CN109632016A - 岩土体硐室开挖与围岩应力、应变监测试验装置及其方法 - Google Patents
岩土体硐室开挖与围岩应力、应变监测试验装置及其方法 Download PDFInfo
- Publication number
- CN109632016A CN109632016A CN201910125716.7A CN201910125716A CN109632016A CN 109632016 A CN109632016 A CN 109632016A CN 201910125716 A CN201910125716 A CN 201910125716A CN 109632016 A CN109632016 A CN 109632016A
- Authority
- CN
- China
- Prior art keywords
- model
- module
- data
- neural network
- rock
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 69
- 239000002689 soil Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000010276 construction Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 239000003245 coal Substances 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 57
- 238000009412 basement excavation Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000007418 data mining Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 210000002706 plastid Anatomy 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005422 blasting Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005670 electromagnetic radiation Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000009545 invasion Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000003325 tomography Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于岩土体硐室监测技术领域,公开了一种岩土体硐室开挖与围岩应力、应变监测试验装置及其方法,复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置包括:围岩应力检测模块、空气质量检测模块、温湿度检测模块、中央控制模块、模型构建模块、预警模块、照明模块、显示模块。本发明通过模型构建模块其中包括断层、褶皱、不规则体、起伏变化的地形、复杂的岩层界限等,不受地质体赋存状态的限制;通过预警模块可以实现硐室动力灾害的全息模态化在线预测预报和预警,预警时系统可根据冲击地压事故发生的可能性和煤与瓦斯突出事故发生的可能性分别实现预警,以其达到硐室动力灾害的有效预警和提前防治。
Description
技术领域
本发明属于岩土体硐室监测技术领域,尤其涉及一种岩土体硐室开挖与围岩应力、应变监测试验装置及其方法。
背景技术
硐室是一种未直通地表出口的、横断面较大而长度较短的水平坑道。其作用是安装各种设备、机器,存放材料和工具,或作其他专门用途,如机修房、炸药库、休息室等。各种硐室的形状、规格和结构差别很大,所穿过的岩石性质也不相同,所以施工方法也较多。这些施工方法可以分为以下三类:全断面一次掘进法、台阶工作面施工法和导硐施工法。分层施工法根据硐室的高度及地槽的深度,宜将硐室及地槽分为3~4个分层,每个分层施工时,应采用锚喷作临时支护,宜从下向上连续施工。导硐施工法导硐断面,不宜大于10m2,导硐掘进和硐室刷大,宜采用锚喷或金属支架作I临时支护,宜先完成硐室的永久支护,再施工地槽,地槽宜分段施行。然而,现有开挖硐室时,不能建立复杂三维地质体的真实空间形态,影响对硐室的开挖;同时,不能及时对硐室灾害进行预警。
综上所述,现有技术存在的问题是:
(1)现有开挖硐室时,不能建立复杂三维地质体的真实空间形态,影响对硐室的开挖;同时,不能及时对硐室灾害进行预警。
(2)现有技术中围岩应力检测模块通过应力传感器检测围岩应力数据,其中应力传感器为深埋式应力传感器,在某隧道施工期间的实际安全监测原理、布局和数据采集的基础上,应力传感器采用传统的算法进行实时监测,不能有效提高数据检测的准确性,达不到更好的实时监测效果。
(3)现有技术中温湿度检测模块通过温湿度传感器检测岩土体硐室温度、湿度数据的过程中,温湿度传感器容易产生误差,采用传统的算法对测量值进行误差补偿,不能有效的提高输出结果的准确性和可靠性,使预测湿度值和标准湿度值均方误差增大。
(4)现有技术中空气质量检测模块通过空气质量检测仪检测岩土体硐室空气质量数据的过程中,采用现有的校正方法对空气质量检测仪进行校正,不能有效提高校正的准确性,产生节点级校正欧快的缺点,进而延长校正的时间。
发明内容
针对现有技术存在的问题,本发明提供了一种岩土体硐室开挖与围岩应力、应变监测试验装置及其方法。
本发明是这样实现的,一种复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,所述复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法包括以下步骤:
步骤一,通过围岩应力检测模块利用应力检测设备检测围岩应力数据;
步骤二,通过空气质量检测模块利用空气质量检测仪检测岩土体硐室空气质量数据;通过温湿度检测模块利用温湿度传感器检测岩土体硐室温度、湿度数据;
步骤三,中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的复杂地质体数值模型;
步骤四,通过预警模块利用报警器对岩土体硐室灾害进行报警;
步骤五,通过照明模块利用照明灯对岩土体硐室进行照明操作;
步骤六,通过显示模块利用显示器显示检测的围岩应力、空气质量、温度、湿度、质体数值模型数据。
进一步,模型构建模块构建方法包括:
(1)获取地下硐室设计参数,根据地下硐室开挖时的影响范围确定采场地质空间模型的参数;地下硐室设计参数包括地下硐室的形状、尺寸和具体位置;采场地质空间模型的参数包括采场地质空间的形状、尺寸和具体位置;
(2)根据采场地质空间模型的参数收集所述采场地质空间模型涉及的勘探线剖面图和勘探线剖面图的地质信息,并创建包含各个勘探线剖面图及勘探线剖面图的地质信息的第一数据文件;第一数据文件中所有勘探线剖面图按照勘探线剖面图的实际位置、方位角和高程依次排列对齐;勘探线剖面图的地质信息包含采场地质空间模型涉及的地质体的信息;
(3)根据第一数据文件建立各个地质体间的第一三维地质面,根据地下硐室设计参数建立第一地下硐室结构模型,根据所述采场地质空间模型的参数建立第一采场地质空间模型;每个第一三维地质面均可以将第一采场地质空间模型完整分割为至少两部分;
(4)在所述第一三维地质面上创建实体网格,获取实体网格的网格线与第一三维地质面的交叉点,创建包含所有所述交叉点的三维坐标信息的第二数据文件;
(5)创建包含第一地下硐室结构模型和第一采场地质空间模型的边界曲线信息的第三数据文件,所述边界曲线信息包括用于描述边界曲线的分段拟合边界曲线的三维空间线段;
(6)将第三数据文件中的边界曲线根据三维空间线段分割成多段线,并保存为第四数据文件;
(7)在第一三维有限元模型分析软件中进行以下操作:导入第四数据文件创建与第一地下硐室结构模型和第一采场地质空间模型对应的第二地下硐室结构模型和第二采场地质空间模型;导入第二数据文件,并创建第二采场地质空间模型涉及的地质体的第二三维地质面;利用第二三维地质面将包含第二地下硐室结构模型和第二采场地质空间模型的实体模型进行分割,并进行共享面操作;对分割后的实体模型进行网格划分,得到实体网格模型;导出实体网格模型的节点信息到第一文本文件;节点信息包括节点号、节点坐标值、节点所属单元号、节点所属单元的分组号;
(8)将第一文本文件修改为符合第二三维有限元模型分析软件的命令行操作的语法要求的第二文本文件;所述命令行操作包括创建节点、创建节点单元、创建节点单元分组;
(9)在第二三维有限元模型分析软件中,导入第二文本文件,创建用于开挖模拟计算的复杂地质体数值模型。
进一步,其特征在于,预警模块预警方法包括:
1)以直接影响硐室动力灾害发生与否的模态化参数集为输入变量集,以冲击地压发生的可能性和煤与瓦斯突出发生的可能性作为输出变量,建立人工神经网络模型;
2)向学习样本库中添加样本,当学习样本库中添加的样本达到预设值时,运用预设的学习算法对学习样本库中的样本进行学习,以确定人工神经网络模型中的权值和阈值,得到一个硐室动力灾害的全息模态化预警器;
3)根据全息模态化预警器设置一包括空间检索、插补、降噪、反飘移和信号重建功能的全息数据挖掘转换器;对硐室任意一个区域进行预警时,利用该全息数据挖掘转换器把硐室实验测试和安全生产中获得的相关信息转化成预警模型的输入参数,再利用全息模态化预警器给出预警结果。
进一步,硐室实验测试和安全生产中获得的相关信息包括:硐室地理信息、地质信息、生产信息和相关属性信息;
相关属性信息包括:地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧等构造信息,地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区空间分布信息,支护、卸压、充填、瓦斯抽放灾害防治工艺等参数,以及冲击倾向性测试数据,防突测试数据,微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量监测数据。
进一步,中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的中,基于建模软件构建包含关系型数据库数据的复杂地质体大数据分析平台;
在关联规则挖掘中,使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck(k≥2),并进行Map函数处理、Reduce函数处理,在复杂地质体大数据分析平台中进行分析和挖掘,得到构建复杂地质体数值模型影响因素;
结合复杂地质体数值模型影响因素和复杂地质体数值模型历史数据,构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值;
运用自适应免疫遗传算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算复杂地质体数值模型预测值;
输出复杂地质体数值模型预测值,结束。
进一步,在Map函数处理阶段,每个Map任务计算其所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数,对于每个Map任务来说,如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中,则Map函数产生并输出<某个项集,1>键值对给Combiner函数,由Combiner函数处理后交给Reduce函数;
在Reduce函数处理阶段,Reduce函数累加Ck中的项目集的出现次数,得到所有项目集的支持频度,所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合,如果k<最大的迭代次数且不为空,则执行k++,转入Map函数处理;否则,结束运行。
进一步,产生神经网络模型BP初始权值的方法为:
随机地在区间[-1,1]之间选择初始权值。
进一步,对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值中,
调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
其中wk j和w* k j分别为更新前后的权值,ypk为隐含层输出,△wkj为wkj的改变量。
进一步,其特征在于,根据公式得到△wkj的求解方程:
其中,
根据最小平方和误差原则求解方程,得到△wkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化△wkj,更新权值并计算平方和误差E,然后在k∈[1,H]区间选择一个最优的k,使得E最小;
调整神经网络模型BP输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差E的变化率△E=0,且E>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+Δypk)-f-1(ypk),M为自然数,则隐含层输出ypk求解公式为:
其中△ypk为ypk的改变量,则有:
根据最小平方和误差原则求解构建的矩阵方程,得到:
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
M取10~20之间的自然数,获得神经网络模型BP的动态平均权值,根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。
本发明的另一目的在于提供一种复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置,所述复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置包括:
围岩应力检测模块,与中央控制模块连接,用于通过应力检测设备检测围岩应力数据;
空气质量检测模块,与中央控制模块连接,用于通过空气质量检测仪检测岩土体硐室空气质量数据;
温湿度检测模块,与中央控制模块连接,用于通过温湿度传感器检测岩土体硐室温度、湿度数据;
中央控制模块,与围岩应力检测模块、空气质量检测模块、温湿度检测模块、模型构建模块、预警模块、照明模块、显示模块连接,用于通过单片机控制各个模块正常工作;
模型构建模块,与中央控制模块连接,用于通过建模软件构建开挖模拟计算的复杂地质体数值模型;
预警模块,与中央控制模块连接,用于通过报警器对岩土体硐室灾害进行报警;
照明模块,与中央控制模块连接,用于通过照明灯对岩土体硐室进行照明操作;
显示模块,与中央控制模块连接,用于通过显示器显示检测的围岩应力、空气质量、温度、湿度、质体数值模型数据。
本发明的优点及积极效果为:
本发明通过模型构建模块利用点阵化提取并保留了所有需要的地质体信息,解决了数据建模分析过程中信息出错、丢失的问题;在模拟之前根据地下硐室的形状尺寸等信息确定了采场地质空间模型参数,对数值模型进行了整体设计;将第三数据文件中的边界曲线做分解处理,解决了三维有限元软件导入dxf文件时出现线文件丢失和与实际不符的问题——等多种手段提高了对实际复杂地质体的建模精度,可适用于建立任何复杂的地质体模型,其中包括断层、褶皱、不规则体、起伏变化的地形、复杂的岩层界限等,不受地质体赋存状态的限制;同时,通过预警模块可以实现硐室动力灾害的全息模态化在线预测预报和预警,预警时系统可根据冲击地压事故发生的可能性和煤与瓦斯突出事故发生的可能性分别实现预警,并可把预警信息发布到各种显示终端;以其达到硐室动力灾害的有效预警和提前防治。
本发明中围岩应力检测模块通过应力传感器检测围岩应力数据,其中应力传感器为深埋式应力传感器,在某隧道施工期间的实际安全监测原理、布局和数据采集的基础上,应力传感器采用基于双重滑动窗口的动态多维数据相关性算法进行实时监测,能够提高数据检测的准确性,达到更好的实时监测效果。
本发明中温湿度检测模块通过温湿度传感器检测岩土体硐室温度、湿度数据的过程中,温湿度传感器容易产生误差,采用GA-SVM算法对测量值进行误差补偿,提高了输出结果的准确性和可靠性,使预测湿度值和标准湿度值均方误差为最小。
本发明中空气质量检测模块通过空气质量检测仪检测岩土体硐室空气质量数据的过程中,采用一种改进的参与式校正方法对空气质量检测仪进行校正,提高了校正的准确性,弥补节点级校正欧快的缺点,进而缩短校正的时间。
本发明中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的中,基于建模软件构建包含关系型数据库数据的复杂地质体大数据分析平台;在关联规则挖掘中,使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck(k≥2),并进行Map函数处理、Reduce函数处理,在复杂地质体大数据分析平台中进行分析和挖掘,得到构建复杂地质体数值模型影响因素;结合复杂地质体数值模型影响因素和复杂地质体数值模型历史数据,构建神经网络模型BP,产生神经网络模型BP的初始权值;对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值;运用自适应免疫遗传算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算复杂地质体数值模型预测值。
输出复杂地质体数值模型预测值。为后序的监测提供保证。
附图说明
图1是本发明实施例提供的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法流程图。
图2是本发明实施例提供的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置结构框图。
图中:1、围岩应力检测模块;2、空气质量检测模块;3、温湿度检测模块;4、中央控制模块;5、模型构建模块;6、预警模块;7、照明模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
现有开挖硐室时,不能建立复杂三维地质体的真实空间形态,影响对硐室的开挖;同时,不能及时对硐室灾害进行预警。
现有技术中围岩应力检测模块通过应力传感器检测围岩应力数据,其中应力传感器为深埋式应力传感器,在某隧道施工期间的实际安全监测原理、布局和数据采集的基础上,应力传感器采用传统的算法进行实时监测,不能有效提高数据检测的准确性,达不到更好的实时监测效果。
现有技术中温湿度检测模块通过温湿度传感器检测岩土体硐室温度、湿度数据的过程中,温湿度传感器容易产生误差,采用传统的算法对测量值进行误差补偿,不能有效的提高输出结果的准确性和可靠性,使预测湿度值和标准湿度值均方误差增大。
现有技术中空气质量检测模块通过空气质量检测仪检测岩土体硐室空气质量数据的过程中,采用现有的校正方法对空气质量检测仪进行校正,不能有效提高校正的准确性,产生节点级校正欧快的缺点,进而延长校正的时间
为解决上述技术问题,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法包括以下步骤:
S101:首先,检测围岩应力数据、检测岩土体硐室空气质量数据;检测岩土体硐室温度、湿度数据。
S102:根据上述采集的数据,构建开挖模拟计算的复杂地质体数值模型。
S103:利用构建开挖模拟计算的复杂地质体数值模型对岩土体硐室危险进行预测报警。
S104:利用照明灯对岩土体硐室进行照明操作,并且通过显示器显示检测的围岩应力、空气质量、温度、湿度、质体数值模型等数据。
如图2所示,本发明市水利提供的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置包括:围岩应力检测模块1、空气质量检测模块2、温湿度检测模块3、中央控制模块4、模型构建模块5、预警模块6、照明模块7、显示模块8。
围岩应力检测模块1,与中央控制模块4连接,用于通过应力检测设备检测围岩应力数据。
空气质量检测模块2,与中央控制模块4连接,用于通过空气质量检测仪检测岩土体硐室空气质量数据。
温湿度检测模块3,与中央控制模块4连接,用于通过温湿度传感器检测岩土体硐室温度、湿度数据。
中央控制模块4,与围岩应力检测模块1、空气质量检测模块2、温湿度检测模块3、模型构建模块5、预警模块6、照明模块7、显示模块8连接,用于通过单片机控制各个模块正常工作。
模型构建模块5,与中央控制模块4连接,用于通过建模软件构建开挖模拟计算的复杂地质体数值模型。
预警模块6,与中央控制模块4连接,用于通过报警器对岩土体硐室灾害进行报警。
照明模块7,与中央控制模块4连接,用于通过照明灯对岩土体硐室进行照明操作。
显示模块8,与中央控制模块4连接,用于通过显示器显示检测的围岩应力、空气质量、温度、湿度、质体数值模型数据。
在本发明实施例中,围岩应力检测模块1通过应力传感器检测围岩应力数据,其中应力传感器为深埋式应力传感器,在某隧道施工期间的实际安全监测原理、布局和数据采集的基础上,为了提高数据检测的准确性,达到更好的实时监测效果,采用基于双重滑动窗口的动态多维数据相关性算法,具体包括以下步骤:
步骤一,获取当前时刻波长检测值并计算应变量ΔλB=2neffΔΛ+2ΔneffΛ,确定原始同步七维数据流Y。
步骤二,采用第一重滑动窗口构建当前时刻观测窗口,据此构建观测窗口的数据矩阵Q。
步骤三,对矩阵Q进行主成分分析并求解特征向量S,定义该向量为当前时刻的动态特征向量S。
步骤四,采用第二重滑动窗口构建数据相关性分析窗口,构建动态特征矩阵W。
步骤五,分别按照相邻和对称两种监测设备布局模式下求解动态特征矩阵W对应的相关系数序列M。
步骤六,求解相关系数序列M的变化趋势即方差S2,并将其作为稳定性判据,将本次变化趋势与历史数据变化趋势相比较,判断是否出现异常。
在本发明实施例中,温湿度检测模块3通过温湿度传感器检测岩土体硐室温度、湿度数据的过程中,温湿度传感器容易产生误差,需要对测量值进行误差补偿,为了提高输出结果的准确性和可靠性,使预测湿度值和标准湿度值均方误差为最小,采用GA-SVM算法,包括以下步骤;
步骤一,初始化,初始化种群,确定算法最大迭代数G,交叉验证参数v,种群规模n,编码长度l,最大进化代数MAX,交叉概率pc,变异概率pm,以及构成个体的(C,g,p)三个参数的取值范围。
步骤二,计算适应度,将种群中每个个体分别代入SVM回归模型,计算并保留适应度值最高的个体。
步骤三,遗传进化,种群中所有个体都经选择。交叉、变异操作产生新个体,并加入到下一代种群,重复计算每个个体适应值,根据精英保存思想保存下适应值最优的个体。
步骤四,寻优终止条件,达最大迭代数或适应函数值达预设精度,停止参数寻优操作,将此条件下输出值当最优参数;如果不达到终止条件,就会到步骤四继续训练,直到满足终止条件,终止寻优算法。
步骤五,模型预测出,将最优参数(C,g,p)带入SVM模型,将预测样本数据带入补偿模型,对样本数据进行预测输出。
在本发明实施例中,空气质量检测模块2通过空气质量检测仪检测岩土体硐室空气质量数据的过程中,需要对空气质量检测仪进行校正,为了提高校正的准确性,弥补节点级校正欧快的缺点,进而缩短校正的时间,采用一种改进的参与式校正方法,具体包括以下步骤:
步骤一,首先以传感器节点为中心,根据时间空间信息,锁定目标时间区间以及空间范围,查询地面实况信息。
步骤二,如果存在查询结果,则直接返回;若果有多个查询结果,则返回均值;否则,根据设备型号,查询是否有对应模型。
步骤三,如果存在查询结果,则利用回归模型,根据输入的实际测量值,得到校正之后的地面实况值,并更新表;否则,则采用反距离加权法方法进行插值计算。
在本发明实施例中,本发明提供的模型构建模块5构建方法如下:
(1)获取地下硐室设计参数,根据地下硐室开挖时的影响范围确定采场地质空间模型的参数;地下硐室设计参数包括地下硐室的形状、尺寸和具体位置;采场地质空间模型的参数包括采场地质空间的形状、尺寸和具体位置。
(2)根据采场地质空间模型的参数收集所述采场地质空间模型涉及的勘探线剖面图和勘探线剖面图的地质信息,并创建包含各个勘探线剖面图及勘探线剖面图的地质信息的第一数据文件;第一数据文件中所有勘探线剖面图按照勘探线剖面图的实际位置、方位角和高程依次排列对齐;勘探线剖面图的地质信息包含采场地质空间模型涉及的地质体的信息。
(3)根据第一数据文件建立各个地质体间的第一三维地质面,根据地下硐室设计参数建立第一地下硐室结构模型,根据所述采场地质空间模型的参数建立第一采场地质空间模型;每个第一三维地质面均可以将第一采场地质空间模型完整分割为至少两部分。
(4)在所述第一三维地质面上创建实体网格,获取实体网格的网格线与第一三维地质面的交叉点,创建包含所有所述交叉点的三维坐标信息的第二数据文件。
(5)创建包含第一地下硐室结构模型和第一采场地质空间模型的边界曲线信息的第三数据文件,所述边界曲线信息包括用于描述边界曲线的分段拟合边界曲线的三维空间线段。
(6)将第三数据文件中的边界曲线根据三维空间线段分割成多段线,并保存为第四数据文件。
(7)在第一三维有限元模型分析软件中进行以下操作:导入第四数据文件创建与第一地下硐室结构模型和第一采场地质空间模型对应的第二地下硐室结构模型和第二采场地质空间模型;导入第二数据文件,并创建第二采场地质空间模型涉及的地质体的第二三维地质面;利用第二三维地质面将包含第二地下硐室结构模型和第二采场地质空间模型的实体模型进行分割,并进行共享面操作;对分割后的实体模型进行网格划分,得到实体网格模型;导出实体网格模型的节点信息到第一文本文件;节点信息包括节点号、节点坐标值、节点所属单元号、节点所属单元的分组号。
(8)将第一文本文件修改为符合第二三维有限元模型分析软件的命令行操作的语法要求的第二文本文件;所述命令行操作包括创建节点、创建节点单元、创建节点单元分组。
(9)在第二三维有限元模型分析软件中,导入第二文本文件,创建用于开挖模拟计算的复杂地质体数值模型。
中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的中,基于建模软件构建包含关系型数据库数据的复杂地质体大数据分析平台;
在关联规则挖掘中,使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck(k≥2),并进行Map函数处理、Reduce函数处理,在复杂地质体大数据分析平台中进行分析和挖掘,得到构建复杂地质体数值模型影响因素;
结合复杂地质体数值模型影响因素和复杂地质体数值模型历史数据,构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值;
运用自适应免疫遗传算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算复杂地质体数值模型预测值;
输出复杂地质体数值模型预测值,结束。
在Map函数处理阶段,每个Map任务计算其所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数,对于每个Map任务来说,如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中,则Map函数产生并输出<某个项集,1>键值对给Combiner函数,由Combiner函数处理后交给Reduce函数;
在Reduce函数处理阶段,Reduce函数累加Ck中的项目集的出现次数,得到所有项目集的支持频度,所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合,如果k<最大的迭代次数且不为空,则执行k++,转入Map函数处理;否则,结束运行。
产生神经网络模型BP初始权值的方法为:
随机地在区间[-1,1]之间选择初始权值。
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值中,
调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
其中wkj和w* kj分别为更新前后的权值,ypk为隐含层输出,△wkj为wkj的改变量。
根据公式得到△wkj的求解方程:
其中,
根据最小平方和误差原则求解方程,得到△wkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化△wkj,更新权值并计算平方和误差E,然后在k∈[1,H]区间选择一个最优的k,使得E最小;
调整神经网络模型BP输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差E的变化率△E=0,且E>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+Δypk)-f-1(ypk),M为自然数,则隐含层输出ypk求解公式为:
其中△ypk为ypk的改变量,则有:
根据最小平方和误差原则求解构建的矩阵方程,得到:
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
M取10~20之间的自然数,获得神经网络模型BP的动态平均权值,根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。
在本发明实施例中,本发明提供的预警模块6预警方法如下:
1)以直接影响硐室动力灾害发生与否的模态化参数集为输入变量集,以冲击地压发生的可能性和煤与瓦斯突出发生的可能性作为输出变量,建立人工神经网络模型。
2)向学习样本库中添加样本,当学习样本库中添加的样本达到预设值时,运用预设的学习算法对学习样本库中的样本进行学习,以确定人工神经网络模型中的权值和阈值,得到一个硐室动力灾害的全息模态化预警器。
3)根据全息模态化预警器设置一包括空间检索、插补、降噪、反飘移和信号重建功能的全息数据挖掘转换器;对硐室任意一个区域进行预警时,利用该全息数据挖掘转换器把硐室实验测试和安全生产中获得的相关信息转化成预警模型的输入参数,再利用全息模态化预警器给出预警结果。
在本发明实施例中,本发明提供的硐室实验测试和安全生产中获得的相关信息包括:硐室地理信息、地质信息、生产信息和相关属性信息。
相关属性信息包括:地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧等构造信息,地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区空间分布信息,支护、卸压、充填、瓦斯抽放灾害防治工艺等参数,以及冲击倾向性测试数据,防突测试数据,微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量监测数据。
在本发明实施例中,本发明中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的中,基于建模软件构建包含关系型数据库数据的复杂地质体大数据分析平台;在关联规则挖掘中,使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck(k≥2),并进行Map函数处理、Reduce函数处理,在复杂地质体大数据分析平台中进行分析和挖掘,得到构建复杂地质体数值模型影响因素;结合复杂地质体数值模型影响因素和复杂地质体数值模型历史数据,构建神经网络模型BP,产生神经网络模型BP的初始权值;对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值;运用自适应免疫遗传算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算复杂地质体数值模型预测值。输出复杂地质体数值模型预测值。为后序的监测提供保证。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,所述复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法包括以下步骤:
步骤一,通过围岩应力检测模块利用应力检测设备检测围岩应力数据;
步骤二,通过空气质量检测模块利用空气质量检测仪检测岩土体硐室空气质量数据;通过温湿度检测模块利用温湿度传感器检测岩土体硐室温度、湿度数据;
步骤三,中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的复杂地质体数值模型;
步骤四,通过预警模块利用报警器对岩土体硐室灾害进行报警;
步骤五,通过照明模块利用照明灯对岩土体硐室进行照明操作;
步骤六,通过显示模块利用显示器显示检测的围岩应力、空气质量、温度、湿度、质体数值模型数据。
2.如权利要求1所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,模型构建模块构建方法包括:
(1)获取地下硐室设计参数,根据地下硐室开挖时的影响范围确定采场地质空间模型的参数;地下硐室设计参数包括地下硐室的形状、尺寸和具体位置;采场地质空间模型的参数包括采场地质空间的形状、尺寸和具体位置;
(2)根据采场地质空间模型的参数收集所述采场地质空间模型涉及的勘探线剖面图和勘探线剖面图的地质信息,并创建包含各个勘探线剖面图及勘探线剖面图的地质信息的第一数据文件;第一数据文件中所有勘探线剖面图按照勘探线剖面图的实际位置、方位角和高程依次排列对齐;勘探线剖面图的地质信息包含采场地质空间模型涉及的地质体的信息;
(3)根据第一数据文件建立各个地质体间的第一三维地质面,根据地下硐室设计参数建立第一地下硐室结构模型,根据所述采场地质空间模型的参数建立第一采场地质空间模型;每个第一三维地质面均可以将第一采场地质空间模型完整分割为至少两部分;
(4)在所述第一三维地质面上创建实体网格,获取实体网格的网格线与第一三维地质面的交叉点,创建包含所有所述交叉点的三维坐标信息的第二数据文件;
(5)创建包含第一地下硐室结构模型和第一采场地质空间模型的边界曲线信息的第三数据文件,所述边界曲线信息包括用于描述边界曲线的分段拟合边界曲线的三维空间线段;
(6)将第三数据文件中的边界曲线根据三维空间线段分割成多段线,并保存为第四数据文件;
(7)在第一三维有限元模型分析软件中进行以下操作:导入第四数据文件创建与第一地下硐室结构模型和第一采场地质空间模型对应的第二地下硐室结构模型和第二采场地质空间模型;导入第二数据文件,并创建第二采场地质空间模型涉及的地质体的第二三维地质面;利用第二三维地质面将包含第二地下硐室结构模型和第二采场地质空间模型的实体模型进行分割,并进行共享面操作;对分割后的实体模型进行网格划分,得到实体网格模型;导出实体网格模型的节点信息到第一文本文件;节点信息包括节点号、节点坐标值、节点所属单元号、节点所属单元的分组号;
(8)将第一文本文件修改为符合第二三维有限元模型分析软件的命令行操作的语法要求的第二文本文件;所述命令行操作包括创建节点、创建节点单元、创建节点单元分组;
(9)在第二三维有限元模型分析软件中,导入第二文本文件,创建用于开挖模拟计算的复杂地质体数值模型。
3.如权利要求1所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,预警模块预警方法包括:
1)以直接影响硐室动力灾害发生与否的模态化参数集为输入变量集,以冲击地压发生的可能性和煤与瓦斯突出发生的可能性作为输出变量,建立人工神经网络模型;
2)向学习样本库中添加样本,当学习样本库中添加的样本达到预设值时,运用预设的学习算法对学习样本库中的样本进行学习,以确定人工神经网络模型中的权值和阈值,得到一个硐室动力灾害的全息模态化预警器;
3)根据全息模态化预警器设置一包括空间检索、插补、降噪、反飘移和信号重建功能的全息数据挖掘转换器;对硐室任意一个区域进行预警时,利用该全息数据挖掘转换器把硐室实验测试和安全生产中获得的相关信息转化成预警模型的输入参数,再利用全息模态化预警器给出预警结果。
4.如权利要求3所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,硐室实验测试和安全生产中获得的相关信息包括:硐室地理信息、地质信息、生产信息和相关属性信息;
相关属性信息包括:地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧构造信息,地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区空间分布信息,支护、卸压、充填、瓦斯抽放灾害防治工艺参数,以及冲击倾向性测试数据,防突测试数据,微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量监测数据。
5.如权利要求1所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,中央控制模块通过模型构建模块利用建模软件构建开挖模拟计算的中,基于建模软件构建包含关系型数据库数据的复杂地质体大数据分析平台;
在关联规则挖掘中,使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck(k≥2),并进行Map函数处理、Reduce函数处理,在复杂地质体大数据分析平台中进行分析和挖掘,得到构建复杂地质体数值模型影响因素;
结合复杂地质体数值模型影响因素和复杂地质体数值模型历史数据,构建神经网络模型BP,产生神经网络模型BP的初始权值;
对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值;
运用自适应免疫遗传算法优化动态神经网络模型DBP,获得预测模型AIGA-DBP,根据预测模型AIGA-DBP计算复杂地质体数值模型预测值;
输出复杂地质体数值模型预测值,结束。
6.如权利要求5所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,在Map函数处理阶段,每个Map任务计算其所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数,对于每个Map任务来说,如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中,则Map函数产生并输出<某个项集,1>键值对给Combiner函数,由Combiner函数处理后交给Reduce函数;
在Reduce函数处理阶段,Reduce函数累加Ck中的项目集的出现次数,得到所有项目集的支持频度,所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合,如果k<最大的迭代次数且不为空,则执行k++,转入Map函数处理;否则,结束运行。
7.如权利要求5所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,产生神经网络模型BP初始权值的方法为:
随机地在区间[-1,1]之间选择初始权值。
8.如权利要求5所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,对神经网络模型BP的权值和阈值进行动态改进,获得动态神经网络模型DBP,产生动态神经网络模型DBP的权值和阈值中,
调整神经网络模型BP隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj,定义:
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数H的调整而变小,不考虑阈值,则有:
其中wkj和w* kj分别为更新前后的权值,ypk为隐含层输出,△wkj为wkj的改变量。
9.如权利要求8所述的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法,其特征在于,根据公式得到△wkj的求解方程:
其中,
根据最小平方和误差原则求解方程,得到△wkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化△wkj,更新权值并计算平方和误差E,然后在k∈[1,H]区间选择一个最优的k,使得E最小;
调整神经网络模型BP输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差E的变化率△E=0,且E>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+Δypk)-f-1(ypk),M为自然数,则隐含层输出ypk求解公式为:
其中△ypk为ypk的改变量,则有:
根据最小平方和误差原则求解构建的矩阵方程,得到:
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
M取10~20之间的自然数,获得神经网络模型BP的动态平均权值,根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。
10.一种实现权利要求1所述复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验方法的复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置,其特征在于,所述复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置包括:
围岩应力检测模块,与中央控制模块连接,用于通过应力检测设备检测围岩应力数据;
空气质量检测模块,与中央控制模块连接,用于通过空气质量检测仪检测岩土体硐室空气质量数据;
温湿度检测模块,与中央控制模块连接,用于通过温湿度传感器检测岩土体硐室温度、湿度数据;
中央控制模块,与围岩应力检测模块、空气质量检测模块、温湿度检测模块、模型构建模块、预警模块、照明模块、显示模块连接,用于通过单片机控制各个模块正常工作;
模型构建模块,与中央控制模块连接,用于通过建模软件构建开挖模拟计算的复杂地质体数值模型;
预警模块,与中央控制模块连接,用于通过报警器对岩土体硐室灾害进行报警;
照明模块,与中央控制模块连接,用于通过照明灯对岩土体硐室进行照明操作;
显示模块,与中央控制模块连接,用于通过显示器显示检测的围岩应力、空气质量、温度、湿度、质体数值模型数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910125716.7A CN109632016A (zh) | 2019-02-20 | 2019-02-20 | 岩土体硐室开挖与围岩应力、应变监测试验装置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910125716.7A CN109632016A (zh) | 2019-02-20 | 2019-02-20 | 岩土体硐室开挖与围岩应力、应变监测试验装置及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109632016A true CN109632016A (zh) | 2019-04-16 |
Family
ID=66065630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910125716.7A Pending CN109632016A (zh) | 2019-02-20 | 2019-02-20 | 岩土体硐室开挖与围岩应力、应变监测试验装置及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109632016A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222373A (zh) * | 2019-05-09 | 2019-09-10 | 中国地质大学(武汉) | 一种面向岩土工程全生命周期的工程勘察数据处理方法 |
CN110488349A (zh) * | 2019-08-20 | 2019-11-22 | 福建省建筑设计研究院有限公司 | 基于微动三分量谱比vhsr的无损探测方法及应用 |
CN111472840A (zh) * | 2020-04-07 | 2020-07-31 | 北京科技大学 | 一种采动围岩地压灾害智能预测方法及系统 |
CN112282838A (zh) * | 2020-12-22 | 2021-01-29 | 矿冶科技集团有限公司 | 一种具有监测功能的充填采场封闭装置及系统 |
CN113203533A (zh) * | 2021-04-06 | 2021-08-03 | 淮北市平远软岩支护工程技术有限公司 | 一种冲击地压大的巷道的支护体效验方法及设备 |
CN114689821A (zh) * | 2022-03-20 | 2022-07-01 | 兰州资源环境职业技术学院 | 一种矿山相似材料模拟试验用应力采集系统及方法 |
CN118089857A (zh) * | 2024-04-23 | 2024-05-28 | 国网辽宁省电力有限公司丹东供电公司 | 一种高精度智能基坑挖掘装置性能测试方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001193069A (ja) * | 2000-01-17 | 2001-07-17 | Ohbayashi Corp | 土留め掘削時の計測管理方法、土留め掘削時の計測管理システム、および、土留め掘削時の計測管理システムを実現するためのコンピュータプログラムを記録した記録媒体 |
CN104614242A (zh) * | 2015-02-01 | 2015-05-13 | 东华理工大学 | 复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置及其方法 |
CN104636479A (zh) * | 2015-02-15 | 2015-05-20 | 西安电子科技大学 | 一种工业大数据驱动的总完工时间预测方法 |
CN204476480U (zh) * | 2015-03-24 | 2015-07-15 | 重庆飞尔达机电股份有限公司 | 一种矿山监测预警装置 |
CN107563092A (zh) * | 2017-09-19 | 2018-01-09 | 山东蓝光软件有限公司 | 一种矿山动力灾害的全息预警方法 |
CN108563890A (zh) * | 2018-04-23 | 2018-09-21 | 湖南工业大学 | 一种石英砂气液包裹体三维力学分析系统 |
CN109102564A (zh) * | 2018-06-27 | 2018-12-28 | 中核第四研究设计工程有限公司 | 一种复杂地质体数值模型的耦合建模方法 |
-
2019
- 2019-02-20 CN CN201910125716.7A patent/CN109632016A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001193069A (ja) * | 2000-01-17 | 2001-07-17 | Ohbayashi Corp | 土留め掘削時の計測管理方法、土留め掘削時の計測管理システム、および、土留め掘削時の計測管理システムを実現するためのコンピュータプログラムを記録した記録媒体 |
CN104614242A (zh) * | 2015-02-01 | 2015-05-13 | 东华理工大学 | 复杂条件下岩土体硐室开挖与围岩应力、应变监测模型试验装置及其方法 |
CN104636479A (zh) * | 2015-02-15 | 2015-05-20 | 西安电子科技大学 | 一种工业大数据驱动的总完工时间预测方法 |
CN204476480U (zh) * | 2015-03-24 | 2015-07-15 | 重庆飞尔达机电股份有限公司 | 一种矿山监测预警装置 |
CN107563092A (zh) * | 2017-09-19 | 2018-01-09 | 山东蓝光软件有限公司 | 一种矿山动力灾害的全息预警方法 |
CN108563890A (zh) * | 2018-04-23 | 2018-09-21 | 湖南工业大学 | 一种石英砂气液包裹体三维力学分析系统 |
CN109102564A (zh) * | 2018-06-27 | 2018-12-28 | 中核第四研究设计工程有限公司 | 一种复杂地质体数值模型的耦合建模方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222373A (zh) * | 2019-05-09 | 2019-09-10 | 中国地质大学(武汉) | 一种面向岩土工程全生命周期的工程勘察数据处理方法 |
CN110488349A (zh) * | 2019-08-20 | 2019-11-22 | 福建省建筑设计研究院有限公司 | 基于微动三分量谱比vhsr的无损探测方法及应用 |
CN110488349B (zh) * | 2019-08-20 | 2021-11-02 | 福建省建筑设计研究院有限公司 | 基于微动三分量谱比vhsr的无损探测方法及应用 |
CN111472840A (zh) * | 2020-04-07 | 2020-07-31 | 北京科技大学 | 一种采动围岩地压灾害智能预测方法及系统 |
CN111472840B (zh) * | 2020-04-07 | 2020-11-13 | 北京科技大学 | 一种采动围岩地压灾害智能预测方法及系统 |
CN112282838A (zh) * | 2020-12-22 | 2021-01-29 | 矿冶科技集团有限公司 | 一种具有监测功能的充填采场封闭装置及系统 |
CN112282838B (zh) * | 2020-12-22 | 2021-04-02 | 矿冶科技集团有限公司 | 一种具有监测功能的充填采场封闭装置及系统 |
CN113203533A (zh) * | 2021-04-06 | 2021-08-03 | 淮北市平远软岩支护工程技术有限公司 | 一种冲击地压大的巷道的支护体效验方法及设备 |
CN114689821A (zh) * | 2022-03-20 | 2022-07-01 | 兰州资源环境职业技术学院 | 一种矿山相似材料模拟试验用应力采集系统及方法 |
CN114689821B (zh) * | 2022-03-20 | 2024-02-13 | 兰州资源环境职业技术学院 | 一种矿山相似材料模拟试验用应力采集系统及方法 |
CN118089857A (zh) * | 2024-04-23 | 2024-05-28 | 国网辽宁省电力有限公司丹东供电公司 | 一种高精度智能基坑挖掘装置性能测试方法及系统 |
CN118089857B (zh) * | 2024-04-23 | 2024-06-25 | 国网辽宁省电力有限公司丹东供电公司 | 一种高精度智能基坑挖掘装置性能测试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109632016A (zh) | 岩土体硐室开挖与围岩应力、应变监测试验装置及其方法 | |
CN107563092B (zh) | 一种矿山动力灾害的全息预警方法 | |
US10288544B2 (en) | Method for characterizing the fracture network of a fractured reservoir and method for exploiting it | |
CN105785471B (zh) | 一种矿井预开采煤层的冲击危险性评价方法 | |
CN110795878B (zh) | 一种隧道涌水量预测方法 | |
CN106150485B (zh) | 一种基于数字岩体的钻井井漏预测系统 | |
MX2007007192A (es) | Metodo, sistema y dispositivo de almacenamiento de programa para optimizacion de ajustes de valvula en pozos instrumentados usando tecnologia de gradiente adjunto y simulacion de yacimientos. | |
CN108842821B (zh) | 一种钻爆法修建海底隧道合理埋深的计算方法 | |
CN104914465A (zh) | 火山岩裂缝定量预测方法及装置 | |
MX2015004000A (es) | Determinacion de un valor de confianza para un plano de fractura. | |
Zhang et al. | Initiation and recession of the fluvial knickpoints: A case study from the Yalu River-Wangtian’e volcanic region, northeastern China | |
CN104179514A (zh) | 水下隧道破碎围岩突水预测与渗流控制的方法 | |
CN112100727A (zh) | 一种断层破碎带影响下的富水隧道突水的预警防控方法 | |
KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN114357750B (zh) | 一种采空区充水状态评估方法 | |
CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
CN113742995A (zh) | 一种基于煤矿大数据的矿井涌水量预测方法及系统 | |
CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
CN111695228A (zh) | 一种缝洞型碳酸盐岩油藏的多尺度裂缝建模方法 | |
CN106971269B (zh) | Co2注入过程中基于概率分布的诱发地震风险评估方法 | |
CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
Shaorui et al. | Predictions of overbreak blocks in tunnels based on the wavelet neural network method and the geological statistics theory | |
CN105205863B (zh) | 一种三维数字盆地分级建模方法 | |
CN113987095A (zh) | 一种面向地下非法采矿识别的gis时空数据模型 | |
CN106777655A (zh) | 架空输电线路煤矿采空区等效采厚比的计算方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |