-11-05 2020-01-03 广东博智林机器人有限公司 一种塔吊吊臂形变检测装置及方法
CN111119902A (zh) * 2019-12-16 2020-05-08 北京科技大学 一种基于bp神经网络的隧道动态施工方法
CN111119902B (zh) * 2019-12-16 2021-04-06 北京科技大学 一种基于bp神经网络的隧道动态施工方法
CN112597694A (zh) * 2020-05-28 2021-04-02 中国人民解放军陆军工程大学 基于神经网络的围岩变形预测系统及预测方法
CN113931636A (zh) * 2021-10-22 2022-01-14 广州地铁设计研究院股份有限公司 隧道下穿既有运营地铁线注浆施工参数选取方法及其应用
CN113931636B (zh) * 2021-10-22 2024-05-07 广州地铁设计研究院股份有限公司 隧道下穿既有运营地铁线注浆施工参数选取方法及其应用
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统

Also Published As

Publication number Publication date
CN101344389B (zh) 2010-12-01

Similar Documents

Publication Publication Date Title
CN101344389B (zh) 一种利用神经网络预测隧道围岩位移的方法
Zhang et al. Prediction of lining response for twin tunnels constructed in anisotropic clay using machine learning techniques
Lin et al. A new quantitative method for risk assessment of water inrush in karst tunnels based on variable weight function and improved cloud model
CN105260575B (zh) 一种基于神经网络的巷道围岩变形预测方法
Liu et al. Optimal earth pressure balance control for shield tunneling based on LS-SVM and PSO
CN109978226B (zh) 基于循环神经网络的盾构施工地面沉降预测方法
CN103995947B (zh) 改进的煤层底板突水脆弱性评价方法
CN103761448B (zh) 煤层底板突水变权脆弱性评价法中调权参数的确定方法
Zou et al. A model for interpreting the deformation mechanism of reservoir landslides in the Three Gorges Reservoir area, China
CN101847171A (zh) 基于安全监控的边坡位移反分析方法
Zhang et al. Three-dimensional inversion analysis of an in situ stress field based on a two-stage optimization algorithm
CN115495956B (zh) 一种深大岩质基坑卸荷变形的安全评价方法
CN110378574A (zh) 水下隧道盾构施工开挖面稳定性评价方法、系统及设备
Li et al. Anchoring parameters optimization of tunnel surrounding rock based on particle swarm optimization
Zhang et al. Prediction of frost-heaving behavior of saline soil in western jilin province, china, by neural network methods
Su et al. Stability prediction and optimal angle of high slope in open-pit mine based on two-dimension limit equilibrium method and three-dimension numerical simulation
Qian et al. Comparative study on interface elements, thin-layer elements, and contact analysis methods in the analysis of high concrete-faced rockfill dams
Dong et al. Inclination prediction of a giant open caisson during the sinking process using various machine learning algorithms
CN105586974A (zh) 一种基坑支挡结构设计方法
CN110555598A (zh) 岩溶地基稳定性模糊综合评判方法
Zhu et al. A new dam reliability analysis considering fluid structure interaction
Hao et al. Parameter sensitivity analysis on deformation of composite soil-nailed wall using artificial neural networks and orthogonal experiment
Meng-meng et al. 1-D consolidation of a single soil layer with depth-dependent stress by multi-stage loading
Zhang et al. Dynamic back analysis of soil deformation during the construction of deep cantilever foundation pits
Hamedi et al. Sensitivity analysis of earthquake acceleration and drainage efficiency on the stability of weighted concrete dams

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant