CN110515117B - 一种基于桩锤激震和决策树模型的地下溶洞探测方法 - Google Patents
一种基于桩锤激震和决策树模型的地下溶洞探测方法 Download PDFInfo
- Publication number
- CN110515117B CN110515117B CN201910653024.XA CN201910653024A CN110515117B CN 110515117 B CN110515117 B CN 110515117B CN 201910653024 A CN201910653024 A CN 201910653024A CN 110515117 B CN110515117 B CN 110515117B
- Authority
- CN
- China
- Prior art keywords
- karst cave
- model
- decision tree
- shock
- data
- 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
- 230000035939 shock Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000003066 decision tree Methods 0.000 title claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 239000002689 soil Substances 0.000 claims description 9
- 235000019994 cava Nutrition 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000009933 burial Methods 0.000 claims description 3
- 238000013211 curve analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010291 electrical method Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于桩锤激震和决策树模型的地下溶洞探测方法,首先建立包含不同溶洞位置与直径的模型库;其次,对模型库进行有限元计算,得到在桩锤激震下,不同溶洞位置与直径情况下地表特定位置的加速度响应;随后,通过对加速度响应数据进行分析,提取加速度响应的特征量;接着将所提取的特征值与标签组合成数据库,将其随机分成训练集与测试集,然后将测试集数据输入决策树模型进行机器学习,初步得到溶洞探测模型;最后根据测试准确率对模型进行参数调整,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。本发明方法可有效实现对地下溶洞位置和几何尺寸的准确识别,且较现有的溶洞探测技术,成本更低,效率更高。
Description
技术领域
本发明涉及溶洞探测的技术领域,尤其是指一种基于桩锤激震和决策树模型的地下溶洞探测方法。
背景技术
溶洞作为岩溶发育的一种形态,其生成发育主要依赖岩石的可溶性与岩石裂隙以及地下水的运动。它的存在对于桩基础施工是非常致命的。它会使得桩基础在施工过程中出现漏浆、塌孔、卡钻、斜钻甚至是塌方。这将危及到桩基础施工人员的生命与财产安全。因此,合理的溶洞探测方法就变得非常重要。它能够预先预测出溶洞的具体信息,从而可以合理规避溶洞或者对溶洞进行处理,从而减少不必要的损失。而传统的洞探测方法包括高密度电法、弹性波CT法、管波测试法和浅层地震法等,其原理是利用外电场或者弹性波等在不同地层下的分布或者传播规律以预测地下溶洞的位置。尽管这些方法在工程上已被广泛应用,但仍存在一定的局限性和缺点。例如,高密度电法在接地条件较差的地方会放大数据,从而使结果的误差增大;弹性波CT法则需要在测试地点对土层进行钻孔以便放入传感器,从而增加了成本和工作量;管波测试法虽然不需要钻孔,但该方法无法准确获得溶洞的位置与尺寸,仅能用于预测溶洞的埋深;经典的浅层地震法则需要利用炸药等人工震源作为激励源产生地震波,既增加了成本也造成了一定的危险性。因此,亟需发展一种安全、可靠、低成本、高效的地下溶洞探测方法。此外,施工现场中通过传感器获得的不同位置、不同时刻的响应数据不仅数量庞大,且由于外界环境干扰数据呈现出复杂多变的特点。因此,开发一种高效算法对这些庞大的数据集进行分析和数据挖掘,是实现低成本、高效率的地下溶洞探测技术的必要手段。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于桩锤激震和决策树模型的地下溶洞探测方法,该方法利用桩基施工中的桩锤激震作为激震源,并采用此激震源作用下的地表加速度响应作为决策树模型的输入对地下溶洞的位置和几何尺寸进行识别。
为实现上述目的,本发明所提供的技术方案为:一种基于桩锤激震和决策树模型的地下溶洞探测方法,首先,利用数值仿真的手段,建立包含不同溶洞位置与直径的模型库;其次,对模型库进行有限元计算,得到在桩锤激震下,不同溶洞位置与直径情况下地表特定位置的加速度响应;随后,通过对加速度响应数据进行分析,提取加速度响应的特征量;接着将所提取的特征值与标签组合成数据库,将其随机分成训练集与测试集,然后将测试集数据输入决策树模型进行机器学习,初步得到溶洞探测模型;最后根据测试准确率对模型进行参数调整,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型;其包括以下步骤:
1)通过有无溶洞及不同位置与尺寸的溶洞多种工况下的响应信息,确定可预测的溶洞位置与尺寸;随后基于预测的范围建立包含不同溶洞尺寸与位置的模型库,模型库的激震源设置为桩锤在规定高度下自由落体砸向地表,即采用打桩激震作为激震源;
2)在建立的模型库施加激震后进行有限元计算,从而得到桩锤激震附近地表特定位置的加速度响应;
3)通过对加速度响应数据进行分析,提取相应的特征值,并将特征值与标签组合成数据库,再将数据库随机分成训练集与测试集后,将训练集数据放入决策树模型进行机器学习中,初步得到基于测试集数据的溶洞探测模型;
4)对初步得到的溶洞探测模型相关参数进行调整,得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。
在步骤1)中,建立包含不同尺寸与位置的溶洞的模型库,具体情况如下:
在建立模型库的时候,由于土体属于半无限体,而为了模拟地震波在无限土体的传播,需要将模型建得足够大才能够防止波的反弹,而在本模型库中,将使用无限元单元作为边界单元来模拟半无限体,这样在减少模型尺寸的同时,保证了既降低计算时间又不会在边界产生反射;其中,对模型外层的单元设置为Cin3D8,为无限元单元,而其余的单元设置为C3D8r,为有限元单元。
在步骤2)中,由于地震波在传播过程中会出现衰减,因此选取合适的地表位置来进行加速度数据采集就变得非常重要,基于步骤1)的桩锤激震源,在对数据进行分析后发现,地震波在半径范围5m以后数据会变得清晰,而在半径范围10m以后数据就变弱,不好进行分析,因此在提取地表加速度响应的时候,选择在距离打桩激震点半径范围在为5m-10m的圆周上均匀布置不少于四个传感器来进行数据采集。
在步骤3)中,在对采集到的加速度响应数据进行曲线分析后发现,地震波在表面的传播主要分为三种:纵波、横波与瑞利波;而进行地下溶洞探测主要关注溶洞分布对于地表纵波的影响,纵波计算公式如下:
其中:vp为纵波,λ为拉梅常数,G为抗剪弹性模量,ρ为密度,ν为泊松比,E为弹性模量;
使用上述公式来推断经溶洞反射后纵波传到地表的时间为第二峰值所对应的时间;因此便选取第二峰值及其对应的时间作为特征量,随后在对数据进行分析后发现,当溶洞埋深不够深时,经溶洞反射的纵波时间会与经地表传播的纵波时间接近,进而影响第一波谷峰值的时间;因此基于上述的分析,决定提取第一波谷所对应的时间tmin和加速度值amin以及第二波峰所对应的时间tmax和加速度值amax作为特征值;
在得到上述特征值后,由于每组工况对应一组标签,包括溶洞顶端距离地面的距离H,溶洞球心距离打桩激震点所在垂线距离D,溶洞半径R,溶洞方位θ;而每组工况同时对应一组特征值,包括第一波谷所对应的时间tmin和加速度值amin以及第二波峰所对应的时间tmax和加速度值amax;因此,将特征值与标签一一对应组合在一起,便能够得到所需的数据集;随后将数据集根据8:2随机分成训练集与测试集,其中,训练集的作用是为决策树模型提供数据进行学习,从而得到所需要的机器学习预测模型,而测试集则是用于判断生成的预测模型的准确性。
在步骤4)中,对初步得到的溶洞探测模型相关参数进行调整,具体是对决策树模型中的参数,包括决策树最大深度、拆分内部节点所需最小样本数、叶节点所需最小样本数与最大特征值进行调节,以提高模型准确率,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。
本发明与现有技术相比,具有如下优点与有益效果:
1、较现有的溶洞探测技术,本发明方法不需要额外钻孔,只需要采集地表加速度信息便可以进行溶洞探测。
2、较现有的溶洞探测技术,本发明方法不需要布置过多传感器,只需要对附近土层进行采样即可,相比传统的溶洞探测方法操作更加方便。
3、在施工安全方面,本发明方法不需要采用炸药作为激震源,这样可以降低发生事故的风险,而且所采用的桩锤激震也是现场便可以直接使用的,降低测量成本。
4、本发明方法结合了机器学习与有限元计算,通过数值模拟的方法来对桩锤激震进行模拟,极大地减少了模型库建立的时间,提高了效率。
5、本发明方法的成本会比传统的溶洞探测方法要低,由于主要结合有限元软件计算,而在现场数据测量方面只需要布置少量传感器,所以成本会低很多。
附图说明
图1为本发明方法流程示意图。
图2为地表垂向加速度响应曲线图。
图3为模型库溶洞分布图。
图4为地表加速度传感器分布图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所提供的基于桩锤激震和决策树模型的地下溶洞探测方法,包括以下步骤:
1)建立含溶洞的土层模型库。模型库的尺寸为30m*30m*30m的立方体,其中土层本构模型为经典的Mohr—Coulomb(摩尔-库伦)本构模型,随后设置边界网格为无限元(Cin3D8),以模拟土层半无限体的特征,而其余的单元设置为C3D8r,为有限元单元。在本案例中,假定溶洞形状为球体,溶洞顶端距离地面的距离为H,溶洞球心距离打桩激震点所在垂线距离为D,溶洞半径为R,溶洞方位为θ,如图3所示:其中,溶洞顶端距离地面距离H的范围为3m—10m,取样间隔为1m;溶洞球心距离打桩激震点所在垂线距离D的范围为0m—10m,采样间隔为1m;溶洞半径R分别取2m、3m、4m;溶洞方位θ的范围为0°—360°,取样范围为5°。根据以上不同的溶洞尺寸与位置建立模型库,为有限元计算做准备。
2)通过对模型库进行计算,得到地表特定位置的加速度响应,但由于地震波在传播过程中会出现衰减,因此选取合适的地表位置来进行加速度数据采集就变得非常重要。基于桩锤激震源,在对数据进行分析后发现,地震波在半径范围5m以后数据会变得清晰,而在半径范围10m以后数据就变弱,不好进行分析。因此在提取地表加速度响应的时候,选择在距离打桩激震点半径范围在为5m--10m的圆周上均匀布置不少于四个传感器来进行数据采集。在本实施例,对以上的模型库进行有限元计算,提取地表距离打桩激震点半径范围10m圆环处的加速度响应,取其中四个点的响应作为原始曲线,四个点之间间隔90°,如图4所示。
在对采集到的加速度数据进行曲线分析后发现,地震波在表面的传播主要分为三种:纵波、横波与瑞利波。而本方法则主要关注溶洞分布对于地表纵波的影响。纵波计算公式如下:
其中:vp为纵波,λ为拉梅常数,G为抗剪弹性模量,ρ为密度,ν为泊松比,E为弹性模量。
使用上述公式来推断经溶洞反射后纵波传到地表的时间为第二峰值所对应的时间。因此便选取第二峰值及其对应的时间作为特征量。随后在对数据进行分析后发现,当溶洞埋深过浅时,经溶洞反射的纵波时间会与经地表传播的纵波时间较接近,进而影响第一波谷峰值的时间。因此基于上述的分析,本方法决定提取第一波谷所对应的时间(tmin)和加速度值(amin)以及第二波峰所对应的时间(tmax)和加速度值(amax)作为特征值,如图2所示。一个工况下提取地表上半径为10m圆环处的四个测点来进行溶洞预测,每次个测点包含上述的四个特征值,因此一个工况包含16个特征值。随后将每个工况对应的溶洞顶端距离地面的距离H、溶洞球心距离打桩激震点所在垂线距离D、溶洞半径R、溶洞方位θ作为标签,标签与特征值一一对应,并将数据整合成数据集,随后将数据集根据8:2随机分为训练集与测试集,为机器学习做准备。
4)将上述的训练集利用决策树模型进行机器学习,初步得到溶洞探测模型,随后利用预测集进行预测,再将预测结果与测试集标签进行对比,从而得到预测精度。由于在实际工况中不需要对溶洞方位的预测过于精确,因此本案例将引入许可误差来进行分析。其中许可误差是对测试集经过决策树模型预测得到的结果与测试集原来的标签对比后得到的。误差1m是指当预测的结果在测试集原来标签±1m范围内,就认为预测准确。同理可得误差±2m。在使用上述16个特征值对溶洞埋深H与溶洞球心距离打桩激震点所在垂线距离D同时进行预测的时候,溶洞埋深H与溶洞球心距离打桩激震点所在垂线距离D同时达到许可误差为1m时,准确率是62.82%;溶洞埋深H与溶洞球心距离打桩激震点所在垂线距离D同时达到许可误差为2m时,准确率为81.82%。而在对溶洞方位进行预测的时候,将方位平均划分为四个区间,每一份90°时,判断溶洞球心是否在该区间内,其准确率为78.52%;同理分为八个区间时,准确率为60.98%;分为12个区间时,准确率为51.01%。
5)对初步得到的溶洞探测模型相关参数进行调整,具体是对决策树模型中的参数,包括决策树最大深度、拆分内部节点所需最小样本数、叶节点所需最小样本数与最大特征值等进行调节,以提高模型准确率,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种基于桩锤激震和决策树模型的地下溶洞探测方法,其特征在于:首先,利用数值仿真的手段,建立包含不同溶洞位置与直径的模型库;其次,对模型库进行有限元计算,得到在桩锤激震下,不同溶洞位置与直径情况下地表特定位置的加速度响应;随后,通过对加速度响应数据进行分析,提取加速度响应的特征量;接着将所提取的特征值与标签组合成数据库,将其随机分成训练集与测试集,然后将测试集数据输入决策树模型进行机器学习,初步得到溶洞探测模型;最后根据测试准确率对模型进行参数调整,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型;其包括以下步骤:
1)通过有无溶洞及不同位置与尺寸的溶洞多种工况下的响应信息,确定可预测的溶洞位置与尺寸;随后基于预测的范围建立包含不同溶洞尺寸与位置的模型库,模型库的激震源设置为桩锤在规定高度下自由落体砸向地表,即采用打桩激震作为激震源;
2)在建立的模型库施加激震后进行有限元计算,从而得到桩锤激震附近地表特定位置的加速度响应;
3)通过对加速度响应数据进行分析,提取相应的特征值,并将特征值与标签组合成数据库,再将数据库随机分成训练集与测试集后,将训练集数据放入决策树模型进行机器学习中,初步得到基于测试集数据的溶洞探测模型;
其中,在对采集到的加速度响应数据进行曲线分析后发现,地震波在表面的传播分为三种:纵波、横波与瑞利波;而进行地下溶洞探测关注溶洞分布对于地表纵波的影响,纵波计算公式如下:
其中:vp为纵波,λ为拉梅常数,G为抗剪弹性模量,ρ为密度,ν为泊松比,E为弹性模量;
使用上述公式来推断经溶洞反射后纵波传到地表的时间为第二峰值所对应的时间;因此便选取第二峰值及其对应的时间作为特征量,随后在对数据进行分析后发现,当溶洞埋深不够深时,经溶洞反射的纵波时间会与经地表传播的纵波时间接近,进而影响第一波谷峰值的时间;因此基于上述的分析,决定提取第一波谷所对应的时间tmin和加速度值amin以及第二波峰所对应的时间tmax和加速度值amax作为特征值;
在得到上述特征值后,由于每组工况对应一组标签,包括溶洞顶端距离地面的距离H,溶洞球心距离打桩激震点所在垂线距离D,溶洞半径R,溶洞方位θ;而每组工况同时对应一组特征值,包括第一波谷所对应的时间tmin和加速度值amin以及第二波峰所对应的时间tmax和加速度值amax;因此,将特征值与标签一一对应组合在一起,便能够得到所需的数据集;随后将数据集根据8:2随机分成训练集与测试集,其中,训练集的作用是为决策树模型提供数据进行学习,从而得到所需要的机器学习预测模型,而测试集则是用于判断生成的预测模型的准确性;
4)对初步得到的溶洞探测模型相关参数进行调整,得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。
2.根据权利要求1所述的一种基于桩锤激震和决策树模型的地下溶洞探测方法,其特征在于:在步骤1)中,建立包含不同尺寸与位置的溶洞的模型库,具体情况如下:
在建立模型库的时候,由于土体属于半无限体,而为了模拟地震波在无限土体的传播,需要将模型建得足够大才能够防止波的反弹,而在本模型库中,将使用无限元单元作为边界单元来模拟半无限体,这样在减少模型尺寸的同时,保证了既降低计算时间又不会在边界产生反射;其中,对模型外层的单元设置为Cin3D8,为无限元单元,而其余的单元设置为C3D8r,为有限元单元。
3.根据权利要求1所述的一种基于桩锤激震和决策树模型的地下溶洞探测方法,其特征在于:在步骤2)中,由于地震波在传播过程中会出现衰减,因此选取合适的地表位置来进行加速度数据采集就变得非常重要,基于步骤1)的桩锤激震源,在对数据进行分析后发现,地震波在半径范围5m以后数据会变得清晰,而在半径范围10m以后数据就变弱,不好进行分析,因此在提取地表加速度响应的时候,选择在距离打桩激震点半径范围在为5m-10m的圆周上均匀布置不少于四个传感器来进行数据采集。
4.根据权利要求1所述的一种基于桩锤激震和决策树模型的地下溶洞探测方法,其特征在于:在步骤4)中,对初步得到的溶洞探测模型相关参数进行调整,具体是对决策树模型中的参数,包括决策树最大深度、拆分内部节点所需最小样本数、叶节点所需最小样本数与最大特征值进行调节,以提高模型准确率,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653024.XA CN110515117B (zh) | 2019-07-19 | 2019-07-19 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653024.XA CN110515117B (zh) | 2019-07-19 | 2019-07-19 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110515117A CN110515117A (zh) | 2019-11-29 |
CN110515117B true CN110515117B (zh) | 2020-11-17 |
Family
ID=68623114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910653024.XA Active CN110515117B (zh) | 2019-07-19 | 2019-07-19 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110515117B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158043B (zh) * | 2020-01-07 | 2021-09-17 | 中南大学 | 一种成孔灌注桩桩底隐患检测系统和检测方法 |
CN111175818B (zh) * | 2020-01-07 | 2020-11-27 | 中国矿业大学(北京) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
CN111551985A (zh) * | 2020-05-15 | 2020-08-18 | 广州市高速公路有限公司 | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 |
CN113268799B (zh) * | 2021-05-27 | 2024-04-30 | 深圳市岩土综合勘察设计有限公司 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
CN113126161B (zh) * | 2021-05-27 | 2022-10-28 | 深圳市岩土综合勘察设计有限公司 | 一种基于冲击波预测溶洞埋深和尺寸的方法及系统 |
CN116752528B (zh) * | 2023-08-17 | 2023-10-20 | 中建三局集团华南有限公司 | 一种溶洞地质条件下的打桩施工自适应控制系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099778A1 (en) * | 2007-10-12 | 2009-04-16 | Gerard Kavanagh | Seismic data processing workflow decision tree |
US10138717B1 (en) * | 2014-01-07 | 2018-11-27 | Novi Labs, LLC | Predicting well performance with feature similarity |
CN108363100B (zh) * | 2018-01-16 | 2020-05-08 | 太原理工大学 | 基于封存单元与粗糙集的煤层气甜点区地震地质识别方法 |
CN109343019B (zh) * | 2018-11-05 | 2019-10-18 | 中国矿业大学(北京) | 一种地质雷达数据解释方法及装置 |
CN109492775B (zh) * | 2018-11-19 | 2020-05-12 | 中国矿业大学(北京) | 一种地质构造解释的检测方法,检测装置及可读存储介质 |
-
2019
- 2019-07-19 CN CN201910653024.XA patent/CN110515117B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110515117A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110515117B (zh) | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 | |
CN111551985A (zh) | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 | |
CN110648082B (zh) | 一种深埋硬岩隧道岩爆等级评估的快速查表方法 | |
CN115062368A (zh) | 一种隧道长管棚数字孪生体和精细建模系统及方法 | |
CN112485823A (zh) | 高效综合超前地质预报方法 | |
CN110244354A (zh) | 一种金属矿山地下开采扰动应力场定量动态反演方法 | |
CN204676517U (zh) | 海洋场地地层的原位剪切波速测试装置 | |
CN107506556A (zh) | 一种确定新鲜完整岩块声波纵波速度值的简便方法 | |
CN117233861A (zh) | 一种隧道三维地质可视化综合预报方法 | |
CN116739310A (zh) | 一种基于地理信息的建筑场地勘测规划系统 | |
CN111089662A (zh) | 一种用于浅层地温测量的方法 | |
CN106646668B (zh) | 一种雷达测井标准井模型的建立方法 | |
CN115655032A (zh) | 一种隧道大断面爆破施工方法及系统 | |
CN105220694A (zh) | 一种工程抛石量估算方法 | |
CN117310838A (zh) | 一种适用于充水采空区的精准探测方法 | |
CN112064617B (zh) | 一种土石混合料地基质量检测方法 | |
CN111897005B (zh) | 基于cmpcc二维面波的铁路沿线第四纪活动断裂位置探测方法 | |
RU2243574C1 (ru) | Способ определения оптимальных характеристик взрывчатых веществ | |
CN110764163A (zh) | 基于γ总量及高密度电法测量下的伟晶岩锂矿的圈定方法 | |
JP4069177B2 (ja) | 断層破砕帯判定方法及び判定支援装置 | |
LU504248B1 (en) | Method for detecting leaching and groundwater pollution range after acid in-situ leaching uranium mining | |
CN104636511A (zh) | 基于Dasarathy模型的地铁施工风险快速评估方法 | |
CN117371111B (zh) | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 | |
CN212364603U (zh) | 一种隧道不良地质体超前地质预报探测模拟装置 | |
CN109238885A (zh) | 爆破振动与噪声联合测试的高边坡岩体弹性模量测算方法 |
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 |