CN110109895B - 适用于tbm掘进隧道的围岩分级联合预测方法及应用 - Google Patents
适用于tbm掘进隧道的围岩分级联合预测方法及应用 Download PDFInfo
- Publication number
- CN110109895B CN110109895B CN201910250320.5A CN201910250320A CN110109895B CN 110109895 B CN110109895 B CN 110109895B CN 201910250320 A CN201910250320 A CN 201910250320A CN 110109895 B CN110109895 B CN 110109895B
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- prediction
- tbm
- tbm tunneling
- section
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本公开提供了一种适用于TBM掘进隧道的围岩分级联合预测方法及应用,根据地质勘探资料,初步判断隧道TBM前方未开挖段围岩分级,利用超前地质预报方法,探测未开挖段围岩状况,获取围岩参数,并根据获得的探测数据修正初步判断围岩分级结果;根据获取的超前地质预报获取的未开挖段围岩参数,对未开挖段采用数据分析方法,获得该段TBM掘进参数;建立神经网络模型,将得到的TBM掘进参数作为输入值调用至神经网络模型进行预测,输出未开挖段围岩分级,结合修正的围岩分级结果,得出最终预测结果。
Description
技术领域
本公开属于隧道工程围岩分级领域,涉及一种适用于TBM掘进隧道的围岩分级联合预测方法及应用。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
全断面岩石隧道掘进机TBM(tunnel boring machine)由于掘进速度快、效率高、安全、环保、自动化和信息化程度高等诸多优点,被广泛应用于深埋长大隧道工程中。
在隧道施工过程中前方地质情况千变万化,具有模糊性和不可预见性。特别的,与钻爆法等传统施工方法相比,TBM对地质变化更为敏感,根据地质条件进行TBM施工的可行性判断等。
据发明人了解,传统的隧道施工方法以岩体质量分级为依据来设计支护并指导施工。目前国内外采用的隧道围岩分级方法大多适用于钻爆法等传统施工方法,不能有效指导TBM隧道施工。另外,应用于TBM掘进隧道的前方围岩预测方法更是很少。若不能对隧道开挖段进行科学合理的围岩分级预测,将会影响TBM掘进效率,甚至会增加卡机等风险。目前,许多研究是在《工程岩体分级标准》等分级标准基础上,考虑影响TBM掘进施工的地质因素,进行二次分级或修正,完成TBM施工条件下的隧道围岩分级,或是对场切指数FPI与地质参数、掘进参数的相关性进行分析,建立基于掘进性能的TBM施工围岩综合分级方法。
在现有技术中隧道施工前方的围岩预测主要依据前期地质勘查资料和超前地质预报。这些方法实现了对TBM隧道的围岩分级和简单预测,但未能提高对未开挖段围岩分级的预测的准确性,也未能实现利用已开挖段真实围岩状况与预测状况对比形成的反馈信息。
发明内容
本公开为了解决上述问题,提出了一种适用于TBM掘进隧道的围岩分级联合预测方法及应用,本公开基于超前地质预报和TBM掘进参数并辅以监控量测和地质素描的具有反馈机制,能够解决由于TBM掘进过程中围岩分级不合理和缺少预见性的问题而造成的掘进效率不高和安全事故风险。
根据一些实施例,本公开采用如下技术方案:
一种适用于TBM掘进隧道的围岩分级联合预测方法,包括以下步骤:
根据地质勘探资料,初步判断隧道TBM前方未开挖段围岩分级;
利用超前地质预报方法,探测未开挖段围岩状况,获取围岩参数,并根据获得的探测数据修正初步判断围岩分级结果;
根据获取的超前地质预报获取的未开挖段围岩参数,对未开挖段采用数据分析方法,获得该段TBM掘进参数;
建立神经网络模型,将得到的TBM掘进参数作为输入值调用至神经网络模型进行预测,输出未开挖段围岩分级,结合修正的围岩分级结果,得出最终预测结果。
上述技术方案中,基于超前地质预报和TBM掘进参数,采用数据分析和神经网络的方法对未开挖段进行围岩分级预测,既考虑了超前地质预报在围岩分级预测中的作用,又结合TBM掘进特点,运用数据分析的方法获得TBM掘进参数,并作为围岩分级预测的重要组成部分。
作为进一步的限定,还包括以下步骤:根据实际开挖段进行地质素描和监控量测,揭露围岩实际状况,将实际状况和预测状况作对比,将TBM实际掘进参数与最终预测结果的掘进参数作对比以修正神经网络模型。
这一步骤能够保证神经网络的不断优化,保证预测结果的实时性和准确性。
在一部分的实施例中,超前地质预报方法为电法探测和地震波法探测,利用以上两种方法获得地质预报探测数据,判断未开挖段围岩分级。
在一部分的实施例中,围岩性质包括岩石种类、岩石强度、岩石完整性;TBM掘进参数包括推进速度、刀盘转速、刀盘扭矩、推力和贯入度。
在一部分的实施例中,所述神经网络为BP神经网络。
在一部分的实施例中,所述TBM掘进参数作为输入神经元,围岩分级作为输出神经元,通过不断学习,得到最优BP神经网络模型。
在一部分的实施例中,通过对比超前地质预报方法得到的数据和神经网络预测的数据,形成反馈机制,利用地质素描反映掌子面和边墙围岩岩石种类,节理数量及走向和不良地质情况,具体包括记录掌子面和边墙围岩的岩性、节理裂隙发育程度和是否存在断层破碎带。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种适用于TBM掘进隧道的围岩分级联合预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种适用于TBM掘进隧道的围岩分级联合预测方法。
与现有技术相比,本公开的有益效果为:
本公开基于超前地质预报和TBM掘进参数,采用数据分析和BP神经网络的方法对未开挖段进行围岩分级预测,既考虑了超前地质预报在围岩分级预测中的作用,又结合TBM掘进特点,运用数据分析的方法获得TBM掘进参数,并作为围岩分级预测的重要组成部分。
本公开在对围岩分级预测过程中,及时收集已开挖段数据信息并录入数据库,使得BP神经网络预测模型更加合理准确。本公开的预测方法减少了预测的主观性,增加了客观性。
本公开首先在初步围岩分级的基础上,综合考虑地质因素和TBM掘进因素,再利用超前地质预报、数据分析和BP神经网络预测,以及通过现场监控量测、地质素描形成反馈机制,通过以上联合方法进行隧道围岩分级的预测,使得结果更加客观、精确。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本实施例中预测方法步骤流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种适用于TBM掘进隧道的围岩分级联合预测方法,如图1所示,包括以下步骤:
(1)根据隧道地质勘查资料进行分析,初步判断隧道TBM前方未开挖段围岩分级。
获取隧道现场勘查设计资料,了解当前开挖段和未开挖段的围岩分级,分析隧道所处的环境、地形地貌、地质构造、岩性变化、断层分布、水文地质条件以及围岩级别变化等信息,记录资料中岩石物理力学参数、岩体的风化程度、完整程度和围岩的基本质量指标。根据以上获取的围岩信息,进行初步围岩分级。
(2)利用超前地质预报方法,探测未开挖段围岩状况,获取围岩参数。并根据获得的探测数据修正步骤(1)所确定的围岩分级。
超前地质预报方法为电法探测和地震波法探测,利用以上两种方法获得地质预报探测数据,判断未开挖段围岩分级。电法探测采取激发极化超前预报法,地震波探测采取三维地震波超前预报法。
激发极化探测方法基本操作步骤为:
1)安装无穷远电极和电缆;2)安装电极与掌子面接触良好;3)进行数据采集处理生成报告。
三维地震波超前预报法基本操作步骤为:
1)三分量加速度传感器安装;2)仪器连接与数据采集;3)数据处理与生成报告。
激发极化探测方法是电法勘探的一个重要分支,以围岩和含水地质构造的电性参数差异为物理基础,根据施加电场作用下围岩传导电流的分布规律,推断探测区域电阻率的分布情况和地质情况。激发极化利用多同性源供电理论上具有减弱电极附近异常体干扰的优势,且能压制掌子面近处异常体的敏感性,多同性源电极向掌子面后方移动探测,不需随着隧洞开挖连续探测,阵列电极的接收模式可以实现异常体的三维反演成像。
三维地震波超前预报法能够在较远的距离上识别不良地质构造分界面,如断层带、蚀变岩层、破碎岩层、岩性接触带等具有明显波阻抗差异界面的不良地质体,并进行三维成像定位与空间形态展布。三维地震超前预报技术的基本原理为:人为激发地震波,当地震波遇到波阻抗差异界面时,一部分信号会被反射回来,另一部分信号透射进入前方介质。反射回来的地震信号会被高灵敏度地震检波器接收。通过对检波器接收到的地震记录进行后续数据处理及成像,即可了解隧道掌子面前方地质体的性质。
(3)利用隧道地质勘查资料和步骤(2)超前地质预报获取的未开挖段围岩参数,对未开挖段采用数据分析方法,获得该段TBM掘进参数。
数据分析TBM隧道掘进的基本步骤为:
1)收集已建或在建TBM掘进隧道围岩性质与TBM掘进参数的实测数据,采用3σ准则,剔除可疑数据,进行分类统计分析,寻找规律,确定不同围岩条件下的TBM掘进参数取值范围。
2)通过大数据对比分析,采用工程类比的方法,匹配最接近前方未开挖段围岩性质的数据,寻找相应的TBM掘进参数取值范围,确定最优TBM掘进参数。
获取当前开挖段TBM掘进参数和实际围岩分级,与对未开挖段的预测关系密切,该数据库的构成是为步骤(5)建立BP神经网络预测模型做准备。
数据分析方法是指通过收集已建或在建TBM掘进隧道围岩性质与TBM掘进参数的数据,进行分类统计;通过大数据对比分析,采用工程类比的方法,确定未开挖段最优TBM掘进参数。
围岩性质包括岩石种类、岩石强度、岩石完整性。TBM掘进参数包括推进速度、刀盘转速、刀盘扭矩、推力和/或贯入度。
(5)建立BP神经网络模型。将由步骤(4)得到的TBM掘进参数作为输入值调用至神经网络模型进行预测,输出未开挖段围岩分级。结合步骤(2)进行分析,得出最终预测结果。
1)在数据库中选取具有代表性和均匀性的数据,构建学习样本集。输入神经元为TBM掘进参数:推进速度、刀盘转速、刀盘扭矩、推力、贯入度。输出神经元为围岩级别。
2)采用三层BP网络进行学习。包括5个输入神经元、1个隐含层、11个隐含层神经元和1个输出神经元,设置学习精度。利用MATLAB软件进行学习,得到最优神经网络模型。
3)调用步骤2)建立的BP神经网络模型,将步骤(3)数据分析所得TBM掘进参数输入BP神经网络模型,输出围岩分级。
4)结合步骤(2),将入BP神经网络模型输出的围岩分级结果进行分析,得出最终预测结果。
(6)TBM掘进开挖后,对新开挖段进行地质素描和监控量测,揭露围岩实际状况,将实际状况和预测状况作对比,将TBM实际掘进参数与数据分析得到的掘进参数作对比,并将实际围岩分级和TBM实际掘进参数更新至数据库以修正神经网络模型。
对比验证形成反馈机制,围岩变形与围岩级别有着密切关系,既能反映当前开挖段围岩分级的准确性,也能反映前方未开挖段的地质情况。
通过地质素描反映掌子面和边墙围岩岩石种类,节理数量及走向,不良地质情况等。包括记录掌子面和边墙围岩岩性、节理裂隙发育程度和是否存在断层破碎带。掌子面地质素描为未开挖算段围岩分级提供了参考。
通过对当前开挖段围岩变形的监控量测,反映了前方未开挖段地质情况,包括地层岩性、地质构造和水文地质条件等,可以为未开挖段提供参考依据。
BP神经网络训练模型的生成需要大量具有代表性的训练样本,随着TBM掘进里程的增加,实际围岩分级和TBM实际掘进参数数量也会逐步增加,数据库中将会存在大量的样本以供训练BP神经网络预测模型使用,增加了模型稳定性和准确性。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种适用于TBM掘进隧道的围岩分级联合预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种适用于TBM掘进隧道的围岩分级联合预测方法。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.一种适用于TBM掘进隧道的围岩分级联合预测方法,其特征是:包括以下步骤:
根据地质勘探资料,初步判断隧道TBM前方未开挖段围岩分级;
利用超前地质预报方法,探测未开挖段围岩状况,获取围岩参数,并根据获得的探测数据修正初步判断围岩分级结果;
根据获取的超前地质预报获取的未开挖段围岩参数,对未开挖段采用数据分析方法,获得该段TBM掘进参数;
建立神经网络模型,将得到的TBM掘进参数作为输入值调用至神经网络模型进行预测,输出未开挖段围岩分级,结合修正的围岩分级结果,得出最终预测结果;
还包括以下步骤:根据实际开挖段进行地质素描和监控量测,揭露围岩实际状况,将实际状况和预测状况作对比,将TBM实际掘进参数与最终预测结果的掘进参数作对比以修正神经网络模型。
2.如权利要求1所述的一种适用于TBM掘进隧道的围岩分级联合预测方法,其特征是:超前地质预报方法为电法探测和地震波法探测,利用以上两种方法获得地质预报探测数据,判断未开挖段围岩分级。
3.如权利要求1所述的一种适用于TBM掘进隧道的围岩分级联合预测方法,其特征是:围岩性质包括岩石种类、岩石强度、岩石完整性;TBM掘进参数包括推进速度、刀盘转速、刀盘扭矩、推力和贯入度。
4.如权利要求1所述的一种适用于TBM掘进隧道的围岩分级联合预测方法,其特征是:所述神经网络为BP神经网络。
5.如权利要求4所述的一种适用于TBM掘进隧道的围岩分级联合预测方法,其特征是:所述TBM掘进参数作为输入神经元,围岩分级作为输出神经元,通过不断学习,得到最优BP神经网络模型。
6.如权利要求1所述的一种适用于TBM掘进隧道的围岩分级联合预测方法,其特征是:通过对比超前地质预报方法得到的数据和神经网络预测的数据,形成反馈机制,利用地质素描反映掌子面和边墙围岩岩石种类,节理数量及走向和不良地质情况,具体包括记录掌子面和边墙围岩的岩性、节理裂隙发育程度和是否存在断层破碎带。
7.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的一种适用于TBM掘进隧道的围岩分级联合预测方法。
8.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-6中任一项所述的一种适用于TBM掘进隧道的围岩分级联合预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250320.5A CN110109895B (zh) | 2019-03-29 | 2019-03-29 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250320.5A CN110109895B (zh) | 2019-03-29 | 2019-03-29 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109895A CN110109895A (zh) | 2019-08-09 |
CN110109895B true CN110109895B (zh) | 2021-05-28 |
Family
ID=67484756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910250320.5A Active CN110109895B (zh) | 2019-03-29 | 2019-03-29 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109895B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675092B (zh) * | 2019-10-18 | 2022-04-05 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
CN110889834A (zh) * | 2019-11-19 | 2020-03-17 | 长沙理工大学 | 一种基于云计算的公路隧道围岩分级方法 |
CN111144635B (zh) * | 2019-12-20 | 2022-07-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
CN111197500B (zh) * | 2020-01-06 | 2021-04-13 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及系统 |
CN111489010B (zh) * | 2020-01-08 | 2022-12-09 | 西南交通大学 | 钻爆法隧道掌子面前方围岩级别智能预测方法及装置 |
CN111220567B (zh) * | 2020-01-20 | 2021-06-01 | 山东大学 | Tbm搭载式岩石蚀变特征识别及地质预报系统及其方法 |
CN110989366B (zh) * | 2020-03-04 | 2020-07-03 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN111622763A (zh) * | 2020-04-23 | 2020-09-04 | 中国铁建重工集团股份有限公司 | 竖井掘进机调向控制方法、系统、竖井掘进机及存储介质 |
CN111650668A (zh) * | 2020-04-24 | 2020-09-11 | 高军 | 一种隧道三维超前地质预报方法及系统 |
CN111594197B (zh) * | 2020-04-30 | 2021-05-04 | 东北大学 | 一种基于tbm岩机信息的隧洞断层段超前智能感知方法 |
CN112329099B (zh) * | 2020-10-27 | 2023-04-14 | 中国铁路设计集团有限公司 | 一种基于自定义数据库的铁路山岭隧道正洞智能匹配方法 |
CN112580165B (zh) * | 2020-12-14 | 2022-07-29 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
CN112926267B (zh) * | 2021-03-10 | 2023-06-06 | 山东大学 | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 |
CN113158562B (zh) * | 2021-04-14 | 2023-02-03 | 山东大学 | 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统 |
CN114075979A (zh) * | 2021-04-21 | 2022-02-22 | 卢靖 | 盾构掘进环境变化实时辨识系统及方法 |
CN114117590B (zh) * | 2021-11-11 | 2024-02-20 | 山东大学 | 基于随钻测试与地化特征分析的隧道围岩分级系统及方法 |
CN113779690B (zh) * | 2021-11-11 | 2022-03-29 | 山东大学 | 基于随钻感知的超前地质预报方法及系统 |
CN114417515A (zh) * | 2021-12-03 | 2022-04-29 | 山东大学 | 机械预切槽机的建模方法及系统 |
CN114439500B (zh) * | 2021-12-16 | 2023-09-05 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
CN114495433B (zh) * | 2022-02-07 | 2023-07-21 | 盾构及掘进技术国家重点实验室 | 一种隧道掘进机围岩坍塌预警方法、装置及终端设备 |
CN116012336B (zh) * | 2023-01-09 | 2024-02-23 | 中国地质大学(北京) | 隧道智慧化地质素描及围岩等级判识装置及方法 |
CN117152342A (zh) * | 2023-06-05 | 2023-12-01 | 中铁十一局集团有限公司 | 实时地质数据智能感知方法及相关设备 |
CN117056748B (zh) * | 2023-10-12 | 2024-03-12 | 山东能源集团西北矿业有限公司 | 一种矿用tbm掘进过程参数的优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496059A (zh) * | 2011-11-25 | 2012-06-13 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩人工智能分级方法 |
CN102736124A (zh) * | 2012-06-14 | 2012-10-17 | 北京市市政工程研究院 | 基于综合参数的隧道开挖围岩动态细化分级方法 |
CN104217124A (zh) * | 2014-09-15 | 2014-12-17 | 天津大学 | 以工程样本数据为依托的tbm施工围岩分级方法 |
CN105353427A (zh) * | 2015-12-14 | 2016-02-24 | 大连海事大学 | 隧道围岩动态分级方法及其装置 |
CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
CN109145520A (zh) * | 2018-10-22 | 2019-01-04 | 重庆大学 | 基于数字图像和大数据的土石混合体隧道设计方法 |
-
2019
- 2019-03-29 CN CN201910250320.5A patent/CN110109895B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496059A (zh) * | 2011-11-25 | 2012-06-13 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩人工智能分级方法 |
CN102736124A (zh) * | 2012-06-14 | 2012-10-17 | 北京市市政工程研究院 | 基于综合参数的隧道开挖围岩动态细化分级方法 |
CN104217124A (zh) * | 2014-09-15 | 2014-12-17 | 天津大学 | 以工程样本数据为依托的tbm施工围岩分级方法 |
CN105353427A (zh) * | 2015-12-14 | 2016-02-24 | 大连海事大学 | 隧道围岩动态分级方法及其装置 |
CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
CN109145520A (zh) * | 2018-10-22 | 2019-01-04 | 重庆大学 | 基于数字图像和大数据的土石混合体隧道设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110109895A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
CN109740119B (zh) | 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法 | |
US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
CN107842394B (zh) | 大跨度地下硐室开采顶板稳定性的动弹模探测方法 | |
Guo et al. | Advance prediction of collapse for TBM tunneling using deep learning method | |
CN111986321B (zh) | 三维地质建模方法、装置、设备及存储介质 | |
CN113484910A (zh) | 基于地震干涉法的隧道超前地质预报方法及系统 | |
Dai et al. | Focal mechanism determination for microseismic events and its application to the left bank slope of the Baihetan hydropower station in China | |
CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
CN116721223A (zh) | 一种基于倾斜摄影和随钻测量技术的岩体稳定性分析方法 | |
Guo et al. | Water-bearing body prospecting ahead of tunnel face using moving electrical-source method | |
CN113189672B (zh) | 一种基于多属性反演的隧道超前地质预报方法 | |
CN114943149A (zh) | 一种隧道内岩爆损伤岩体体积的计算方法 | |
CN112394392B (zh) | 对烃源岩分布情况进行评价的方法和装置 | |
CN114066271A (zh) | 一种隧道突水灾害监测管理系统 | |
Zhang et al. | Improvement of microseismic source location during cavern excavation in faulted rock mass using fast marching method | |
CN113848593A (zh) | 一种定量预测含煤地层中岩浆岩侵蚀区的方法 | |
CN113138412A (zh) | 深层页岩气孔隙度地震预测方法及装置 | |
CN111025383A (zh) | 一种基于绕射横波定性判断隧道前方溶洞充水情况的方法 | |
CN113391359B (zh) | 实时探测的电法超前地质预报系统及方法 | |
Zhou et al. | Automatic approach for fast processing and data analysis of seismic ahead-prospecting method: a case study in yunnan, china | |
Ringrose et al. | Next generation geophysical sensing: exploring a new wave of geophysical technologies for the energy transition | |
CN118013744A (zh) | 基于开挖验证约束的隧道超前预报修正方法 | |
CN108931813B (zh) | 一种识别礁盖、礁核、礁基的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |