CN110617074A - 一种盾构施工中地面沉降量与掘进参数的关联关系方法 - Google Patents
一种盾构施工中地面沉降量与掘进参数的关联关系方法 Download PDFInfo
- Publication number
- CN110617074A CN110617074A CN201910893671.8A CN201910893671A CN110617074A CN 110617074 A CN110617074 A CN 110617074A CN 201910893671 A CN201910893671 A CN 201910893671A CN 110617074 A CN110617074 A CN 110617074A
- Authority
- CN
- China
- Prior art keywords
- parameter data
- characteristic
- tunneling
- historical
- 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.)
- Granted
Links
- 230000005641 tunneling Effects 0.000 title claims abstract description 230
- 238000010276 construction Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 101000629361 Homo sapiens Paraplegin Proteins 0.000 claims description 8
- 102100027006 Paraplegin Human genes 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000009933 burial Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/08—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining with additional boring or cutting means other than the conventional cutting edge of the shield
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种盾构施工中地面沉降量与掘进参数的关联关系方法研究,主要解决现有技术在盾构施工大数据场景下,掘进参数建议范围值准确度不高的问题,关联关系方法研究步骤包括:对盾构施工的历史数据进行预处理;获取施工参数数据集;获取每种特征掘进参数的建议值范围;获取影响地面沉降的参数数据;对每种特征掘进参数的建议值范围进行优化;对地面沉降量进行预测。本发明整个方案设计严谨、完整,掘进参数建议范围值的准确性高,用于盾构施工过程中掘进参数的取值,保障工程质量和安全。
Description
技术领域
本发明属于工业大数据技术领域,涉及一种参数推荐方法,具体涉及一种基于多重关联规则CMAR算法的一盾构施工中掘进参数范围值的推荐方法,可用于盾构施工过程中掘进参数范围值的推荐。
背景技术
伴随着经济高速发展,城市面积在不断向郊区扩张,尤其是近几年城市的大规模建设使地面空间的发展和利用已经趋于饱和状态,日益增长的城市交通拥堵问题正在各大城市蔓延开来,而合理地对地下空间开发与利用是解决交通难题的最为有效的方法。目前,地铁建设在城市开发中占有相当大的比重,在一定程度上很好地解决了交通拥挤难题。由于地铁建设基本不会影响城市生态环境,且对市民生活的噪音干扰等污染较少,并且能带动沿线市场的经济效应,所以地铁拥有广阔的发展前景和巨大市场。地铁因其快速、快捷的特点而广为人们所喜爱,特别是最近几年,我们的生活变得越来越离不开它。
我国地铁建设相对国外来说起步较晚,但发展速度十分快。我国首条地铁为北京地铁,一期工程于1969年10月基本建成,于次年1月开始试运营。预计到 2021年中国将有45座以上城市拥有地铁。随着我国地铁建设的发展,隧道施工技术的不断完善,盾构隧道法愈来愈成为软弱岩土层或繁忙闹市地区地下工程施工的主要施工方法。但无论盾构隧道施工技术如何改进盾构推进对周围土体的扰动影响仍是不可避免的。如何预测盾构穿越所引起的地层位移,确保盾构顺利掘进,是盾构施工中非常关键的问题。
盾构法施工引起周围地层变形的内在原因是土体的初始应力状态发生了变化,使得原状土经历了挤压、剪切、扭曲等应力路径。地层扰动的影响范围和程度取决于多种因素,包括盾构型式、隧道几何尺寸、施工参数(土仓压力、刀盘扭矩、推进力、出土量、注浆量、注浆压力、盾尾间隙等)、土体的性质及隧道所处的环境、隧道上部载荷的影响等。本文以宁波地铁明楼-中兴大桥段位工程依托,对盾构掘进参数与地面沉降的关联分析方法进行研究,研究成果不仅能用于指导该地铁的施工,同时可为今后类似工程建设积累宝贵的经验,具有重要的经济效益和社会效益。
目前,随着地铁建设规模的不断扩大,国内对于盾构施工过程中掘进参数的研究也在不断进行,按照研究方法原理不同主要分为:机理分析与数值模拟法和人工智能模型算法。
机理与数值模拟法方面,Li Y和Emeriault F等通过理论和三维数值模拟的方法对上海长江盾构隧道掌子面稳定性进行分析,发现泥水舱压力对掌子面稳定性起到决定性作用,当泥水舱压力过小会使掌子面坍塌进而引发大范围的地表沉降。Gong QM等通过研究渣土在不同推进压力下切削出来的大小和形状,发现在岩体中掘进时,当顶推力大于某一临界值时,掘进速度会相对增大,破岩的效率也会随之增大。Hassanpour J等对不同掘进参数预测模型所预测的参数与实测数据作对比分析,并研究了各掘进参数与岩体参数间的联系,拟合出新的数学模型。杨洪杰以盾构前方的隆起量为控制量,并通过数学计算,把各掘进参数的约束关系用数学表达式给出,进而研究各参数的相互关系及最优取值。康洪信根据广州地铁四号线仑头-大学城区间盾构隧道工程实例,说明了复合地层盾构掘进参数的选择及控制过程。郑刚针对建国道站-天津站盾构掘进工程掘进参数的数据,得出掘进参数为总推力的二次关系式,掘进速度为土仓压力的一次线性关系式。宋克志进行了现场掘进试验和岩石点荷载强度实验,在泥岩和砂岩交互的复合地层对泥水盾构的各掘进参数及其影响成分进行了研究,通过分析及数值拟合,得出盾构掘进速度与岩石强度、总推力的关系,还通过分析相应地层的各掘进参数之间的内在关系,构建出刀盘扭矩、总推力与每转切深的拟合模型,有效提高了掘进的效能。路平通过对天津地铁某区间段掘进参数的记录,对这些参数剔除离散度高的部分后进行了模糊统计试验,分析得出了较优的掘进参数取值范围,进而对后续盾构施工的掘进参数加以控制,使得盾构施工对地表沉降量能做到毫米级控制。张厚美应用正交试验设计技术,进行盾构掘进参数组合实验,采取多元统计分析方式,对土舱压力、推力、刀盘转速等主要掘进参数对掘进速度、刀盘扭矩的影响进行了研究,得到了土压平衡式盾构在软土中刀盘扭矩平均值和掘进速度平均值的数学模型。
人工智能模型算法方面,李明阳基于Terzaghi松动土压力模型和CSM模型,研究了广州地铁三号线大石一汉溪长隆区段各种关键掘进参数相互间的关系。朱合华根据上海M8地铁线某盾构工程为参照,通过设计室内模型试验,得出了各模拟的参数在不同埋置深度、刀盘开口率等情况下的数值曲线,通过试验结果的拟合及分析,得出各掘进参数的数学模型及变化规律。杨全亮对广州地铁四、五号线的掘进参数的整理分析,并采用人工神经网络模型预测掘进参数。李正对深圳地铁11号线两个车站的实测掘进参数进行了统计,选取了典型的复合地层,对比分析了各掘进参数的规律,研究了各参数的相关性并给出掘进速度的预测模型,从而确定出一组合理的掘进参数范围。褚东升结合长沙地铁深橘-橘湘区间盾构下穿湘江工程的实测盾构掘进数据,对主要盾构掘进参数之间的关联度进行了深化的分析,探讨出在掘进过程当中哪些因素对掘进参数起到重要的影响,最后运用BP神经网络和RBF神经网络方法给出了预测掘进参数的模型。邓忠义通过收集上海在建复兴东路越江隧道工程的实测数据,对掘进参数的取值范围对维持开挖面的稳定作了研究。张莹等以天津地铁某个标段的盾构掘进数据为依托,并将掘进参数(顶推力、刀盘扭矩)基于每转切深进行“归一化”处理,通过研究发现“归一化”处理后的指标和地质参数有良好的对应性,并可根据掘进参数对地质情况做出判定指导施工安全。
总结以上研究现状发现,由于人工智能方法有着良好的数据理解和挖掘能力,人工智能方法正在被广泛应用在盾构施工中掘进参数范围的推荐中,并且取得了较好的结果。例如,洪开荣等人2018年申请了一篇名称为“一种盾构TBM掘进参数的数据挖掘方法”的专利,申请公布号为CN 109213810A,公开日期为 2019.01.15,公开了一种盾构TBM掘进参数的数据挖掘方法,主要包括16维组合建模方法进行分布动态切分统计分析,掘进参数的动态核心经验区域分析方法两部分。在接收到大量施工线路上的盾构TBM掘进参数的同时,按照规定的滚动时间窗口定期聚合取得累计频数直方图数据,按照一定的范围运算直方图核心区域,通过快速往复遍历算法判定核心区域,从而通过大数据的积累得到掘进参数的最优范围,但是考虑采用机理知识获取建模的参数数据,导致最优范围值会出现误差,并且只考虑统计的方法,没有考虑到统计方法和人工智能方法相结合,导致掘进参数的最优范围值准确度不高。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种盾构施工中监测点沉降量与掘进参数的关联关系方法研究,用于解决现有技术中存在的掘进参数推荐范围准确度不高的问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
1.一种盾构施工地面沉降量与掘进参数的关联关系方法,其特征在于,包括如下步骤:
(1)对盾构施工的历史数据进行预处理:
(1a)从数据库中选取盾构施工的历史盾构掘进参数数据集、历史地质参数数据集和历史地面沉降量数据集,历史盾构掘进参数数据集包括K种特征掘进参数数据,历史地质参数数据集包含L种特征地质参数数据,历史地面沉降量数据集包含R种特征沉降参数数据;
(1b)对历史的地质参数数据和掘进参数数据分别进行空值填充,并去除空值填充得到的完整历史地质参数数据和完整掘进参数数据中的异常值后进行归一化,得到预处理后的历史地质参数数据和预处理后的历史掘进参数数据;同时对历史的地面沉降量数据进行空值填充后再进行异常值去除,得到预处理后的历史地面沉降量数据;
(2)获取施工参数数据集:
将均包含盾构机机型为X、盾构机埋深为Y、地质结构为Z种的预处理后的历史掘进参数数据、历史地质参数数据和历史地面沉降量数据作为施工参数数据集;
(3)获取每种特征掘进参数的建议值范围:
计算历史盾构掘进参数数据集中k种特征掘进参数的正态分布,并将每种正态分布中心区域包含的70%的特征掘进参数作为k种特征掘进参数的建议值,得到K种特征掘进参数的建议值,然后将k种特征掘进参数的建议值中的最小值 Bmin和最大值Bmax所确定的范围[Bmin,Bmax],作为k种特征掘进参数的建议值范围;
(4)获取影响地面沉降的参数数据:
(4a)将从施工参数数据集中分别随机抽取70%的预处理后的历史掘进参数数据和历史地质参数数据表示为x,将从施工参数数据集中分别随机抽取70%的预处理后的历史地面沉降量数据表示为y;
(4b)将x和y分别作为基于随机森林算法的特征提取模型C1的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K 种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A1,n表示的是从施工参数数据集中获取特征地质参数数据和特征掘进参数数据的种数,5≤n≤K+L;
(4c)将x和y分别作为基于递归特征消除法的特征提取模型C2的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A2;
(4d)将x和y分别作为基于卡方检验的特征提取模型C3的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A3;
(4e)筛选A1、A2和A3中同时存在的特征地质参数数据和特征掘进参数数据组成特征数据集A4,对记录A4中特征地质参数数据的种数为P,记录A4中特征掘进参数数据的种数为J;
(4f)令P+J=m,并判断m<n是否成立,若是,执行步骤(4a),否则,将特征数据集A4作为影响地面沉降的参数数据;
(5)对每种特征掘进参数的建议值范围进行优化:
(5a)按照等宽法将影响地面沉降的参数数据A4中的每种特征掘进参数数据划分为G个区间,得到J种包含G个区间的特征掘进参数数据,同时按照等宽法将每种特征沉降参数数据划分为F个区间,得到R种包含F个区间的预处理后的地面沉降量数据;
(5b)将J种包含G个区间的特征掘进参数数据作为基于多重关联规则 CMAR算法的模型A的输入,将R种包含F个区间的预处理后的地面沉降量数据作为基于多重关联规则CMAR算法的模型A的的输出,得到J种特征掘进参数数据的第r个区间与R种特征沉降参数数据的第f个区间的关联关系,1≤r≤G,1≤f≤F;
(5c)将J种特征掘进参数数据的第r个区间为[Cmin,Cmax]作为J种特征参数数据的参数建议值范围,并将[Cmin,Cmax]与k种特征掘进参数的建议值范围 [Bmin,Bmax]的交集[Dmin,Dmax]作为优化后的盾构施工掘进参数建议值;
(6)对地面沉降量进行预测:
(6a)将半数以上的影响地面沉降的参数数据作为训练集样本V1,将其余影响地面沉降量的参数数据作为测试集样本H1,将半数以上的预处理后的地面沉降量数据作为训练集样本V2,将其余预处理后的地面沉降量数据作为测试集样本 H2;
(6b)构建输入为V1,输出为V2的基于DNN深度神经网络的地面沉降预测模型M1,并将测试集样本H1作为M1输入得到输出数据集S1,计算M1的预测精确度
(6c)判断N1≥σ或n=K+L是否成立,若是,将步骤(5)得到的盾构施工掘进参数建议值作为最终的盾构施工参数建议值,否则,令n=n+1,并执行步骤(4)。
本发明与现有技术相比,具有以下优点:
1.本发明通过构建基于多重关联规则CMAR算法的地面沉降量与掘进参数关联关系,通过关联关系得到盾构施工过程中掘进参数范围值,并且采用统计分析的方法对其进一步优化,避免了现有技术只考虑统计分析的方法,导致掘进参数推荐范围值误差较大,提升了掘进参数推荐范围值准确率;
2.本发明是通过基于随机森林算法、递归特征消除法和卡方检验的集成方法进行筛选得到的影响地面的参数数据,避免了现有技术采用机理知识和人工经验的方法不能充分获取全部的影响地面沉降的参数数据,导致掘进参数的最优范围值可靠性较低,进一步提升了掘进参数推荐范围值准确率;
3.本发明最后以某盾构施工项目为例,对文章所述方法进行了验证,结果表明,本发明在掘进参数推荐范围值方面取得了理想的效果,验证了方法的有效性和准确性。
附图说明
图1为本发明的实现流程图。
具体实施方法
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1、本发明的实现步骤如下:
步骤1)对盾构施工的历史数据进行预处理:
步骤1a)从数据库中选取盾构施工的历史盾构掘进参数数据集、历史地质参数数据集和历史地面沉降量数据集,历史盾构掘进参数数据集包括K种特征掘进参数数据,历史地质参数数据集包含L种特征地质参数数据,历史地面沉降量数据集包含R种特征沉降参数数据;
步骤1b)对历史的地质参数数据和掘进参数数据分别进行空值填充,并去除空值填充得到的完整历史地质参数数据和完整掘进参数数据中的异常值后进行归一化,得到预处理后的历史地质参数数据和预处理后的历史掘进参数数据;同时对历史的地面沉降量数据进行空值填充后再进行异常值去除,得到预处理后的历史地面沉降量数据;
对采集好的掘进参数数据、地质参数数据和地面沉降量数据进行空值填充、异常值处理和归一化的具体步骤为:
判断掘进参数数据、地质参数数据和监测点的地面沉降量数据是否存在缺失值,如果是,利用python程序语言调用pandas模块中的fillna函数对并对存在缺失值的掘进参数数据、地质参数数据和检测点的地面沉降量数据进行平均数填充,得到完整的掘进参数数据、地质参数数据和检测点的地面沉降量数据;
判断p(|x-μ|>3σ)≤0.003是否成立,若是,则将完整的掘进参数数据、地质参数数据和地面沉降量数据中的观察值x作为掘进参数数据异常值,并执行步骤(1c),否则,完整的掘进参数数据、地质参数数据和地面沉降量数据中不存在异常值,执行步骤(1d),其中x为完整的掘进参数数据、地质参数数据和地面沉降量数据中的观察值,μ为完整的掘进参数数据、地质参数数据和地面沉降量数据中每个参数数据的平均值,σ为完整的掘进参数数据、地质参数数据和地面沉降量数据中每个参数数据的标准差,p为观察值x和平均值μ的差值超过3 倍标准差σ的概率;
利用完整的掘进参数数据、地质参数数据和地面沉降量数据中每个参数数据的平均值对相应参数数据异常值进行替换,得到不存在异常值且完整的掘进参数数据、地质参数数据和地面沉降量数据;
利用公式x*=(x-xmin)/(xmax-xmin)对不存在异常值且完整的掘进参数数据和地质参数数据进行归一化,得到归一化的历史地质参数数据和归一化历史掘进参数数据,其中x*为归一化后的数据集,x为不存在异常值且完整的掘进参数数据和地质参数数据,xmin为不存在异常值且完整的掘进参数数据和地质参数数据的最小值,xmax为不存在异常值且完整的掘进参数数据和地质参数数据的最大值。
步骤2)获取施工参数数据集:
将均包含盾构机机型为X、盾构机埋深为Y、地质结构为Z种的预处理后的历史掘进参数数据、历史地质参数数据和历史地面沉降量数据作为施工参数数据集;
步骤3)获取每种特征掘进参数的建议值范围:
计算历史盾构掘进参数数据集中k种特征掘进参数的正态分布,并将每种正态分布中心区域包含的70%的特征掘进参数作为k种特征掘进参数的建议值,得到K种特征掘进参数的建议值,然后将k种特征掘进参数的建议值中的最小值 Bmin和最大值Bmax所确定的范围[Bmin,Bmax],作为k种特征掘进参数的建议值范围;
步骤4)获取影响地面沉降的参数数据:
步骤4a)将从施工参数数据集中分别随机抽取70%的预处理后的历史掘进参数数据和历史地质参数数据表示为x,将从施工参数数据集中分别随机抽取70%的预处理后的历史地面沉降量数据表示为y;
步骤4b)将x和y分别作为基于随机森林算法的特征提取模型C1的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A1,n表示的是从施工参数数据集中获取特征地质参数数据和特征掘进参数数据的种数,5≤n≤K+L;
步骤4c)将x和y分别作为基于递归特征消除法的特征提取模型C2的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A2;
步骤4d)将x和y分别作为基于卡方检验的特征提取模型C3的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K 种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A3;
步骤4e)筛选A1、A2和A3中同时存在的特征地质参数数据和特征掘进参数数据组成特征数据集A4,对记录A4中特征地质参数数据的种数为P,记录A4中特征掘进参数数据的种数为J;
步骤4f)令P+J=m,并判断m<n是否成立,若是,执行步骤(4a),否则,将特征数据集A4作为影响地面沉降的参数数据;
步骤5)对每种特征掘进参数的建议值范围进行优化:
步骤5a)按照等宽法将影响地面沉降的参数数据A4中的每种特征掘进参数数据划分为G个区间,得到J种包含G个区间的特征掘进参数数据,同时按照等宽法将每种特征沉降参数数据划分为F个区间,得到R种包含F个区间的预处理后的地面沉降量数据;
步骤5b)将J种包含G个区间的特征掘进参数数据作为基于多重关联规则 CMAR算法的模型A的输入,将R种包含F个区间的预处理后的地面沉降量数据作为基于多重关联规则CMAR算法的模型A的的输出,得到J种特征掘进参数数据的第r个区间与R种特征沉降参数数据的第f个区间的关联关系,1≤r≤G, 1≤f≤F;
步骤5c)将J种特征掘进参数数据的第r个区间为[Cmin,Cmax]作为J种特征参数数据的参数建议值范围,并将[Cmin,Cmax]与k种特征掘进参数的建议值范围 [Bmin,Bmax]的交集[Dmin,Dmax]作为优化后的盾构施工掘进参数建议值;
步骤6)对地面沉降量进行预测:
步骤6a)将半数以上的影响地面沉降的参数数据作为训练集样本V1,将其余影响地面沉降量的参数数据作为测试集样本H1,将半数以上的预处理后的地面沉降量数据作为训练集样本V2,将其余预处理后的地面沉降量数据作为测试集样本H2;
步骤6b)构建输入为V1,输出为V2的基于DNN深度神经网络的地面沉降预测模型M1,并将测试集样本H1作为M1输入得到输出数据集S1,计算M1的预测精确度
步骤6c)判断N1≥σ或n=K+L是否成立,若是,将步骤(5)得到的盾构施工掘进参数建议值作为最终的盾构施工参数建议值,否则,令n=n+1,并执行步骤(4)。
以下通过仿真实验,对本发明的效果作进一步说明:
1.仿真条件:
本发明的数据仿真实验是在主频2.4GHZ的Intel(R)Core(TM)2Duo、内存4GB的硬件环境和Anaconda spyder软件环境下进行的;
实验中采用的数据为宁波地铁体育馆-明楼段盾构机掘进的真实数据,共有 35个特征,共计5000条数据记录;
掘进参数数据包括环号、刀盘扭矩KN.M、刀盘转速rpm、内圈温度℃、外圈温度℃、土压Mpa、仿行刀行程mm、回转角前筒deg、俯仰角前筒deg、总推力 KN、总油压Mpa、推进速度mm/Min、千斤顶行程mm、千斤顶速度mm/Min、千斤顶推力KN、螺旋机扭矩KN.M、螺旋皮带机转速rpm、螺旋皮带机压力Mpa、前闸门开度%、后闸门开度%、铰接油压Mpa、铰接行程mm、注浆压力Mpa、注浆量L、铰接水平偏差mm、铰接垂直偏差mm、切口水平偏差mm、切口垂直偏差mm、盾尾水平偏差mm、盾尾垂直偏差mm、盾尾间隙mm;
地质参数数据包括土的比重mg/m3、空隙m/d、压缩模量、内摩擦角、黏聚力;
地面沉降量数据包括距开挖面0环距轴线距离0米的地面沉降量数据mm;
2.仿真内容:
采用本发明一种盾构施工中地面沉降量与掘进参数的关联关系方法对宁波地铁体育馆-明楼段盾构机掘进的真实数据进行仿真。
具体仿真步骤为:
步骤1)对盾构施工的历史数据进行预处理:
由上述数据可知,K=31,L=5,R=1,由于原始数据可能存在缺失值和由盾构开关机、盾构故障以及盾构司机盲目操作等带来的异常值数据,所以要对实验数据进行数据预处理,首先利用均值填补法进行缺失值填补、并通过3σ西格玛方法进行异常值检测并利用异常值所处列的平均数对异常值进行替换,最后进行归一化处理,将其归一化到[0,1]区间中,得到预处理后的实验数据。实验数据如下表1所示:
表1实验数据
步骤2)获取施工参数数据集:
将均包含盾构机机型为土压平衡盾构机、盾构机埋深为23m、地质结构为黏性地层的预处理后的历史掘进参数数据、历史地质参数数据和历史地面沉降量数据作为施工参数数据集;
步骤3)获取每种特征掘进参数的建议值范围:
计算历史盾构掘进参数数据集中31种特征掘进参数的正态分布,并将每种正态分布中心区域包含的70%的特征掘进参数作为31种特征掘进参数的建议值,得到31种特征掘进参数的建议值,然后将31种特征掘进参数的建议值中的最小值Bmin和最大值Bmax所确定的范围[Bmin,Bmax],作为k种特征掘进参数的建议值范围结果;
步骤4)获取影响地面沉降的参数数据:
利用基于随机森林算法、递归特征消除法和卡方检验的集成方法进行筛选得到影响地面沉降的参数数据作为影响地面沉降的参数数据,其中设定n值为9,随机森林算法模型中参数n_jobs设置为-1,递归特征消除法中参数estimator 设置为LogisticRegression,参数n_features_to_select设置为5,卡方检验中参数K值设置为5,影响地面沉降的参数数据特征如表2所示;
表2参数数据特征
步骤5)对每种特征掘进参数的建议值范围进行优化:
由步骤1可知J的值为31,R的值为1,将G值设为8,将F值设为4,得到得到31种特征掘进参数数据的第r个区间与1种特征沉降参数数据的第f个区间的关联关系[Cmin,Cmax],再取[Cmin,Cmax]和[Bmin,Bmax]的交集为优化后的盾构施工掘进参数建议值;
步骤6)对地面沉降量进行预测:
构建基于DNN深度神经网络的地面沉降预测模型为M1,其中参数 learning_rate设置为0.01,batch_size=300,网络结构设置为(15,24,12,1),预测精确度N1的计算方法为设定预期值σ为85%,判断N1≥σ或n=K+L是否成立,若是,将步骤(5)得到的盾构施工掘进参数建议值作为最终的盾构施工参数建议值,否则,令n=n+1,并执行步骤(4)。
3.仿真结果分析:
表3仿真结果
从表3可以看出,该方法不能从定量角度分析地面沉降量与盾构掘进参数的取值范围之间的量化关系,能够通过统计分析的方法修正得到掘进参数的取值范围,可以大概率得到精确的掘进参数的取值范围,避免了原先的技术得到的掘进参数范围不准确的缺陷,得到了更加精确的掘进参数取值范围。
Claims (2)
1.一种盾构施工地面沉降量与掘进参数的关联关系方法,其特征在于,包括如下步骤:
(1)对盾构施工的历史数据进行预处理:
(1a)从数据库中选取盾构施工的历史盾构掘进参数数据集、历史地质参数数据集和历史地面沉降量数据集,历史盾构掘进参数数据集包括K种特征掘进参数数据,历史地质参数数据集包含L种特征地质参数数据,历史地面沉降量数据集包含R种特征沉降参数数据;
(1b)对历史的地质参数数据和掘进参数数据分别进行空值填充,并去除空值填充得到的完整历史地质参数数据和完整掘进参数数据中的异常值后进行归一化,得到预处理后的历史地质参数数据和预处理后的历史掘进参数数据;同时对历史的地面沉降量数据进行空值填充后再进行异常值去除,得到预处理后的历史地面沉降量数据;
(2)获取施工参数数据集:
将均包含盾构机机型为X、盾构机埋深为Y、地质结构为Z种的预处理后的历史掘进参数数据、历史地质参数数据和历史地面沉降量数据作为施工参数数据集;
(3)获取每种特征掘进参数的建议值范围:
计算历史盾构掘进参数数据集中k种特征掘进参数的正态分布,并将每种正态分布中心区域包含的70%的特征掘进参数作为k种特征掘进参数的建议值,得到K种特征掘进参数的建议值,然后将k种特征掘进参数的建议值中的最小值Bmin和最大值Bmax所确定的范围[Bmin,Bmax],作为k种特征掘进参数的建议值范围;
(4)获取影响地面沉降的参数数据:
(4a)将从施工参数数据集中分别随机抽取70%的预处理后的历史掘进参数数据和历史地质参数数据表示为x,将从施工参数数据集中分别随机抽取70%的预处理后的历史地面沉降量数据表示为y;
(4b)将x和y分别作为基于随机森林算法的特征提取模型C1的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A1,n表示的是从施工参数数据集中获取特征地质参数数据和特征掘进参数数据的种数,5≤n≤K+L;
(4c)将x和y分别作为基于递归特征消除法的特征提取模型C2的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A2;
(4d)将x和y分别作为基于卡方检验的特征提取模型C3的输入和输出,计算每种特征地质参数数据的重要度和每种特征掘进参数数据的重要度,并对K种特征地质参数数据的重要度和L种特征掘进参数数据的重要度分别按照从大到小的顺序进行排序,然后选取重要度排名前n的特征地质参数数据和特征掘进参数数据作为特征参数数据集A3;
(4e)筛选A1、A2和A3中同时存在的特征地质参数数据和特征掘进参数数据组成特征数据集A4,对记录A4中特征地质参数数据的种数为P,记录A4中特征掘进参数数据的种数为J;
(4f)令P+J=m,并判断m<n是否成立,若是,执行步骤(4a),否则,将特征数据集A4作为影响地面沉降的参数数据;
(5)对每种特征掘进参数的建议值范围进行优化:
(5a)按照等宽法将影响地面沉降的参数数据A4中的每种特征掘进参数数据划分为G个区间,得到J种包含G个区间的特征掘进参数数据,同时按照等宽法将每种特征沉降参数数据划分为F个区间,得到R种包含F个区间的预处理后的地面沉降量数据;
(5b)将J种包含G个区间的特征掘进参数数据作为基于多重关联规则CMAR算法的模型A的输入,将R种包含F个区间的预处理后的地面沉降量数据作为基于多重关联规则CMAR算法的模型A的的输出,得到J种特征掘进参数数据的第r个区间与R种特征沉降参数数据的第f个区间的关联关系,1≤r≤G,1≤f≤F;
(5c)将J种特征掘进参数数据的第r个区间为[Cmin,Cmax]作为J种特征参数数据的参数建议值范围,并将[Cmin,Cmax]与k种特征掘进参数的建议值范围[Bmin,Bmax]的交集[Dmin,Dmax]作为优化后的盾构施工掘进参数建议值;
(6)对地面沉降量进行预测:
(6a)将半数以上的影响地面沉降的参数数据作为训练集样本V1,将其余影响地面沉降量的参数数据作为测试集样本H1,将半数以上的预处理后的地面沉降量数据作为训练集样本V2,将其余预处理后的地面沉降量数据作为测试集样本H2;
(6b)构建输入为V1,输出为V2的基于DNN深度神经网络的地面沉降预测模型M1,并将测试集样本H1作为M1输入得到输出数据集S1,计算M1的预测精确度
(6c)判断N1≥σ或n=K+L是否成立,若是,将步骤(5)得到的盾构施工掘进参数建议值作为最终的盾构施工参数建议值,否则,令n=n+1,并执行步骤(4)。
2.根据权利要求1所述的一种盾构施工地面沉降量与掘进参数的关联关系方法,其特征在于,步骤(1a)中所述的历史盾构掘进参数数据、历史地质参数数据和历史地面沉降量数据,分别包括:
历史盾构掘进参数数据,包括环号、刀盘扭矩KN.M、刀盘转速rpm、内圈温度℃、外圈温度℃、土压Mpa、仿行刀行程mm、回转角前筒deg、俯仰角前筒deg、总推力KN、总油压Mpa、推进速度mm/Min、千斤顶行程mm、千斤顶速度mm/Min、千斤顶推力KN、螺旋机扭矩KN.M、螺旋皮带机转速rpm、螺旋皮带机压力Mpa、前闸门开度%、后闸门开度%、铰接油压Mpa、铰接行程mm、注浆压力Mpa、注浆量L、铰接水平偏差mm、铰接垂直偏差mm、切口水平偏差mm、切口垂直偏差mm、盾尾水平偏差mm、盾尾垂直偏差mm、盾尾间隙mm;
历史地面沉降量数据,包括距开挖面0环距轴线距离0米的地面沉降量数据mm;
地质参数数据,包括土的比mg/m3、空隙m/d、压缩模量、内摩擦角、黏聚力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893671.8A CN110617074B (zh) | 2019-09-20 | 2019-09-20 | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893671.8A CN110617074B (zh) | 2019-09-20 | 2019-09-20 | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110617074A true CN110617074A (zh) | 2019-12-27 |
CN110617074B CN110617074B (zh) | 2020-10-09 |
Family
ID=68923846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910893671.8A Active CN110617074B (zh) | 2019-09-20 | 2019-09-20 | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110617074B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112647957A (zh) * | 2020-12-23 | 2021-04-13 | 上海隧道工程有限公司 | 土压平衡盾构的土压智能控制方法及其系统 |
CN112796768A (zh) * | 2021-03-08 | 2021-05-14 | 盾构及掘进技术国家重点实验室 | 一种双模隧道掘进机施工掘进参数选择方法 |
CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
CN113239439A (zh) * | 2021-05-21 | 2021-08-10 | 上海大学 | 盾构施工地表沉降预测系统及方法 |
CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
CN114075978A (zh) * | 2021-03-25 | 2022-02-22 | 上海大学 | 地表沉降控制方法及系统 |
CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及系统 |
CN115099111A (zh) * | 2022-07-13 | 2022-09-23 | 广州大学 | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 |
CN115110962A (zh) * | 2022-07-18 | 2022-09-27 | 中国建筑第二工程局有限公司 | 一种不同复合比复合地层盾构掘进参数预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102071944A (zh) * | 2010-12-17 | 2011-05-25 | 中铁十四局集团有限公司 | 盾构隧道施工地表沉降仿真检测系统 |
CN107092990A (zh) * | 2017-05-03 | 2017-08-25 | 西安电子科技大学 | 基于大数据分析的盾构施工地面沉降预测系统和方法 |
CN107153843A (zh) * | 2017-05-03 | 2017-09-12 | 西安电子科技大学 | 基于支持向量机的地面沉降预测系统和方法 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
-
2019
- 2019-09-20 CN CN201910893671.8A patent/CN110617074B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102071944A (zh) * | 2010-12-17 | 2011-05-25 | 中铁十四局集团有限公司 | 盾构隧道施工地表沉降仿真检测系统 |
CN107092990A (zh) * | 2017-05-03 | 2017-08-25 | 西安电子科技大学 | 基于大数据分析的盾构施工地面沉降预测系统和方法 |
CN107153843A (zh) * | 2017-05-03 | 2017-09-12 | 西安电子科技大学 | 基于支持向量机的地面沉降预测系统和方法 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
Non-Patent Citations (2)
Title |
---|
宫思艺等: "融入复杂地层动态识别的盾构施工地表沉降预测方法研究", 《仪器仪表学报》 * |
田管凤等: "盾构施工地面沉降预测的大数据技术应用研究", 《防灾减灾工程学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112647957A (zh) * | 2020-12-23 | 2021-04-13 | 上海隧道工程有限公司 | 土压平衡盾构的土压智能控制方法及其系统 |
CN112796768A (zh) * | 2021-03-08 | 2021-05-14 | 盾构及掘进技术国家重点实验室 | 一种双模隧道掘进机施工掘进参数选择方法 |
CN114075978A (zh) * | 2021-03-25 | 2022-02-22 | 上海大学 | 地表沉降控制方法及系统 |
CN114075978B (zh) * | 2021-03-25 | 2024-01-26 | 上海大学 | 地表沉降控制方法及系统 |
CN113239439B (zh) * | 2021-05-21 | 2022-04-05 | 上海大学 | 盾构施工地表沉降预测系统及方法 |
CN113239439A (zh) * | 2021-05-21 | 2021-08-10 | 上海大学 | 盾构施工地表沉降预测系统及方法 |
CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
CN113673059B (zh) * | 2021-08-26 | 2024-05-14 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及系统 |
CN115099111A (zh) * | 2022-07-13 | 2022-09-23 | 广州大学 | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 |
CN115110962A (zh) * | 2022-07-18 | 2022-09-27 | 中国建筑第二工程局有限公司 | 一种不同复合比复合地层盾构掘进参数预测方法及系统 |
CN115110962B (zh) * | 2022-07-18 | 2024-05-28 | 中国建筑第二工程局有限公司 | 一种不同复合比复合地层盾构掘进参数预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110617074B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110617074B (zh) | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 | |
Yan et al. | Prediction of geological characteristics from shield operational parameters by integrating grid search and K-fold cross validation into stacking classification algorithm | |
US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
Yan et al. | Identification of geological characteristics from construction parameters during shield tunnelling | |
WO2021169038A1 (zh) | 一种深基坑爆破振速风险等级大数据评价方法 | |
CN111553000A (zh) | 钻爆法隧道智能建造方法 | |
CN105926569A (zh) | 一种基于沉降监测数据的煤矿老采空区场地稳定性定量评价方法 | |
CN108763752B (zh) | 一种盾构隧道下穿水道确定施工掘进参数的方法 | |
CN104899392B (zh) | 一种基于gis的煤矿瓦斯涌出超限预测智能分析方法 | |
CN111709650A (zh) | 一种滨海复杂地层盾构掘进适应性评价方法 | |
CN109345140B (zh) | 一种煤矿突水灾害预警的辅助方法 | |
CN107091085B (zh) | 一种浅埋暗挖隧道地层稳定性的多参数判别方法 | |
Yan et al. | GFII: A new index to identify geological features during shield tunnelling | |
CN116756807A (zh) | 耦合施工过程的线性地下工程涌水量数值预测方法 | |
CN104881724A (zh) | 一种基于gis的煤矿瓦斯涌出量动态预测方法 | |
Liu et al. | Study of roof water inrush forecasting based on EM-FAHP two-factor model | |
LIANG et al. | Stratum identification based on multiple drilling parameters and probability classification | |
CN116797017A (zh) | 一种基于模糊数学理论的tbm施工风险评价方法及系统 | |
CN116597305A (zh) | 一种露天矿区开发动态变化定量评价方法及系统 | |
CN113158561B (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
CN113657515B (zh) | 一种基于岩机敏感参量判识和改进fmc模型隧道围岩等级的分类方法 | |
CN115861551A (zh) | 一种地浸采铀的数字建井方法 | |
CN113569327A (zh) | 一种盾构机姿态优化方法、系统及模型训练方法、系统 | |
CN114183195B (zh) | 一种基于离层分布规律的地表沉陷控制注浆填充系统 |
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 |