CN102619209A - 基于监测位移的岩土工程灾变动态实时智能预警方法 - Google Patents

基于监测位移的岩土工程灾变动态实时智能预警方法 Download PDF

Info

Publication number
CN102619209A
CN102619209A CN2012101226044A CN201210122604A CN102619209A CN 102619209 A CN102619209 A CN 102619209A CN 2012101226044 A CN2012101226044 A CN 2012101226044A CN 201210122604 A CN201210122604 A CN 201210122604A CN 102619209 A CN102619209 A CN 102619209A
Authority
CN
China
Prior art keywords
displacement
time
rate
catastrophe
anfis
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.)
Pending
Application number
CN2012101226044A
Other languages
English (en)
Inventor
文海家
张家兰
赵亮
黄勤
朱颖超
文振豪
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN2012101226044A priority Critical patent/CN102619209A/zh
Publication of CN102619209A publication Critical patent/CN102619209A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Alarm Systems (AREA)

Abstract

基于监测位移的岩土工程灾变动态实时智能预警方法，其特征在于按下列步骤进行：由岩土工程现场位移监测获取对象实时位移监测数据；构建位移速率—时间样本数据库；由MATLA建立ANFIS系统；位移速率—时间样本对ANFIS系统进行训练得到位移速率智能预测模型；由专家经验结合具体岩土工程对象设置灾变位移速率阈值判据；由ANFIS给出下一时段位移速率预测值；预测值与灾变阈值比较，如果预测值>灾变阈值，发出预警；否则用下一时段实测位移数据更新样本数据并重新训练模型；预测下一时刻位移，直至预测值>灾变阈值。本发明的显著效果是：普遍适用于边坡、隧道、地基、地质灾害等各类岩土工程；灾变动态预警可靠性高，且操作简单。

Description

基于监测位移的岩土工程灾变动态实时智能预警方法
技术领域
本发明涉及边坡、隧道、地基、地质灾害等各类岩土工程的灾变预测领域，具体地讲，是一种基于现场位移监测的各类岩土工程灾变动态的实时智能预警方法。
背景技术
目前，我国是土木工程活动最为频繁的国家，土木工程活动的共同特点是都离不开岩土地质环境，从而在各类土木工程活动中广泛遭遇岩土工程灾变问题，对于岩土地质环境，国家已经投入大量的资金进行岩土工程稳定性评价、岩土工程监测、岩土工程灾变预测与岩土工程治理。
岩土地质环境灾变预测问题的难点在于：1）地质环境条件以地下隐蔽性为主，不可能完全揭露地下的地质状况；2）不同场地地质环境条件多变而不可复制，每个场地均有其独特的具体地质条件；3）引起岩土地质环境灾变的因素，除复杂多变的自身地质环境条件外，还存在非常多而复杂的诱发因素，人们难以把握等。此外，岩土工程问题类型繁多，如隧道围岩、基坑边坡、路堑路堤边坡、各类地基沉降、滑坡等地质灾害等等，不同类型的岩土工程问题，导致岩土灾变的机理不同；即使是同一类岩土灾变问题，如滑坡地质灾害问题，不同滑坡，其不同地质条件、不同诱发因素等导致不同的成灾机理等，导致滑坡灾变预测问题十分复杂。
基于以上实际，对于岩土工程灾变预测问题，目前，理论研究与工程技术领域均提出的各类模型与方法，是针对具体问题进行单独研究，尚缺乏一种简单、可靠的、具有普适意义上的、进行岩土工程灾变预测的科学方法。
虽然岩土工程问题的类型不同、地质环境条件不同、灾变诱发因素各异，各种不同条件导致不同灾变机理，但在灾变过程中，理论与工程界普遍认同，所有不同的灾变机理与灾变演化趋势均共同地、宏观反映在岩土体的位移突变上。所以，各类岩土工程，如边坡、隧道、地基、地质灾害等，在工程实践中一般均需进行位移的现场监测，并通过拟合位移—时间关系来评价岩土体的稳定状况，以位移突变来进行灾变的判断，但这一位移监测技术并不能进行岩土灾变的预测预警。
现有技术的主要问题在于：不同具体岩土工程问题单独研究，理论上多是灾变后的验证性研究，而现场监测并不能实现灾变预警，从而投入人力物力财力大、以及进行操作复杂的重复研究，并且难以实现可靠的灾变预警。
发明内容
本发明的目的在于提供一种基于现场位移监测的各类岩土工程灾变动态的实时智能预警方法，普遍适用于各类岩土工程灾变动态智能预测预警，准确性好、可靠性高、且操作简单。
为了达到以上目的，本发明所述的一种基于现场位移监测的各类岩土工程灾变动态的实时智能预警方法，其关键在于按下列步骤进行：
步骤一、通过各种岩土工程现场位移监测，经筛选获取对象的可靠的位移实时监测数据；经筛选采集的数据主要是指某等间隔相应时刻所对应的位移值（X—t）：
（X0,t0）
（X1,t1）
（X2,t2）
……
（Xn,tn）
其中：（X0,t0）为初始时刻对应的初始位移，且:
t1-t0=t2-t1=…tn-tn-1=                                                
Figure 791501DEST_PATH_IMAGE001
步骤二、由位移—时间数据对（X—t）换算时段对应的位移增长量（
Figure 460379DEST_PATH_IMAGE002
—
Figure 391426DEST_PATH_IMAGE001
）：
Figure 145756DEST_PATH_IMAGE003
并将其进一步处理为位移速率
Figure 820451DEST_PATH_IMAGE004
—时段
Figure 278589DEST_PATH_IMAGE001
数据对：
Figure 708434DEST_PATH_IMAGE005
步骤三、在以上基础上，假设从tn-1至tn时间段对应的位移速率
Figure 887742DEST_PATH_IMAGE006
为时刻tn的速率，从而构建位移速率—时间数据对（
Figure 162866DEST_PATH_IMAGE006
—tn）：
（
Figure 744020DEST_PATH_IMAGE007
，t1）
（
Figure 16869DEST_PATH_IMAGE008
，t2）
……
（，tn）
从而形成位移速率—时间样本数据库；
步骤四、利用MATLAB的神经网络工具箱，选择ANFIS，生成位移速率—时间的ANFIS模型；
步骤五、用前述位移速率—时间样本库对ANFIS模型进行训练，得到满足精度要求的、ANFIS的位移速率—时间模型
Figure 762288DEST_PATH_IMAGE004
=F (t)，该模型即为可用于位移速率—>时间的智能预测；
步骤六、向基于ANFIS的位移速率—时间模型
Figure 260266DEST_PATH_IMAGE004
=F (t)输入所需进行预测的下一时间值：
tn+1=tn+
Figure 969596DEST_PATH_IMAGE001
得位移速率预测值：
Figure 857917DEST_PATH_IMAGE009
步骤七、由专家经验结合具体岩土工程对象，设置研究对象的灾变位移速率阈值判据V；
步骤八、将预测值
Figure 740423DEST_PATH_IMAGE010
与灾变阈值判据V比较，若：
Figure 30590DEST_PATH_IMAGE010
>V 
停止预测，并发出预警，得到tn+1为研究对象可能灾变时间；
否则：
步骤九、获取tn+1时刻的实测位移数据，重复步骤二至步骤三，更新位移速率—时间样本数据库；进入步骤五，得到满足精度要求的基于ANFIS的位移速率—>时间智能预测模型；重复步骤六和步骤八，直至位移速率预测值>灾变阈值判据V，对应的时间即为研究对象灾变预警时间。
所述的可靠的位移实时监测数据仅为时间—位移量；所述的
Figure 973138DEST_PATH_IMAGE001
可以根据对象的预测预警具体情况进行设定。
步骤四中，所述的ANFIS模型是对位移速率—时间离散点进行高度非线性拟合，并反映离散点的分布规律，获得位移速率—时间发展趋势。
步骤七中，所述灾变位移速率阈值判据V是根据专家经验结合具体岩工程对象提出的位移速率判据标准。
本发明在岩土工程现场位移监测的基础上，以神经网络—模糊推理耦合智能分析为理论依据，提出一种普遍适用的岩土工程灾变动态的实时智能预警方法，其显著效果是：位移速率预测科学可靠，可准确实现各类岩土工程灾变动态的实时预警，且操作简单、具有普遍适用价值，大大节约人力物力与财力的投入。
附图说明
图1为本发明实施过程的原理框图。
图2为神经—模糊耦合的ANFIS系统结构示意图，其中：
第一层:计算输入模糊隶属度。
第二层:该层的节点在图中用n表示，将输入信号相乘，而将其乘积作为输出，为：
第三层:该层的节点在图中用N表示，第i个节点计算第i条规则的wi与全部规则w值之和的比值为:
第四层:该层每个节点i为自适应节点，其输出为:
第五层:该层的单节点是一个固定节点，计算所有输入信号的总输出。
具体实施方式
下面结合附图对本发明作进一步详细说明：
如图1：基于监测位移的岩土工程灾变动态实时智能预警方法，按以下步骤进行：
步骤一、通过各种岩土工程现场位移监测，经筛选获取对象的可靠的位移实时监测数据；经筛选采集的数据主要是指某等间隔相应时刻所对应的位移值（X—t）：
（X0,t0）
（X1,t1）
（X2,t2）
……
（Xn,tn）
其中：（X0,t0）为初始时刻对应的初始位移，且:
t1-t0=t2-t1=…tn-tn-1=
Figure 345826DEST_PATH_IMAGE001
步骤二、由位移—时间数据对（X—t）换算时段对应的位移增长量（
Figure 704126DEST_PATH_IMAGE002
—
Figure 176696DEST_PATH_IMAGE001
）：
Figure 227828DEST_PATH_IMAGE003
并将其进一步处理为位移速率—时段
Figure 315050DEST_PATH_IMAGE001
数据对：
Figure 314230DEST_PATH_IMAGE005
步骤三、在以上基础上，假设从tn-1至tn时间段对应的位移速率
Figure 598581DEST_PATH_IMAGE006
为时刻tn的速率，从而构建位移速率—时间数据对（
Figure 948791DEST_PATH_IMAGE006
—tn）：
（，t1）
（
Figure 96055DEST_PATH_IMAGE008
，t2）
……
（
Figure 223411DEST_PATH_IMAGE006
，tn）
从而形成位移速率—时间样本数据库；
如图2：步骤四、利用MATLAB的神经网络工具箱，选择ANFIS，生成位移速率—时间的ANFIS模型；
步骤五、用前述位移速率—时间样本库对ANFIS模型进行训练，得到满足精度要求的、ANFIS的位移速率—时间模型
Figure 123234DEST_PATH_IMAGE004
=F (t)，该模型即为可用于位移速率—>时间的智能预测；
步骤六、向基于ANFIS的位移速率—时间模型
Figure 624098DEST_PATH_IMAGE004
=F (t)输入所需进行预测的下一时间值：
tn+1=tn+
Figure 925767DEST_PATH_IMAGE001
得位移速率预测值：
Figure 224024DEST_PATH_IMAGE009
步骤七、由专家经验结合具体岩土工程对象，设置研究对象的灾变位移速率阈值判据V；
步骤八、将预测值
Figure 548826DEST_PATH_IMAGE010
与灾变阈值判据V比较，若：
>V 
停止预测，并发出预警，得到tn+1为研究对象可能灾变时间；
否则：
步骤九、获取tn+1时刻的实测位移数据，重复步骤二至步骤三，更新位移速率—时间样本数据库；进入步骤五，得到满足精度要求的基于ANFIS的位移速率—>时间智能预测模型；重复步骤六和步骤八，直至位移速率预测值>灾变阈值判据V，对应的时间即为研究对象灾变预警时间。 
从而实现基于位移监测的岩土工程灾变动态智能预测。所述方法内容中的经筛选的现场监测位移特征在于：本系统所需监测数据仅为时间—位移量，位移量为对象的可靠的实时监测位移量；而经筛选监测位移量对应的时段按对象的长期、中期、短期、临阵预测预警的具体不同需要进行设定，如年、月、日、时、分等。
如图2所示：所述建立基于自适应神经模糊推理的位移速率—时间模型
Figure 543961DEST_PATH_IMAGE004
=F（t）方法，利用MATLAB中神经网络工具箱建立自适应模糊神经网络系统（ANFIS），可对离散点进行高度非线性拟合，并反映离散点的分布规律，即位移速率—时间发展趋势。
所述灾变位移速率判据阈值V，是根据专家经验结合具体岩工程对象提出的位移速率判据标准，研究工程问题不同（如隧道围岩、边坡、基坑、路堑路堤、滑坡等）、对象地质条件不同（如岩土类型与性质、地质构造、地下水等），不同专家可能给出不同的位移速率判据阈值V。

Claims (4)

1.基于监测位移的岩土工程灾变动态实时智能预警方法，其特征在于：其实现主要包括以下步骤：
步骤一、通过各种岩土工程现场位移监测，经筛选获取对象的可靠的位移实时监测数据；经筛选采集的数据主要是指某等间隔相应时刻所对应的位移值（X—t）：
（X0,t0）
（X1,t1）
（X2,t2）
……
（Xn,tn）
其中：（X0,t0）为初始时刻对应的初始位移，且:
t1-t0=t2-t1=…tn-tn-1=                                                
Figure 2012101226044100001DEST_PATH_IMAGE001
步骤二、由位移—时间数据对（X—t）换算时段对应的位移增长量（
Figure 864585DEST_PATH_IMAGE002
—
Figure 935309DEST_PATH_IMAGE001
）：
Figure 2012101226044100001DEST_PATH_IMAGE003
并将其进一步处理为位移速率
Figure 861152DEST_PATH_IMAGE004
—时段数据对：
Figure 2012101226044100001DEST_PATH_IMAGE005
步骤三、在以上基础上，假设从tn-1至tn时间段对应的位移速率
Figure 119275DEST_PATH_IMAGE006
为时刻tn的速率，从而构建位移速率—时间数据对（
Figure 614979DEST_PATH_IMAGE006
—tn）：
（
Figure 2012101226044100001DEST_PATH_IMAGE007
，t1）
（
Figure 144180DEST_PATH_IMAGE008
，t2）
……
（
Figure 776150DEST_PATH_IMAGE006
，tn）
从而形成位移速率—时间样本数据库；
步骤四、利用MATLAB的神经网络工具箱，选择ANFIS，生成位移速率—时间的ANFIS模型；
步骤五、用前述位移速率—时间样本库对ANFIS模型进行训练，得到满足精度要求的、ANFIS的位移速率—时间模型=F (t)，该模型即为可用于位移速率—>时间的智能预测；
步骤六、向基于ANFIS的位移速率—时间模型
Figure 410711DEST_PATH_IMAGE004
=F (t)输入所需进行预测的下一时间值：
tn+1=tn+
Figure 743603DEST_PATH_IMAGE001
得位移速率预测值：
Figure 2012101226044100001DEST_PATH_IMAGE009
步骤七、由专家经验结合具体岩土工程对象，设置研究对象的灾变位移速率阈值判据V；
步骤八、将预测值
Figure 495658DEST_PATH_IMAGE010
与灾变阈值判据V比较，若：
Figure 318121DEST_PATH_IMAGE010
>V 
停止预测，并发出预警，得到tn+1为研究对象可能灾变时间；
否则：
步骤九、获取tn+1时刻的实测位移数据，重复步骤二至步骤三，更新位移速率—时间样本数据库；进入步骤五，得到满足精度要求的基于ANFIS的位移速率—>时间智能预测模型；重复步骤六和步骤八，直至位移速率预测值>灾变阈值判据V，对应的时间即为研究对象灾变预警时间。
2.如权利要求1所述基于监测位移的岩土工程灾变动态实时智能预警方法，其特征在于：所述的可靠的位移实时监测数据仅为时间—位移量；所述的
Figure 519908DEST_PATH_IMAGE001
可以根据对象的预测预警具体情况进行设定。
3.如权利要求1所述基于监测位移的岩土工程灾变动态实时智能预警方法，其特征在于：步骤四中，所述的ANFIS模型是对位移速率—时间离散点进行高度非线性拟合，并反映离散点的分布规律，获得位移速率—时间发展趋势。
4.如权利要求1所述基于监测位移的岩土工程灾变动态实时智能预警方法，其特征在于：步骤七中，所述灾变位移速率阈值判据V是根据专家经验结合具体岩工程对象提出的位移速率判据标准。
CN2012101226044A 2012-04-25 2012-04-25 基于监测位移的岩土工程灾变动态实时智能预警方法 Pending CN102619209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012101226044A CN102619209A (zh) 2012-04-25 2012-04-25 基于监测位移的岩土工程灾变动态实时智能预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012101226044A CN102619209A (zh) 2012-04-25 2012-04-25 基于监测位移的岩土工程灾变动态实时智能预警方法

Publications (1)

Publication Number Publication Date
CN102619209A true CN102619209A (zh) 2012-08-01

Family

ID=46559393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012101226044A Pending CN102619209A (zh) 2012-04-25 2012-04-25 基于监测位移的岩土工程灾变动态实时智能预警方法

Country Status (1)

Country Link
CN (1) CN102619209A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103266588A (zh) * 2013-04-28 2013-08-28 青岛理工大学 利用位移监测测定边坡非圆弧滑移面的方法
CN103912026A (zh) * 2014-03-20 2014-07-09 中冶集团武汉勘察研究院有限公司 一种基于bp神经网络的双桥静力触探数据的力学指标确定方法
CN109446726A (zh) * 2018-11-26 2019-03-08 泉州装备制造研究所 基于大数据分析的获取边坡变形三维数据的边坡监测系统
CN109914798A (zh) * 2019-03-11 2019-06-21 福建工程学院 一种智能混凝土浇置模板安全管理方法
CN111931345A (zh) * 2020-07-09 2020-11-13 西南交通大学 一种监测数据预测方法、装置、设备及可读存储介质
CN112526104A (zh) * 2020-11-06 2021-03-19 马鞍山矿山研究总院股份有限公司 一种边坡稳定性监测测预警方法、系统、介质
CN112818567A (zh) * 2021-03-01 2021-05-18 深圳市安泰数据监测科技有限公司 一种基于概率论的岩土工程智能化监测预警方法及装置
CN112982297A (zh) * 2021-04-19 2021-06-18 四川省水利科学研究院 一种基于卷积神经网络实现边坡生态防护的系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200622928A (en) * 2006-02-14 2006-07-01 Univ Ling Tung Adaptive network-based fuzzy interence thermal error compensation system
CN101216955A (zh) * 2008-01-10 2008-07-09 重庆大学 滑坡灾变过程时空预测的智能方法
CN101344389A (zh) * 2008-08-20 2009-01-14 中国建筑第八工程局有限公司 一种利用神经网络预测隧道围岩位移的方法
CN202014272U (zh) * 2011-01-31 2011-10-19 重庆大学 一种地表位移实时监测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200622928A (en) * 2006-02-14 2006-07-01 Univ Ling Tung Adaptive network-based fuzzy interence thermal error compensation system
CN101216955A (zh) * 2008-01-10 2008-07-09 重庆大学 滑坡灾变过程时空预测的智能方法
CN101344389A (zh) * 2008-08-20 2009-01-14 中国建筑第八工程局有限公司 一种利用神经网络预测隧道围岩位移的方法
CN202014272U (zh) * 2011-01-31 2011-10-19 重庆大学 一种地表位移实时监测系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103266588B (zh) * 2013-04-28 2015-12-09 青岛理工大学 利用位移监测测定边坡非圆弧滑移面的方法
CN103266588A (zh) * 2013-04-28 2013-08-28 青岛理工大学 利用位移监测测定边坡非圆弧滑移面的方法
CN103912026A (zh) * 2014-03-20 2014-07-09 中冶集团武汉勘察研究院有限公司 一种基于bp神经网络的双桥静力触探数据的力学指标确定方法
CN103912026B (zh) * 2014-03-20 2017-07-11 中冶集团武汉勘察研究院有限公司 一种基于bp神经网络的双桥静力触探数据的力学指标确定方法
CN109446726B (zh) * 2018-11-26 2023-03-24 泉州装备制造研究所 基于大数据分析的获取边坡变形三维数据的边坡监测系统
CN109446726A (zh) * 2018-11-26 2019-03-08 泉州装备制造研究所 基于大数据分析的获取边坡变形三维数据的边坡监测系统
CN109914798A (zh) * 2019-03-11 2019-06-21 福建工程学院 一种智能混凝土浇置模板安全管理方法
CN111931345A (zh) * 2020-07-09 2020-11-13 西南交通大学 一种监测数据预测方法、装置、设备及可读存储介质
CN111931345B (zh) * 2020-07-09 2021-11-02 西南交通大学 一种监测数据预测方法、装置、设备及可读存储介质
CN112526104A (zh) * 2020-11-06 2021-03-19 马鞍山矿山研究总院股份有限公司 一种边坡稳定性监测测预警方法、系统、介质
CN112818567A (zh) * 2021-03-01 2021-05-18 深圳市安泰数据监测科技有限公司 一种基于概率论的岩土工程智能化监测预警方法及装置
CN112818567B (zh) * 2021-03-01 2023-06-16 深圳市安泰数据监测科技有限公司 一种基于概率论的岩土工程智能化监测预警方法及装置
CN112982297A (zh) * 2021-04-19 2021-06-18 四川省水利科学研究院 一种基于卷积神经网络实现边坡生态防护的系统
CN112982297B (zh) * 2021-04-19 2021-07-13 四川省水利科学研究院 一种基于卷积神经网络实现边坡生态防护的系统

Similar Documents

Publication Publication Date Title
CN102619209A (zh) 基于监测位移的岩土工程灾变动态实时智能预警方法
Zhang et al. Application of optimized grey discrete Verhulst–BP neural network model in settlement prediction of foundation pit
Shen et al. Real-time prediction of shield moving trajectory during tunnelling
Neaupane et al. Use of backpropagation neural network for landslide monitoring: a case study in the higher Himalaya
Du et al. Displacement prediction in colluvial landslides, three Gorges reservoir, China
Hu et al. Landslide displacement prediction using kinematics-based random forests method: A case study in Jinping Reservoir Area, China
CN101344389B (zh) 一种利用神经网络预测隧道围岩位移的方法
Greve et al. Quantifying the ability of environmental parameters to predict soil texture fractions using regression-tree model with GIS and LIDAR data: The case study of Denmark
Mohebbi Tafreshi et al. Land subsidence risk assessment using GIS fuzzy logic spatial modeling in Varamin aquifer, Iran
CN104406623A (zh) 基于地下水位与位移监测的边坡动态稳定性系数测定方法
Taorui et al. Landslide displacement prediction based on Variational mode decomposition and MIC-GWO-LSTM model
Gnyawali et al. Mapping the susceptibility of rainfall and earthquake triggered landslides along China–Nepal highways
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN105678062A (zh) 泥石流流量和容重沿程变化预测方法
Mohebbi Tafreshi et al. A GIS-based comparative study of hybrid fuzzy-gene expression programming and hybrid fuzzy-artificial neural network for land subsidence susceptibility modeling
Mondal et al. Entropy-based approach for assessing natural recharge in unconfined aquifers from Southern India
Xu et al. Dynamic assessment of slope stability based on multi‐source monitoring data and ensemble learning approaches: A case study of Jiuxianping landslide
Dong et al. Active control method for the sinking of open caissons: A data-driven approach based on CNN and time series prediction
Zhang et al. Influence of factors on collapse risk of loess tunnel: a multi-index assessment model
Wang et al. Surface subsidence and its reclamation of a coal mine locating at the high groundwater table, China
Ren et al. A storm-triggered landslide monitoring and prediction system: formulation and case study
Wang et al. A novel evaluation method for the stability of construction sites on an abandoned goaf: a case study
Zhao et al. Analysis of diaphragm wall deflection induced by excavation based on machine learning
Hossain et al. Estimation of shear strength parameter of silty sand from SPT-N60 using machine learning models
Brain et al. Mass movements

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120801