CN110453654B - 一种心墙堆石坝施工掺配参数优选方法 - Google Patents

一种心墙堆石坝施工掺配参数优选方法 Download PDF

Info

Publication number
CN110453654B
CN110453654B CN201910607100.3A CN201910607100A CN110453654B CN 110453654 B CN110453654 B CN 110453654B CN 201910607100 A CN201910607100 A CN 201910607100A CN 110453654 B CN110453654 B CN 110453654B
Authority
CN
China
Prior art keywords
blending
content
soil
uniformity
gravel soil
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.)
Expired - Fee Related
Application number
CN201910607100.3A
Other languages
English (en)
Other versions
CN110453654A (zh
Inventor
王佳俊
祁宁春
钟登华
周永
王金国
乔天诚
崔博
张东明
方德扬
任炳昱
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.)
Tianjin University
Yalong River Hydropower Development Co Ltd
Original Assignee
Tianjin University
Yalong River Hydropower Development 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 Tianjin University, Yalong River Hydropower Development Co Ltd filed Critical Tianjin University
Priority to CN201910607100.3A priority Critical patent/CN110453654B/zh
Publication of CN110453654A publication Critical patent/CN110453654A/zh
Application granted granted Critical
Publication of CN110453654B publication Critical patent/CN110453654B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • EFIXED CONSTRUCTIONS
    • E02HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02BHYDRAULIC ENGINEERING
    • E02B7/00Barrages or weirs; Layout, construction, methods of, or devices for, making same
    • E02B7/02Fixed barrages
    • E02B7/04Dams across valleys
    • E02B7/06Earth-fill dams; Rock-fill dams

Landscapes

  • Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Civil Engineering (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Consolidation Of Soil By Introduction Of Solidifying Substances Into Soil (AREA)

Abstract

本发明公开了一种心墙堆石坝施工掺配参数优选方法,利用实时监控系统获取施工参数,利用现场试验获得料源参数,提出反应砾石土料掺配均匀性的指标h,并针对全仓面质量评价的不确定性,利用信息熵的方法评价料源参数的不确定程度,对需要控制的指标进行100次预测并选取置信度为95%以上的评价结果作为评价值,弱化不确定性的影响。建立基于改进的BAS‑BP神经网络实际均匀程度h’与颗粒含量情况指标P5的预测模型,实现全仓面掺配质量的评价,为实际施工质量控制提供切实可行的依据。

Description

一种心墙堆石坝施工掺配参数优选方法
技术领域
本发明涉及水利水电工程技术,特别涉及一种心墙堆石坝施工掺配参数优选方法。
背景技术
由于心墙堆石坝所具有的便于取材、施工方便、适应不同地质条件、抗震性能好等特点,现已日益成为高坝与特高坝的主要建设坝型。砾石土料也得益于自身优势,成为了心墙堆石坝心墙区的主要材料。因而对心墙区砾石土料的质量把控是控制工程质量中非常重要的一环。而当天然土料无法满足高坝的防渗性与抗剪性要求是,需要通过土料掺配获得坝体建设的合格土料。这使得对于掺配过程的全面、综合质量控制与评价成为了保证工程质量的重要环节。
掺配过程的实时监控系统为掺配质量评价提供了新的途径,工作人员可以在掺配过程中实时获得更多的控制指标。天津基于已研制开发的碾压混凝土坝碾压施工质量实时监控系统,全面收集在碾压混凝土坝中的碾压参数(碾压遍数、碾压速度、碾压厚度)和含水率等指标,利用多元非线性回归的方法建立上述变量与碾压混凝土压实度之间的回归模型,对所收集的参数与碾压混凝土压实程度之间的相关性进行了分析。重庆交通大学基于横波传播规律,得到路基在不同饱和状态下的土石复合介质压实度波动反演模型,提出一种土体击实试样的横波波速测试方法,并将该方法运用在奉新昌铜高速、会昌瑞寻高速等路基工程的运用,通过波动模型计算、曲线标定、灌砂法三种途径对路基填筑质量进行对比分析与评价。
我国在水利工程砾石土料掺配质量评价方面的研究较少,传统的掺配质量评价大都通过对P5含量的检测以反映颗粒级配的情况,但在工程实际中P5含量只是颗粒级配曲线中一个指标,单纯利用P5含量进行质量评价过程并不能很好的反应砾石土料掺配的均匀性。而且对于掺配质量的评价过程而言,也缺乏分析和考虑料源参数的不确定性问题,这使得掺配过程中的质量评价具有一定的局限性。
综上所述,现在工程实际中对砾石土料掺配的质量的评价以P5颗粒含量作为评价指标,缺乏对砾石土料均匀性的考虑,而且没有考虑到在全仓面质量评价过程中的不确定性对掺配质量评价的影响。
发明内容
心墙堆石坝砾石土料的掺配质量对水利水电工程的安全问题产生巨大的影响,如何进行全仓面的掺配质量评价已经成为了目前急需解决的问题。本发明旨在克服现有评价方法上的不足,提供一种心墙堆石坝施工掺配参数优选方法。本发明基于心墙堆石坝掺配实时监控系统和现场试验,提出与选定相应指标,通过考虑料源参数的不确定性建立全仓面掺配质量预测模型,实现全仓面掺配质量的评价,为实际施工质量控制提供切实可行的依据。
本发明所采用的技术方案是:一种心墙堆石坝施工掺配参数优选方法,包括以下步骤:
步骤1,利用砾石土料实时掺配监控系统和现场试验获得相关参数数据;
步骤2,提出反应砾石土料掺配均匀性的指标;
步骤3,选定反应砾石土料掺配后颗粒含量情况的指标;
步骤4,分析全仓面掺配质量评价过程中的不确定性;
步骤5,建立坝体全仓面的均匀性与颗粒含量的预测模型;
步骤6,采用步骤5建立的预测模型所预测得到的实际工程掺配后砾石土料的P5含量与实际均匀程度,并结合步骤2所得到的理论均匀程度,对实际工程掺配后砾石土料的质量进行评价,对不满足要求的控制点采取补救措施。
进一步地,步骤1中,所述的相关参数数据包括:依托于砾石土料实时掺配监控系统得出的掺配遍数、铺土厚度,依托于现场试验得到的试验位置处的土料P5含量、土料粒径小于0.075mm颗粒含量、土料粒径小于0.005mm颗粒含量、石料P5含量、土料干密度、石料干密度。
进一步地,步骤2中,所述的提出反应砾石土料掺配均匀性的指标,具体包括:建立理论条件下砾石土料经充分掺配后,P5含量与粒径小于0.075mm和粒径小于0.005mm的颗粒的比值;均匀程度h为:
Figure GDA0002840589640000021
式中:P5表示料源土料的P5含量,P5表示料源石料的P5含量;m与n分别表示掺配过程中土料和石料对应的掺配比;C0.075表示土料中粒径小于0.075mm的颗粒含量;C0.005表示土料中粒径小于0.005mm的颗粒含量;利用公式(1)得出的是取样点下的理论均匀程度。
进一步地,步骤3中,所选定的反应砾石土料掺配后颗粒含量情况的指标为掺配后砾石土料的P5含量。
进一步地,步骤4中,所述的分析全仓面掺配质量评价过程中的不确定性,具体包括:综合考虑全仓面掺配质量评价过程中存在的不确定性的问题,利用信息熵的方法量化料源参数的不确定性,判断料源参数的不确定性情况,进而确定料源参数是否考虑不确定性;对需要考虑不确定性的参数,通过100次模拟选取置信度在95%以上的评价结果作为评价值,降低不确定性的影响。
进一步地,步骤5中,所述的建立坝体全仓面的均匀性与颗粒含量的预测模型,具体包括:结合依托于砾石土料实时掺配掺配监控系统得出的掺配遍数、铺土厚度,依托于试验得到的试验位置处的土料P5含量、石料P5含量、土料干密度、石料干密度、土料中粒径小于0.075mm的颗粒含量以及土料中粒径小于0.005mm的颗粒含量,利用改进的BAS算法优化的BP神经网络,建立工程实际中掺配后砾石土料的P5含量与实际均匀程度h’的预测模型。
其中,所述的利用改进的BAS算法优化的BP神经网络,建立掺配后砾石土料的P5含量与实际均匀程度h’的预测模型,具体包括:
步骤5-1,BP神经网络结构的确定:BP神经网络为输入层、隐含层、输出层的三层结构;输入输出层节点根据选取参数的特征决定,隐含层节点数通过隐含层节点数的计算方法并结合试验法确定;
步骤5-2,改进BAS算法:通过改进BAS算法的步长调整函数对变步长进行控制;
步骤5-3,利用改进的BAS算法对BP神经网络进行优化:选取MSE作为适应度函数,利用BAS算法的寻优能力,对BP神经网络的阈值与权值进行寻优,当寻优过程满足停止条件时将BAS的最终值赋予BP神经网络;
步骤5-4,通过改进的BAS算法优化的BP神经网络分别对实际工程掺配后砾石土料的P5含量与实际均匀程度h’进行预测。
进一步地,步骤6中,所述的对实际工程掺配后砾石土料的质量进行评价包括均匀程度和掺配后砾石土料的P5含量;
对于均匀程度:据步骤5所建立的测模型得到的工程掺配后砾石土料实际均匀程度h’与步骤2中提出的砾石土料掺配后理论均匀程度h进行比较,即,通过对控制点进行的取样试验,得到控制点下的料源参数,通过对料源参数进行分析,判断控制点下的理论均匀程度h的分布情况,再结合BAS算法优化的BP神经网络对取样点下的实际均匀程度h’进行预测,通过实际均匀程度h’与理论均匀程度h的相互比较,判断掺配过程是否满足均匀性要求,若实际均匀程度h’落在理论均匀程度h的取值范围内,则证明实际工程的掺配均匀性好;反之,则证明实际工程的掺配均匀性差;
对于掺配后砾石土料的P5含量:根据步骤5所建立的BAS算法优化的BP神经网络模型对各控制点下的掺配后砾石土料的P5含量进行预测,当预测结果在30%-50%之间时,则认为掺配后砾石土料的P5含量满足工程要求,砾石土料颗粒级配符合条件;
通过均匀程度和掺配后砾石土料的P5含量对实际工程掺配后砾石土料的质量进行评价,为实际施工质量控制提供依据,对不满足要求的控制点采取补救措施。
本发明的有益效果是:本发明利用实时监控系统获取施工参数,利用现场试验获得料源参数,提出反应砾石土料掺配均匀性的指标h,并针对全仓面质量评价的不确定性,利用信息熵的方法评价料源参数的不确定程度,对需要控制的指标进行100次预测并选取置信度为95%以上的评价结果作为评价值,弱化不确定性的影响。建立基于改进的BAS-BP神经网络实际均匀程度h’与颗粒含量情况指标P5的预测模型,实现全仓面掺配质量的评价,为实际施工质量控制提供切实可行的依据。
附图说明
图1为本发明一种心墙堆石坝施工掺配参数优选方法流程示意图。
图2为改进的BAS优化神经网络的模型框架。
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:
针对心墙堆石坝砾石土料掺配质量评价存在的不足,本发明利用实时监控系统获取施工参数,利用现场试验获得料源参数,提出反应砾石土料掺配均匀性的指标h,并针对全仓面质量评价的不确定性,利用信息熵的方法评价料源参数的不确定程度,对需要控制的指标进行100次预测并选取置信度为95%以上的评价结果作为评价值,弱化不确定性的影响。建立基于改进的BAS-BP神经网络实际均匀程度h’与颗粒含量情况指标P5的预测模型,实现全仓面掺配质量的评价,为实际施工质量控制提供切实可行的依据。
如图1所示,一种心墙堆石坝施工掺配参数优选方法,为心墙堆石坝施工掺配质量均匀性-颗粒含量-不确定性综合评价方法,包括以下步骤:
(一)利用砾石土料实时掺配监控系统和现场试验获得相关参数数据
本发明依托于:
(1)砾石土料实时掺配监控系统得出的掺配遍数、铺土厚度;
(2)现场试验得到的试验位置处的土料P5含量、土料粒径小于0.075mm颗粒含量、土料粒径小于0.005mm颗粒含量、石料P5含量、土料干密度、石料干密度等参数数据。
(二)提出反应砾石土料掺配均匀性的指标
本发明针对于工程实际中缺乏考虑砾石土料掺配均匀性的问题,提出颗粒均匀程度指标——均匀程度h,如公式(1)所示:
Figure GDA0002840589640000051
式中:P5表示料源土料的P5含量,P5表示料源石料的P5含量;m与n分别表示掺配过程中土料和石料对应的掺配比;C0.075表示土料中粒径小于0.075mm的颗粒含量;C0.005表示土料中粒径小于0.005mm的颗粒含量;利用该式得出的是取样点下的理论均匀程度。
(1)对于参数整体而言:
由于现阶段对于掺配质量控制并未考虑颗粒的均匀性,而对于砾石土料而言,起到控制作用的指标还有粒径小于0.075mm的颗粒含量与粒径小于0.005mm的颗粒含量,因此只有综合考虑这三种颗粒含量的情况才能切实的反应出掺配的均匀性。
(2)对于式中分母而言:
①由于对于掺配过程而言,小于0.075mm及小于0.005mm的粒径几乎全部来源于土料,而石料对这两种粒径的影响微乎其微。因此本发明忽略石料中的相应粒径对掺配后颗粒级配的影响。
②分母中最终构建出的是对于砾石土料而言较小粒径对应的理论含量指标。
(3)对式中分子而言:
利用工程实际中的掺配比,通过对料源处石料与土料P5含量的检测与相应运算,反应出掺配后的理论P5含量。
(4)h值:
①在理论情况下,通过上式计算出的理论均匀程度h可以反应出由特定料场开采出的砾石料与土料经充分均匀掺配后的取值范围。
②在实际工程应用中,应先计算出理论均匀程度h的合理取值范围,预测模型得出的结果,判断实际均匀程度h’是否落在理论均匀程度h所包含的范围之内。若h’落在h的取值范围内,则证明掺配均匀性较好;反之,则证明掺配的均匀性较差。
(三)选定反应砾石土料掺配后颗粒含量情况的指标
在工程实际中通过采用控制P5含量对砾石土料掺配后的颗粒含量进行保障,本发明为保证对掺配质量的全面考虑,延用掺配后砾石土料的P5含量对砾石土料的颗粒含量进行控制,确保掺配过程满足相关工程要求,多方面反应掺配过程的质量情况。
(四)分析全仓面掺配质量评价过程中的不确定性
对掺配过程而言不确定性主要来源于掺配质量控制中的随机性:现场料源参数只能通过有限的取样点进行确定,而对于未检测到的点则是通过正态随机数的方式进行模拟,这也就导致最终的质量评价情况具有一定的随机性。
因此本发明采用信息熵的方法对料源参数的不确定性进行研究,信息熵值越大则证明不确定性越大,具体办法为:
(1)对料源参数的取值范围进行平均分组,得到每一组数值出现的频数nv
(2)根据(1)得到每一组数值出现的频率p:
Figure GDA0002840589640000071
(3)根据熵的定义,利用式(2)计算料源参数所对应的熵值:
Figure GDA0002840589640000072
式中:E为熵值;mv为料源参数分组个数;k的取值为k=1/lnmv;pi为第i组数值出现的频率。
(4)重复上述步骤,计算出所有料源参数对应的熵值情况。
通过料源参数的熵值情况,确定不同料源参数的不确定性程度,对不确定性超出允许范围的参数进行100次模拟,在模拟结果中取置信区间在95%以上的评价结果作为最后的评价值,以弱化不确定性的影响。
(五)建立坝体全仓面的均匀性与颗粒含量的预测模型
结合依托于砾石土料实时掺配掺配监控系统得出的掺配遍数、铺土厚度,依托于试验得到的试验位置处的土料P5含量、石料P5含量、土料干密度、石料干密度、土料中粒径小于0.075mm的颗粒含量以及土料中粒径小于0.005mm的颗粒含量,利用改进的BAS算法优化的BP神经网络,建立工程实际中掺配后砾石土料的P5含量与实际均匀程度h’的预测模型。具体包括:
(1)BP神经网络结构的确定:BP神经网络为输入层、隐含层、输出层的三层结构;输入输出层节点根据选取参数的特征决定,隐含层节点数通过隐含层节点数的计算方法并结合试验法确定;
(2)选取BP神经网络的激活函数为Tanh函数:
Figure GDA0002840589640000073
式中,f(v)为函数值;v为函数中的自变量。
确保激活函数的均值为一,并在正负区间内都有意义。
(3)改进BAS算法,本发明针对BAS算法具有的原始变步长调整方法具有的步长值下降速度过快的问题,通过改进BAS算法的步长调整函数对变步长进行控制,确保BAS算法的搜索效率,避免影响搜索的收敛性;
Figure GDA0002840589640000081
式中,step表示初始规定的步长;mi为迭代的总次数;ii为当前的迭代次数;ρ为常数,表示step递减的程度。
(4)利用BAS对BP神经网络进行优化:选取MSE作为适应度函数,利用BAS算法的寻优能力,对BP神经网络的阈值与权值进行寻优,通过控制迭代次数或是利用设计精度控制迭代停止时间,当寻优过程满足停止条件时将BAS的最终值赋予BP神经网络进行学习与预测。
(5)通过改进的BAS算法优化的BP神经网络分别对实际工程掺配后砾石土料的P5含量与实际均匀程度h’进行预测。
(六)采用预测模型指导实际工程
在工程的实际应用中,对均匀程度而言:据(五)所建立的测模型得到的工程掺配后砾石土料实际均匀程度h’与(二)中提出的砾石土料掺配后理论均匀程度h进行比较,即,通过对控制点进行的取样试验,得到控制点下的料源参数,通过对料源参数进行分析,判断控制点下的理论均匀程度h的分布情况,再结合BAS算法优化的BP神经网络对取样点下的实际均匀程度h’进行预测,通过实际均匀程度与理论均匀程度的相互比较,判断掺配过程是否满足均匀性要求,若实际均匀程度h’落在理论均匀程度h的取值范围内,则证明实际工程的掺配均匀性好;反之,则证明实际工程的掺配均匀性差。对掺配后砾石土料的P5含量而言:根据(五)所建立的BAS算法优化的BP神经网络模型对各控制点下的掺配后砾石土料的P5含量进行预测,当预测结果在30%-50%之间时,则认为掺配后砾石土料的P5含量满足工程要求,砾石土料颗粒级配符合条件。通过上述两个方面对实际工程掺配后砾石土料的质量进行评价,为实际施工质量控制提供依据,及时对不满足要求的控制点采取补救措施,弥补事后人工评价的低时效性。
尽管上面结合附图对本发明的优选实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,并不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护范围之内。

Claims (4)

1.一种心墙堆石坝施工掺配参数优选方法,其特征在于,包括以下步骤:
步骤1,利用砾石土料实时掺配监控系统和现场试验获得相关参数数据,所述的相关参数数据包括:依托于砾石土料实时掺配监控系统得出的掺配遍数、铺土厚度,依托于现场试验得到的试验位置处的土料P5含量、土料粒径小于0.075mm颗粒含量、土料粒径小于0.005mm颗粒含量、石料P5含量、土料干密度、石料干密度;
步骤2,提出反应砾石土料掺配均匀性的指标,均匀程度h为:
Figure FDA0002861376670000011
式中:P5表示料源土料的P5含量,P5表示料源石料的P5含量;m与n分别表示掺配过程中土料和石料对应的掺配比;C0.075表示土料中粒径小于0.075mm的颗粒含量;C0.005表示土料中粒径小于0.005mm的颗粒含量;利用公式(1)得出的是取样点下的理论均匀程度;
步骤3,选定反应砾石土料掺配后颗粒含量情况的指标;
步骤4,分析全仓面掺配质量评价过程中的不确定性;
步骤5,建立坝体全仓面的均匀性与颗粒含量的预测模型,包括:结合依托于砾石土料实时掺配掺配监控系统得出的掺配遍数、铺土厚度,依托于试验得到的试验位置处的土料P5含量、石料P5含量、土料干密度、石料干密度、土料中粒径小于0.075mm的颗粒含量以及土料中粒径小于0.005mm的颗粒含量,利用改进的BAS算法优化的BP神经网络,建立工程实际中掺配后砾石土料的P5含量与实际均匀程度的预测模型,其中,所述的利用改进的BAS算法优化的BP神经网络,建立掺配后砾石土料的P5含量与实际均匀程度的预测模型,包括:
步骤5-1,BP神经网络结构的确定:BP神经网络为输入层、隐含层、输出层的三层结构;输入输出层节点根据选取参数的特征决定,隐含层节点数通过隐含层节点数的计算方法并结合试验法确定;
步骤5-2,改进BAS算法:通过改进BAS算法的步长调整函数对变步长进行控制;
步骤5-3,利用改进的BAS算法对BP神经网络进行优化:选取MSE作为适应度函数,利用BAS算法的寻优能力,对BP神经网络的阈值与权值进行寻优,当寻优过程满足停止条件时将BAS的最终值赋予BP神经网络;
步骤5-4,通过改进的BAS算法优化的BP神经网络分别对实际工程掺配后砾石土料的P5含量与实际均匀程度进行预测;
步骤6,采用步骤5建立的预测模型所预测得到的实际工程掺配后砾石土料的P5含量与实际均匀程度,并结合步骤2所得到的理论均匀程度,对实际工程掺配后砾石土料的质量进行评价,对不满足要求的控制点采取补救措施。
2.根据权利要求1所述的一种心墙堆石坝施工掺配参数优选方法,其特征在于,步骤3中,所选定的反应砾石土料掺配后颗粒含量情况的指标为掺配后砾石土料的P5含量。
3.根据权利要求1所述的一种心墙堆石坝施工掺配参数优选方法,其特征在于,步骤4中,所述的分析全仓面掺配质量评价过程中的不确定性,具体包括:综合考虑全仓面掺配质量评价过程中存在的不确定性的问题,利用信息熵的方法量化料源参数的不确定性,判断料源参数的不确定性情况,进而确定料源参数是否考虑不确定性;对需要考虑不确定性的参数,通过100次模拟选取置信度在95%以上的评价结果作为评价值,降低不确定性的影响。
4.根据权利要求1所述的一种心墙堆石坝施工掺配参数优选方法,其特征在于,步骤6中,所述的对实际工程掺配后砾石土料的质量进行评价包括均匀程度和掺配后砾石土料的P5含量;
对于均匀程度:据步骤5所建立的测模型得到的工程掺配后砾石土料实际均匀程度与步骤2中提出的砾石土料掺配后理论均匀程度进行比较,即,通过对控制点进行的取样试验,得到控制点下的料源参数,通过对料源参数进行分析,判断控制点下的理论均匀程度的分布情况,再结合BAS算法优化的BP神经网络对取样点下的实际均匀程度进行预测,通过实际均匀程度与理论均匀程度的相互比较,判断掺配过程是否满足均匀性要求,若实际均匀程度落在理论均匀程度的取值范围内,则证明实际工程的掺配均匀性好;反之,则证明实际工程的掺配均匀性差;
对于掺配后砾石土料的P5含量:根据步骤5所建立的BAS算法优化的BP神经网络模型对各控制点下的掺配后砾石土料的P5含量进行预测,当预测结果在30%-50%之间时,则认为掺配后砾石土料的P5含量满足工程要求,砾石土料颗粒级配符合条件;
通过均匀程度和掺配后砾石土料的P5含量对实际工程掺配后砾石土料的质量进行评价,为实际施工质量控制提供依据,对不满足要求的控制点采取补救措施。
CN201910607100.3A 2019-07-06 2019-07-06 一种心墙堆石坝施工掺配参数优选方法 Expired - Fee Related CN110453654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910607100.3A CN110453654B (zh) 2019-07-06 2019-07-06 一种心墙堆石坝施工掺配参数优选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910607100.3A CN110453654B (zh) 2019-07-06 2019-07-06 一种心墙堆石坝施工掺配参数优选方法

Publications (2)

Publication Number Publication Date
CN110453654A CN110453654A (zh) 2019-11-15
CN110453654B true CN110453654B (zh) 2021-03-16

Family

ID=68482350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910607100.3A Expired - Fee Related CN110453654B (zh) 2019-07-06 2019-07-06 一种心墙堆石坝施工掺配参数优选方法

Country Status (1)

Country Link
CN (1) CN110453654B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112536914B (zh) * 2020-11-27 2022-04-08 中国电建集团成都勘测设计研究院有限公司 土心墙坝心墙土料掺砾方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2886025B2 (ja) * 1993-04-14 1999-04-26 信越化学工業株式会社 水中盛土材
ATE484554T1 (de) * 2002-10-23 2010-10-15 Chugoku Marine Paints Antifoulingbeschichtungsstoff und damit beschichtete schiffe, unterwasserkonstruktionen, fischereigerät und fischernetze
CN104233996B (zh) * 2014-09-23 2016-05-25 天津大学 面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法
CN104762971B (zh) * 2015-03-06 2016-10-19 中国水利水电第五工程局有限公司 不同土层用于筑坝土料的掺配方法
CN107026898A (zh) * 2017-02-20 2017-08-08 四川大唐国际甘孜水电开发有限公司 心墙掺砾土料反铲掺配远程动作采集系统及方法
CN106812118A (zh) * 2017-02-22 2017-06-09 中国水利水电第五工程局有限公司 一种用于掺砾土料级配控制方法
CN108536956A (zh) * 2018-04-08 2018-09-14 长安大学 一种将建筑垃圾用于沥青混合料的配合比设计方法

Also Published As

Publication number Publication date
CN110453654A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN109783988B (zh) 一种基于ga-bp网络的碾压混凝土压实度评价方法
CN108334668A (zh) 考虑参数不确定性影响的土石坝压实质量快速预测方法
Liu et al. Indirect estimation of unconfined compressive strength of carbonate rocks using extreme learning machine
Bai et al. Using neural networks to predict workability of concrete incorporating metakaolin and fly ash
Afshar et al. Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran
CN107038524B (zh) 考虑参数不确定性的碾压混凝土坝施工质量综合评价方法
CN108153989B (zh) 考虑参数不确定性影响的混凝土坝压实质量快速预测方法
CN103424654B (zh) 一种敏感设备电压暂降敏感度的评估方法
Sharma et al. Predicting CO2 permeability of bituminous coal using statistical and adaptive neuro-fuzzy analysis
Kalantary et al. Prediction of compression index using artificial neural network
Chandwani et al. Applications of artificial neural networks in modeling compressive strength of concrete: a state of the art review
CN112541666B (zh) 考虑地震易损性模型不确定性的盾构隧道风险评估方法
CN113554222B (zh) 一种胶结坝广源化胶结料动态优化和智能调控配置方法
Qiu et al. Seepage monitoring models study of earth-rock dams influenced by rainstorms
CN113640175B (zh) 土石坝料压实质量评价方法
CN110453654B (zh) 一种心墙堆石坝施工掺配参数优选方法
MolaAbasi et al. Prediction of zeolite-cemented sand tensile strength by GMDH type neural network
Zhu et al. Research and application on large-scale coarse-grained soil filling characteristics and gradation optimization
Zhang et al. Developing fragility curves for asphalt mixture to assess the uncertainty of the permanent deformation performance
CN110008566B (zh) 基于大数据的充填料浆性能指标预测方法
Guo et al. Multi-factor fuzzy prediction model of concrete surface chloride concentration with trained samples expanded by random forest algorithm
Keshavarzi et al. Comparison of artificial neural network and multivariate regression methods in prediction of soil cation exchange capacity (Case study: Ziaran region)
Qin et al. An Evaluation Method of Crack Variation on Structural Performance of Concrete Dams with Fusion Entropy Based on Observation and Simulation
Tang et al. Study on the Application of the Back-propagation (BP) Neural Network to Predict the Performance of Recycled Brick Aggregates
Farhadian et al. Groutability classification of granular soils with cement grouts

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210316