CN110472363A - 适用于高速铁路隧道的围岩变形等级预测方法及系统 - Google Patents
适用于高速铁路隧道的围岩变形等级预测方法及系统 Download PDFInfo
- Publication number
- CN110472363A CN110472363A CN201910778198.9A CN201910778198A CN110472363A CN 110472363 A CN110472363 A CN 110472363A CN 201910778198 A CN201910778198 A CN 201910778198A CN 110472363 A CN110472363 A CN 110472363A
- Authority
- CN
- China
- Prior art keywords
- deformation
- surrounding rock
- model
- railway tunnel
- weight
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000003860 storage Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000003673 groundwater Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种适用于高速铁路隧道的围岩变形等级预测方法及系统，获取洞段的拱顶沉降、上导收敛和下导收敛参数，基于上述参数对围岩变形等级的权重，利用云模型计算n个洞段的变形等级；确定影响围岩变形的关键因素，以影响因素数值作为评价指标，把变形等级作为评价结果，利用粗糙集计算各个评价指标对于评价结果的权重；基于权重，利用云模型方法，建立预测模型，并对模型进行训练和验证，直到验证后的模型符合设定要求，利用验证后的模型预测高速铁路隧道中围岩变形等级。
Description
技术领域
本公开属于围岩变形等级预测领域，涉及一种适用于高速铁路隧道的围岩变形等级预测方法及系统。
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。
隧道围岩的变形等级对高速铁路隧道的施工安全有着至关重要的作用，因此在隧道施工期对围岩变形等级进行预测有着重要的意义。高速铁路隧道由于环境复杂，数据收集比较困难，围岩岩性多变，所以预测比较有难度。目前，对于围岩变形预测相关研究方法多种多样，主要是基于支持向量机，灰色系统，神经网络等理论建立的围岩变形预测模型。但是，经典的支持向量机算法只给出了二类分类的算法，灰色系统对随机性的考虑不佳，中长期预测精度不高。神经网络的预测结果主要依赖于样本的准确性。考虑到高速铁路隧道施工的多样性和地质条件的复杂性，各种方法都存在一定的局限性，而且目前的研究多集中在围岩变形的预测，而对隧道变形等级的预测研究较少。
发明内容
本公开为了解决上述问题，提出了一种适用于高速铁路隧道的围岩变形等级预测方法及系统，本公开可以根据获得的岩石抗压强度、岩石完整系数、结构面性态、地下水含量四种影响因素数值得到对应围岩的变形等级，准确性高。
根据一些实施例，本公开采用如下技术方案：
一种适用于高速铁路隧道的围岩变形等级预测方法，包括以下步骤：
获取洞段的拱顶沉降、上导收敛和下导收敛参数，基于上述参数对围岩变形等级的权重，利用云模型计算n个洞段的变形等级；
确定影响围岩变形的关键因素，以影响因素数值作为评价指标，把变形等级作为评价结果，利用粗糙集计算各个评价指标对于评价结果的权重；粗糙集方法可以针对不完备、不确定、小样本数据找规律，通过属性重要性分析可以求出各影响因素的权重，适用于高速铁路隧道数据收集困难，样本少且不完备，环境复杂，样本规律性差的情况。
基于权重，利用云模型方法，建立预测模型，并对模型进行训练和验证，直到验证后的模型符合设定要求，利用验证后的模型预测高速铁路隧道中围岩变形等级。云模型方法结果不依赖样本，有着较高的精确度，适用于高速铁路隧道有很高的工程应用价值。
作为可选择的实施方式，利用特尔菲法获得拱顶沉降、上导收敛和下导收敛参数对围岩变形等级的权重。
作为可选择的实施方式，根据高速铁路隧道收集的现场拱顶沉降、上导收敛、下导收敛监测值范围，以及观测围岩变形程度对洞室造成的破坏程度，将监测值范围均分为若干个范围，并利用各个范围所对应的围岩变形程度，结合单因素法将围岩变形分为相应等级。
作为可选择的实施方式，采用粗糙集理论确定影响因素权重时，构建决策表，以岩石抗压强度、岩石完整系数、结构面性态、地下水含量作为条件属性，围岩变形等级作为决策属性，依照粗糙集的理论，判定决策属性对每一个条件属性的依赖度。
作为可选择的实施方式，在采用粗糙集理论确定权重之前，对由岩石抗压强度、岩石完整系数、结构面性态、地下水含量四个评价指标构成的条件属性进行离散化处理。
作为可选择的实施方式，将各试样的数据构成样本集，将样本集分成两部分，一部分做训练样本，用来建立预测模型；另一部分用来做检验样本，检验模型的准确性。
作为可选择的实施方式，构建模型的过程包括：基于确定的岩石抗压强度、岩石完整系数、结构面性态和地下水含量四个条件属性对于决策属性围岩变形等级的权重，利用云模型方法建立预测模型，进行决策评价。
一种适用于高速铁路隧道的围岩变形等级预测系统，包括：
参数计算模块，被配置为获取洞段的拱顶沉降、上导收敛和下导收敛参数，基于上述参数对围岩变形等级的权重，利用云模型计算n个洞段的变形等级；
评价权重模块，被配置为确定影响围岩变形的关键因素，以影响因素数值作为评价指标，把变形等级作为评价结果，利用粗糙集计算各个评价指标对于评价结果的权重；
预测模块，被配置为基于权重，利用云模型方法，建立预测模型，并对模型进行训练和验证，直到验证后的模型符合设定要求，利用验证后的模型预测高速铁路隧道中围岩变形等级。
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高速铁路隧道的围岩变形等级预测方法。
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高速铁路隧道的围岩变形等级预测方法。
与现有技术相比，本公开的有益效果为：
本公开利用粗糙集理论和云模型理论建立了高速铁路隧道围岩变形等级预测模型，该模型可以根据获得的岩石抗压强度、岩石完整系数、结构面性态、地下水含量四种影响因素数值得到对应围岩的变形等级，准确性高，有较强的工程应用价值，可以为围岩稳定性分析提供一定的参考，为隧道施工安全提供了保障。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本公开的流程图。
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，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
如图1所示，一种适用于高速铁路隧道的围岩变形等级预测方法，包括以下步骤
(1)对n个洞段进行地质分析，收集n个洞段的拱顶沉降(G)、上导收敛(S)、下导收敛(L)三种监测数据，结合三种数据将围岩变形分级，利用特尔菲法获得三种监测数据对围岩变形等级的权重，利用云模型计算n个洞段的变形等级。
根据高速铁路隧道收集的现场拱顶沉降、上导收敛、下导收敛监测值范围，以及观测围岩变形程度对洞室造成的破坏程度，将监测值范围均分为5个范围，并利用5个范围所对应的围岩变形程度，结合单因素法将围岩变形分为5个等级，即：Ⅰ级，非常稳定；Ⅱ级，稳定；Ⅲ级，较稳定；Ⅳ级，较不稳定；V级，不稳定。
(2)分析影响围岩变形的关键因素，收集上述n个洞段的围岩的岩石抗压强度、岩石完整系数、结构面性态、地下水含量四种影响因素数值。
(3)把影响因素数值作为评价指标，把变形等级作为评价结果，利用粗糙集计算各个评价指标对于评价结果的权重；
(4)利用粗糙集和云模型方法，建立预测模型，并对模型进行训练和验证，直到验证后的模型符合设定要求，利用验证后的模型预测高速铁路隧道中围岩变形等级。
粗糙集-云模型评价决策过程为：构建决策表，将评价指标作为条件属性，将评价结果作为决策属性；利用粗糙集理论计算石抗压强度、岩石完整系数、结构面性态、地下水含量四个条件属性对于决策属性围岩变形等级的权重；利用云模型方法建立预测模型；进行决策评价。
(5)利用检验样本验证模型的准确性和实用性，如果满足工程设计要求，便可将工程中测得的四个评价指标带入建立的预测模型中，快速预测围岩的变形等级。
在本实施例中，步骤(1)中，拱顶沉降(G)、上导收敛(S)、下导收敛(L)三种监测数据由监测得到。
在本实施例中，步骤(1)中，特尔菲法是采用匿名的有序的连续个人征询计划，通过对应答者有控制的信息反馈，对某问题在不易获得准确资料时，用以阐明和精选专家组所给判断的一种。其步骤为：①专家选择；②评价意见征询表设计；③专家征询与论询的信息反馈；④权重确定和结果的数据处理。计算公式为：
其中，ai为不同专家对某个因素的打分值，E为均值，δ2为方差，s为专家的个数，Wi为第i个因素对于评价结果的权重。
在本实施例中，步骤(1)中，云模型理论是处理定性概念与定量描述的不确定转换模型。设X为论域，C为论域X的定性概念，假如定量值x∈X，且x是定性概念C的一次随机实现，如果满足：
其中，若对C的确定度满足:
则称在论域U上的分布为正态云。正态云的数字特征主要用期望Ex、熵En和超熵He来表征，这3个参数反映了所分析问题的定性概念和定量特征。其中，期望Ex是论域X的中心值，代表了定性概念C的值；熵En为定性概念模糊性的度量，反映了在论域X中可被定性概念C所接受的数值范围；超熵He是熵En的熵，反映了云滴的离散程度。计算步骤为：(1)根据相关数据，计算熵En和超熵He(2)基于计算得到的熵En和超熵He，生成正态分布的随机数(3)利用特定输入值x和期望值Ex，计算确定度：
评价对象因子对某一等级的标准的云数字特征可以按下式进行计算：He＝k；
其中Bmin,Bmax为某一等级对应某一因素范围的最小值和最大值。得到每一等级的确定度后，该洞段所对应的变形等级按照以下公式计算：
其中wj是第j个指标的权重并且满足0<wj≤1，
在本实施例中，步骤(3)中，若决策表S＝(U，A)为一信息系统，且C，D包含于A是两个属性子集，分别称为条件属性和决策属性。若U/C＝{x1,x2,…,xn},U/D＝{Y1,Y2,…Ym},则决策属性D对于条件属性C的依赖度定义为：
其中γC(D)为决策属性D对条件属性C的依赖度|U|为样本容量，|γC(D1)|为决策表中的相容样本数量，显然0<k<1，k越接近1，说明决策属性D对条件属性C的依赖程度越高。
在本实施例中，步骤(3)中，粗糙集理论确定权重计算方法为：
其中γC(D)，γc-ci(D)分别为决策属性D对条件属性C的依赖度和删除评价指标i后决策属性对条件属性c的依赖度，|U|为样本容量，|γC(D1)|，分别为决策表中的相容样本数量和删除评价指标i后决策表中的样本容量，ωi为指标权重。
相应的，还提供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适用于高速铁路隧道的围岩变形等级预测方法。
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高速铁路隧道的围岩变形等级预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
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 (10)
1.一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：包括以下步骤：
获取洞段的拱顶沉降、上导收敛和下导收敛参数，基于上述参数对围岩变形等级的权重，利用云模型计算n个洞段的变形等级；
确定影响围岩变形的关键因素，以影响因素数值作为评价指标，把变形等级作为评价结果，利用粗糙集计算各个评价指标对于评价结果的权重；
基于权重，利用云模型方法，建立预测模型，并对模型进行训练和验证，直到验证后的模型符合设定要求，利用验证后的模型预测高速铁路隧道中围岩变形等级。
2.如权利要求1所述的一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：利用特尔菲法获得拱顶沉降、上导收敛和下导收敛参数对围岩变形等级的权重。
3.如权利要求1所述的一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：根据高速铁路隧道收集的现场拱顶沉降、上导收敛、下导收敛监测值范围，以及观测围岩变形程度对洞室造成的破坏程度，将监测值范围均分为若干个范围，并利用各个范围所对应的围岩变形程度，结合单因素法将围岩变形分为相应等级。
4.如权利要求1所述的一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：采用粗糙集理论确定影响因素权重时，构建决策表，以岩石抗压强度、岩石完整系数、结构面性态、地下水含量作为条件属性，围岩变形等级作为决策属性，依照粗糙集的理论，判定决策属性对每一个条件属性的依赖度。
5.如权利要求1所述的一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：在采用粗糙集理论确定权重之前，对由岩石抗压强度、岩石完整系数、结构面性态、地下水含量四个评价指标构成的条件属性进行离散化处理。
6.如权利要求1所述的一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：将各试样的数据构成样本集，将样本集分成两部分，一部分做训练样本，用来建立预测模型；另一部分用来做检验样本，检验模型的准确性。
7.如权利要求1所述的一种适用于高速铁路隧道的围岩变形等级预测方法，其特征是：构建模型的过程包括：基于确定的岩石抗压强度、岩石完整系数、结构面性态和地下水含量四个条件属性对于决策属性围岩变形等级的权重，利用云模型方法建立预测模型，进行决策评价。
8.一种适用于高速铁路隧道的围岩变形等级预测系统，其特征是：包括：
参数计算模块，被配置为获取洞段的拱顶沉降、上导收敛和下导收敛参数，基于上述参数对围岩变形等级的权重，利用云模型计算n个洞段的变形等级；
评价权重模块，被配置为确定影响围岩变形的关键因素，以影响因素数值作为评价指标，把变形等级作为评价结果，利用粗糙集计算各个评价指标对于评价结果的权重；
预测模块，被配置为基于权重，利用云模型方法，建立预测模型，并对模型进行训练和验证，直到验证后的模型符合设定要求，利用验证后的模型预测高速铁路隧道中围岩变形等级。
9.一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1-7任一项所述的一种适用于高速铁路隧道的围岩变形等级预测方法。
10.一种终端设备，其特征是：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1-7任一项所述的一种适用于高速铁路隧道的围岩变形等级预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778198.9A CN110472363B (zh) | 2019-08-22 | 2019-08-22 | 适用于高速铁路隧道的围岩变形等级预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778198.9A CN110472363B (zh) | 2019-08-22 | 2019-08-22 | 适用于高速铁路隧道的围岩变形等级预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472363A true CN110472363A (zh) | 2019-11-19 |
| CN110472363B CN110472363B (zh) | 2021-08-27 |
Family
ID=68512842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910778198.9A Expired - Fee Related CN110472363B (zh) | 2019-08-22 | 2019-08-22 | 适用于高速铁路隧道的围岩变形等级预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472363B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926267A (zh) * | 2021-03-10 | 2021-06-08 | 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 |
| CN114279840A (zh) * | 2021-12-24 | 2022-04-05 | 安徽省交通控股集团有限公司 | 一种公路装配式波纹钢结构稳定性评价方法 |
| CN114861978A (zh) * | 2022-04-02 | 2022-08-05 | 新疆交通规划勘察设计研究院有限公司 | 适用于隧道岩爆危险性等级预测方法 |
| CN115182395A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
| CN116913416A (zh) * | 2023-09-12 | 2023-10-20 | 中国地质大学（北京） | 海蚀崖岩石风化程度定量评价及预测方法及装置 |
| CN117648737A (zh) * | 2023-10-26 | 2024-03-05 | 中铁二院工程集团有限责任公司 | 一种软岩大变形快速判识方法及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013158873A2 (en) * | 2012-04-20 | 2013-10-24 | Chevron U.S.A. Inc. | System and method for calibrating permeability for use in reservoir modeling |
| WO2015052590A2 (en) * | 2013-10-10 | 2015-04-16 | Opto Trace (Suzhou) Technologies, Inc. | System and method for detecting crude oil or gas underground using light scattering spectral analyses |
| 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 |
| CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
| CN106529790A (zh) * | 2016-10-27 | 2017-03-22 | 华中科技大学 | 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法 |
| CN109034582A (zh) * | 2018-07-16 | 2018-12-18 | 山东大学 | 基于云模型和组合赋权的隧道穿越断层突水突泥风险评价方法 |
| CN109740800A (zh) * | 2018-12-18 | 2019-05-10 | 山东大学 | 适用于隧道tbm掘进岩爆风险分级及预测方法与系统 |
| CN110147635A (zh) * | 2019-05-31 | 2019-08-20 | 大连海事大学 | 一种基于bim的隧道围岩级别超前动态预测方法 |
-
2019
- 2019-08-22 CN CN201910778198.9A patent/CN110472363B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013158873A2 (en) * | 2012-04-20 | 2013-10-24 | Chevron U.S.A. Inc. | System and method for calibrating permeability for use in reservoir modeling |
| WO2015052590A2 (en) * | 2013-10-10 | 2015-04-16 | Opto Trace (Suzhou) Technologies, Inc. | System and method for detecting crude oil or gas underground using light scattering spectral analyses |
| 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 |
| CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
| CN106529790A (zh) * | 2016-10-27 | 2017-03-22 | 华中科技大学 | 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法 |
| CN109034582A (zh) * | 2018-07-16 | 2018-12-18 | 山东大学 | 基于云模型和组合赋权的隧道穿越断层突水突泥风险评价方法 |
| CN109740800A (zh) * | 2018-12-18 | 2019-05-10 | 山东大学 | 适用于隧道tbm掘进岩爆风险分级及预测方法与系统 |
| CN110147635A (zh) * | 2019-05-31 | 2019-08-20 | 大连海事大学 | 一种基于bim的隧道围岩级别超前动态预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| KE-PING ZHOU ET AL: ""Prediction of rock burst classification using cloud model with entropy weight"", 《TRANSACTIONS OF NONFERROUS METALS SOCIETY OF CHINA》 * |
| 李术才等: "隧道岩质围岩亚级分级可靠度分析方法及其工程应用", 《岩土力学》 * |
| 李涛: ""基于云模型的超大断面隧道施工期全过程安全风险评估系统及应用"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 牟瑞芳 等: ""基于云模型及粗糙集理论的围岩稳定性分级方法研究"", 《安全与环境学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926267A (zh) * | 2021-03-10 | 2021-06-08 | 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 |
| 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 |
| CN114279840A (zh) * | 2021-12-24 | 2022-04-05 | 安徽省交通控股集团有限公司 | 一种公路装配式波纹钢结构稳定性评价方法 |
| CN114279840B (zh) * | 2021-12-24 | 2024-04-19 | 安徽省交通控股集团有限公司 | 一种公路装配式波纹钢结构稳定性评价方法 |
| CN114861978A (zh) * | 2022-04-02 | 2022-08-05 | 新疆交通规划勘察设计研究院有限公司 | 适用于隧道岩爆危险性等级预测方法 |
| CN115182395A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
| CN115182395B (zh) * | 2022-06-29 | 2024-06-04 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
| CN116913416A (zh) * | 2023-09-12 | 2023-10-20 | 中国地质大学（北京） | 海蚀崖岩石风化程度定量评价及预测方法及装置 |
| CN116913416B (zh) * | 2023-09-12 | 2023-12-26 | 中国地质大学（北京） | 海蚀崖岩石风化程度定量评价及预测方法及装置 |
| CN117648737A (zh) * | 2023-10-26 | 2024-03-05 | 中铁二院工程集团有限责任公司 | 一种软岩大变形快速判识方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472363B (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472363B (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及系统 | |
| WO2020125668A1 (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN106997509B (zh) | 一种不确定信息融合的应急物资分布需求预测方法 | |
| CN111797364B (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
| CN113298373B (zh) | 一种金融风险评估方法、装置、存储介质和设备 | |
| Wu et al. | Prediction of stress intensity factors in pavement cracking with neural networks based on semi-analytical FEA | |
| Gadhavi et al. | Student final grade prediction based on linear regression | |
| WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 | |
| CN107784191A (zh) | 基于神经网络模型的异性结构面峰值抗剪强度预测方法 | |
| CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
| CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
| CN111914943B (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
| CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
| CN105868556A (zh) | 一种基于北斗桥梁安全监测系统的桥梁安全评估方法 | |
| CN110598281A (zh) | 基于熵权法的正态云模型岩溶塌陷预测分析方法 | |
| KR20170133583A (ko) | 헤드헌팅을 위한 기업 고객과 후보자 간 인재 매칭 알고리즘 | |
| CN115906663A (zh) | 房屋安全评估模型建立方法、评估方法、服务器及系统 | |
| CN111612491B (zh) | 状态分析模型构建方法、分析方法及装置 | |
| Das et al. | Evaluation of liquefaction potential of soil using genetic programming | |
| CN105824998B (zh) | 一种爆破掘进施工智能设计系统与方法 | |
| Souza et al. | Impact of damping models in damage identification | |
| Owolabi et al. | Development of priority index assessment model for road pavements in Nigeria | |
| CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
| Chen et al. | Research on Network Security Risk Assessment Model Based on Grey Language Variables |
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 |
Granted publication date: 20210827 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |