CN111520192A - 非接触式隧道工程施工岩爆实时预报优化方法 - Google Patents
非接触式隧道工程施工岩爆实时预报优化方法 Download PDFInfo
- Publication number
- CN111520192A CN111520192A CN202010412765.1A CN202010412765A CN111520192A CN 111520192 A CN111520192 A CN 111520192A CN 202010412765 A CN202010412765 A CN 202010412765A CN 111520192 A CN111520192 A CN 111520192A
- Authority
- CN
- China
- Prior art keywords
- rock burst
- rock
- database
- deformation
- burst
- 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 213
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000009412 basement excavation Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000002411 adverse Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007620 mathematical function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000010415 tidying Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Images
Classifications
-
- 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
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种非接触式隧道工程施工岩爆实时预报优化方法，其包括建立数据库、现场补充数据库、建立监测系统以及工作过程中监测方法调整等步骤。本发明具有能够更加精准、快速的预报岩爆的效果。
Description
技术领域
本发明涉及岩爆预防的技术领域，尤其是涉及一种非接触式隧道工程施工岩爆实时预报优化方法。
背景技术
目前针对岩爆的预防岩爆孕育过程现场实时监测，包括应力、扰动应力、微震、声发射、电磁辐射等监测，其中微震监测是岩爆最为广泛的监测方法。岩爆微震监测是根据评估的岩爆风险源区域，布置多个传感器(至少4个)，对岩爆风险源区域内的岩体破裂释放出的弹性波信号进行采集，根据采集获取的弹性波信号，进一步分析获得破裂位置、时间、能量等震源参数的监测方法。
该类方法在一定程度上实现了岩爆预报，但其存在一下明显的缺点，或者说是技术局限性：1.各类传感器往往需要通过钻孔的方式布置在岩体内部，安装固定要求高，耗时较长，施工现场难以保障传感器应紧跟工作面掘进而动态移动；2.传感元件反复安装、拆除在的破损风险，且价格不菲；3.岩爆预报范围模糊不利于工程现场组织防护，采用被动覆盖式防护时成本明显增大；4.现有的检测结果通常是人工对检测结果根据经验给出主观判断，反馈较慢，准确度也有待提升。
发明内容
针对现有技术存在的不足，本发明的目的之一是提供一种精度更高、反应更快的非接触式隧道工程施工岩爆实时预报优化方法。
本发明的上述发明目的是通过以下技术方案得以实现的：
一种非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：包括以下步骤
一、收集现有隧道开挖过程中传统微震监测和地勘资料，确定不同类型围岩发生岩爆频率较高的位置，建立参考数据库。
二、将不同围岩的理化指标和力学参数作为围岩分类的标准，并记载在数据库中，通过人工智能学习对具有相近理化指标和力学参数的围岩在同样或接近的环境参量下发生岩爆阶段的温度变化和形变变化量进行比对学习，总结具有相同或者接近的理化指标和力学参数的不同围岩发生岩爆时的温度变化和形变变化量的规律，利用类神经网络算法对步骤一中收集的数据进行分类规整，同时增加环境温度、环境湿度、海拔、隧道开挖掌子面大小等环境参量，并分别根据围岩类型、环境温度、环境湿度、海拔、掌子面大小等参量对步骤一中记载的围岩温度变化和形变变化量进行分类规整；引入代价矩阵来消除或减弱样本类别不平衡带来的不利影响后，构建神经网络模型，并进行模型训练优化，获得基于步骤一中参考数据库的神经网络的隧道岩爆预警模型，将待预警区域预警单元内的多参量信息输入建立的岩爆预警模型，通过预警模型的计算输出预警区域潜在岩爆的等级及其概率。
三、利用超前地质钻孔获取待掘进区域的岩芯，在实验室中进行三轴试验，确定岩爆前兆时围岩局部温度快速上升阶段温度变化；同时检测记录岩爆前夕围岩局部温度上升时形变变化，将上述两个变化量输入数据库做为参考量，完善并形成“围岩力学参数-岩爆临界形变-岩爆临界温度”数据库；同时每次具有新变量加入的岩爆数据都通过步骤二中的人工智能学习进行对比分析，并通过步骤二中类神经网络算法输入数据库和岩爆预警模型。
四、在隧道开挖过程中，在防护台车上加装多个用于监测围岩形变的激光传感器和用于监测围岩温度变化的红外温度传感器，并安装有用于报警的光报警系统，所有红外温度传感器的监测区域将可能发生岩爆的区域全面覆盖，激光传感器能够针对可能发生岩爆的区域的每一点进行监测；随着隧洞的开挖和时间的推移实时更新到岩爆预警模型，从而对预警结果进行实时更新；对现场岩爆进行预警后，通过现场检验预警结果与实际情况是否相符，将该次岩爆及对应的监测信息作为新样本对原有参考数据库进行动态补充和更新，从而不断优化岩爆预警模型。
隧道开挖过程中，防护台车随着开挖一同移动，同时红外温度传感器对可能发生岩爆区域进行监测，发现某区域温度变化异常并与数据库中参考量接近时，激光传感器转向这一区域并对这一区域的形变进行监测，检测结果实时与数据库中的参照量进行比对，利用红外温度传感器和激光传感器自带的简易微机快速处理比较提前内置的数据库中岩爆变形或岩爆升温阀值信息，同时岩爆预警模型也会接收这些实时信息并发出反馈，当红外温度传感器与激光传感器二者中任一检测到的数据与数据库中的参考数据匹配或岩爆预警模型给出危险信号的反馈时，声光报警系统会进行报警，警示工作人员。
通过采用上述技术方案，岩爆模拟过程中裂纹的扩展产生的局部温度增幅要远大于发生弹射的局部温度增幅，也就是说岩爆之前围岩存在一个温度上升的加速峰值，由此对应的围岩变形加速度即是对应的报警最大变形加速度，捕捉到该规律即可预先判断岩爆趋势，形成所谓的岩爆判据。正是由于岩爆区域有一个能量集聚的过程，所以该过程中有岩爆趋势的围岩会出现温度升高，红外温度传感器搜索局部高温区域可将岩爆段落筛选出来，在此基础上依靠激光传感器进一步锁定位移增大较快的区域，从而实现高效且精准地预判。同时，围岩力学参数-岩爆临界温度-岩爆临界形变”三者关系数据库以及岩爆预警模型，可以利用新的工程数据不断进行扩展充实，在此基础上逐步扩大进行人工智能学习或者神经网络计算的样本，由此实现预报精度提升。同时通过人工智能和类神经网络的算法，能够一步步优化岩爆预警模型，使其精度更高、反应速度更快，可以逐步淘汰参考数据库在对实时参量判断中的地位，随着样本的增多，直至能够仅通过岩爆预警模型就能够快速、准确、实时的给出岩爆可能发生的区域和强烈程度。
本发明在一较佳示例中可以进一步配置为：步骤三中，利用超前地质钻孔获取岩芯后对岩芯测温，并在等温环境条件下进行三轴试验。
通过采用上述技术方案，由于隧道开挖环境特殊，温度较为稳定，所以在利用超前地质钻孔获取岩芯后测温，并在等温条件下进行三轴试验，能够使实验结果更加接近实际工况，减小获取的数据结果的误差，进一步提高了预报精度。
本发明在一较佳示例中可以进一步配置为：将步骤三中同类型围岩中选择的数据根据岩爆强烈程度分类，包括无岩爆、轻微岩爆、中度岩爆和强烈岩爆，且步骤四中的声光报警系统会根据不同类别的岩爆发出不同的警示信号。
通过采用上述技术方案，根据岩爆发生时的剧烈程度对岩爆进行分级，并通过不同颜色、声音来对工作人员进行提示，能够让工作人员更加清楚的意识到可能发生的岩爆的危险等级，并作出有效的应对。
本发明在一较佳示例中可以进一步配置为：将步骤三中同类型围岩的同阶段的不同温度变化量或形变量数据整合，取最大值和最小值作为最终参考量。
通过采用上述技术方案，充分采集并分析数据后得出的阈值，能够更加全面的面对不同工况，减小阈值过高导致。
本发明在一较佳示例中可以进一步配置为：所述步骤二中的神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个Softmax层；输入层输入多参量序列，决策层输出岩爆等级及其概率；利用步骤一中的参考数据库对构建的神经网络模型进行训练优化，根据测试样本的分类结果，获得达到岩爆等级分类准确率最高的模型参数，即获得了基于参考信息库和神经网络的隧道爆预警模型。
本发明在一较佳示例中可以进一步配置为：通过数学函数将防护台车移动过程中激光传感器和红外温度传感器采集到的信号进行过滤，剔除形变曲线中峰值和变化量明显超出现有数据库中参考数值的数据。
通过采用上述技术方案，激光出传感器灵敏度极高，普通的震动、撞击、以及台车移动所造成的干扰信号在方向以及强度上能够明显区别于围岩变形信号；隧道施工环境特殊，温度较为恒定，红外温度传感器干扰少，准确度高，通过函数将波动明显较大的干扰信号剔除，有效解决了隧道施工环境下数据采集的保真问题。
本发明在一较佳示例中可以进一步配置为：在步骤三中增加台车正常移动情况时，红外温度传感器和激光传感器接收到的信号，多次、并在不同工况下进行试验后，将实验数据存入数据库内作为信号过滤时的参考量。
通过采用上述技术方案，通过增加台车移动时造成的干扰信号作为参考量，能够进一步提高工作过程中采集到的的数据的真实性和准确性。
综上所述，本发明包括以下至少一种有益技术效果：
1.岩爆模拟过程中裂纹的扩展产生的局部温度增幅要远大于发生弹射的局部温度增幅，也就是说岩爆之前围岩存在一个温度上升的加速峰值，由此对应的围岩变形加速度即是对应的报警最大变形加速度，捕捉到该规律即可预先判断岩爆趋势，形成所谓的岩爆判据。正是由于岩爆区域有一个能量集聚的过程，所以该过程中有岩爆趋势的围岩会出现温度升高，红外温度传感器搜索局部高温区域可将岩爆段落筛选出来，在此基础上依靠激光传感器进一步锁定位移增大较快的区域，从而实现高效且精准地预判。同时，围岩力学参数-岩爆临界温度-岩爆临界形变”三者关系数据库以及岩爆预警模型，可以利用新的工程数据不断进行扩展充实，在此基础上逐步扩大进行人工智能学习或者神经网络计算的样本，由此实现预报精度提升。同时通过人工智能和类神经网络的算法，能够一步步优化岩爆预警模型，使其精度更高、反应速度更快，可以逐步淘汰参考数据库在对实时参量判断中的地位，随着样本的增多，直至能够仅通过岩爆预警模型就能够快速、准确、实时的给出岩爆可能发生的区域和强烈程度；
2.激光出传感器灵敏度极高，普通的震动、撞击、以及台车移动所造成的干扰信号在方向以及强度上能够明显区别于围岩变形信号；隧道施工环境特殊，温度较为恒定，红外温度传感器干扰少，准确度高，通过函数将波动明显较大的干扰信号剔除，有效解决了隧道施工环境下数据采集的保真问题。
附图说明
图1是实施例的逻辑图；
图2是实施例中为表示红外传感器以及激光传感器的感应范围的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参照图1，为本发明公开的一种非接触式隧道工程施工岩爆实时预报优化方法，包括以下步骤:
一、收集现有隧道开挖过程中传统微震监测和地勘资料，确定不同类型围岩发生岩爆频率较高的位置，建立参考数据库。
二、将不同围岩的理化指标和力学参数作为围岩分类的标准，并记载在数据库中，通过人工智能学习对具有相近理化指标和力学参数的围岩在同样或接近的环境参量下发生岩爆阶段的温度变化和形变变化量进行比对学习，总结具有相同或者接近的理化指标和力学参数的不同围岩发生岩爆时的温度变化和形变变化量的规律，利用类神经网络算法对步骤一中收集的数据进行分类规整，同时增加环境温度、环境湿度、海拔、隧道开挖掌子面大小等环境参量，并分别根据围岩类型、环境温度、环境湿度、海拔、掌子面大小等参量对步骤一中记载的围岩温度变化和形变变化量进行分类规整；引入代价矩阵来消除或减弱样本类别不平衡带来的不利影响后，构建神经网络模型，随机选用80%的数据作为训练样本，选用剩余20%的样本作为测试样本进行模型训练优化，获得基于步骤一中参考数据库的神经网络的隧道岩爆预警模型，将待预警区域预警单元内的多参量信息输入建立的岩爆预警模型，通过预警模型的计算输出预警区域潜在岩爆的等级及其概率。
三、利用超前地质钻孔获取待掘进区域的岩芯，在实验室中进行三轴试验，确定岩爆前兆时围岩局部温度快速上升阶段温度变化；同时检测记录岩爆前夕围岩局部温度上升时形变变化，将上述两个变化量输入数据库作为参考量，同类型围岩的同阶段的不同温度变化量或形变量数据整合，取最大值和最小值作为最终参考量，以步骤一中建立的参考数据库为基础，同类型围岩中选择的数据根据岩爆强烈程度分类，包括无岩爆、轻微岩爆、中度岩爆和强烈岩爆，完善并形成“围岩力学参数-岩爆临界形变-岩爆临界温度”数据库；同时每次具有新变量加入的岩爆数据都通过步骤二中的人工智能学习进行对比分析，并通过步骤二中类神经网络算法输入数据库和岩爆预警模型，神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个Softmax层；输入层输入多参量序列，决策层输出岩爆等级及其概率；利用步骤一中的参考数据库对构建的神经网络模型进行训练优化，根据测试样本的分类结果，获得达到岩爆等级分类准确率最高的模型参数，即获得了基于参考信息库和神经网络的隧道爆预警模型。
除上述以获取岩芯时的环境温度作为基础温度进行的等温三轴试验外，还可以在获取岩芯后将岩芯等分为多份样本，并分别在不同环境温度下赋予岩芯不同的基础温度进行三轴试验，获取同类型岩芯在不同基础温度下发生岩爆前夕的温度变化速率与形变速率之间的关联关系，即发现岩芯在何种温度变化加速度下会产生较高的形变加速度并形成岩爆，将试验获得的岩爆前夕温度变化速率与形变变化速率之间的联系通过步骤二中的人工智能学习进行对比分析，并通过步骤二中类神经网络算法输入数据库和岩爆预警模型，获取其他没有试验过的岩芯基础温度下岩爆前夕的岩芯温度变化与形变变化规律，并随人工智能学习样本的增长而不断接近实际数值，作为岩爆预警模型中的岩爆判定依据。
另外，增加台车正常移动情况时，红外温度传感器和激光传感器接收到的信号，多次、并在不同工况下进行试验后，将实验数据存入数据库内作为信号过滤时的参考量。
四、在隧道开挖过程中，在防护台车上加装多个用于监测围岩形变的激光传感器和用于监测围岩温度变化的红外温度传感器，并安装有用于报警的光报警系统，所有红外温度传感器的监测区域将可能发生岩爆的区域全面覆盖，激光传感器能够针对可能发生岩爆的区域的每一点进行监测；随着隧洞的开挖和时间的推移实时更新到岩爆预警模型，从而对预警结果进行实时更新；对现场岩爆进行预警后，通过现场检验预警结果与实际情况是否相符，将该次岩爆及对应的监测信息作为新样本对原有参考数据库进行动态补充和更新，从而不断优化岩爆预警模型。
隧道开挖过程中，防护台车随着开挖一同移动，同时红外温度传感器对可能发生岩爆区域进行监测，发现某区域温度变化异常并与数据库中参考量接近时，激光传感器转向这一区域并对这一区域的形变进行监测，检测结果实时与数据库中的参照量进行比对，利用红外温度传感器和激光传感器自带的简易微机快速处理比较提前内置的数据库中岩爆变形或岩爆升温阀值信息，同时岩爆预警模型也会接收这些实时信息并发出反馈，另外，通过数学函数将防护台车移动过程中激光传感器和红外温度传感器采集到的信号进行过滤，剔除形变曲线中峰值和变化量明显超出现有数据库中参考数值的数据；当红外温度传感器与激光传感器二者中任一检测到的数据与数据库中的参考数据匹配或岩爆预警模型给出危险信号的反馈时，声光报警系统会进行报警，警示工作人员。另外，我们也可以选用灵敏度较高的红外温度传感器对岩爆易发生区进行大面积监测，并在获取当前区域温度异常点后通过激光传感器对异常点的形变量进行监测，同时获取当前区域各温度异常点的温度变化速率以及环境温度，即获取了等温三轴试验中的岩芯的“基础温度”通过对比“围岩力学参数-岩爆临界形变-岩爆临界温度”数据库与岩爆预警模型中设置的有关温度变化加速度与形变变化加速度之间的关联规律，即同时与岩爆前夕温度变化加速度的阀值以及形变变化加速度阀值作对比，判断温度异常区域发生岩爆的可能性以及可能发生的岩爆的剧烈程度。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：包括以下步骤
收集现有隧道开挖过程中传统微震监测和地勘资料，确定不同类型围岩发生岩爆频率较高的位置，建立参考数据库；
将不同围岩的理化指标和力学参数作为围岩分类的标准，并记载在数据库中，通过人工智能学习对具有相近理化指标和力学参数的围岩在同样或接近的环境参量下发生岩爆阶段的温度变化和形变变化量进行比对学习，总结具有相同或者接近的理化指标和力学参数的不同围岩发生岩爆时的温度变化和形变变化量的规律，利用类神经网络算法对步骤一中收集的数据进行分类规整，同时增加环境温度、环境湿度、海拔、隧道开挖掌子面大小等环境参量，并分别根据围岩类型、环境温度、环境湿度、海拔、掌子面大小等参量对步骤一中记载的围岩温度变化和形变变化量进行分类规整；引入代价矩阵来消除或减弱样本类别不平衡带来的不利影响后，构建神经网络模型，并进行模型训练优化，获得基于步骤一中参考数据库的神经网络的隧道岩爆预警模型，将待预警区域预警单元内的多参量信息输入建立的岩爆预警模型，通过预警模型的计算输出预警区域潜在岩爆的等级及其概率；
利用超前地质钻孔获取待掘进区域的岩芯，在实验室中进行三轴试验，确定岩爆前兆时围岩局部温度快速上升阶段温度变化；同时检测记录岩爆前夕围岩局部温度上升时形变变化，将上述两个变化量输入数据库作为参考量，以步骤一中建立的参考数据库为基础，完善并形成“围岩力学参数-岩爆临界形变-岩爆临界温度”数据库；同时每次具有新变量加入的岩爆数据都通过步骤二中的人工智能学习进行对比分析，并通过步骤二中类神经网络算法输入数据库和岩爆预警模型；
在隧道开挖过程中，在防护台车上加装多个用于监测围岩形变的激光传感器和用于监测围岩温度变化的红外温度传感器，并安装有用于报警的光报警系统，所有红外温度传感器的监测区域将可能发生岩爆的区域全面覆盖，激光传感器能够针对可能发生岩爆的区域的每一点进行监测；随着隧洞的开挖和时间的推移实时更新到岩爆预警模型，从而对预警结果进行实时更新；对现场岩爆进行预警后，通过现场检验预警结果与实际情况是否相符，将该次岩爆及对应的监测信息作为新样本对原有参考数据库进行动态补充和更新，从而不断优化岩爆预警模型
隧道开挖过程中，防护台车随着开挖一同移动，同时红外温度传感器对可能发生岩爆区域进行监测，发现某区域温度变化异常并与数据库中参考量接近时，激光传感器转向这一区域并对这一区域的形变进行监测，检测结果实时与数据库中的参照量进行比对，利用红外温度传感器和激光传感器自带的简易微机快速处理比较提前内置的数据库中岩爆变形或岩爆升温阀值信息，同时岩爆预警模型也会接收这些实时信息并发出反馈，当红外温度传感器与激光传感器二者中任一检测到的数据与数据库中的参考数据匹配或岩爆预警模型给出危险信号的反馈时，声光报警系统会进行报警，警示工作人员。
2.根据权利要求1所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：步骤三中，利用超前地质钻孔获取岩芯后对岩芯测温，并在等温环境条件下进行三轴试验。
3.根据权利要求2所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：所述步骤三中，获取岩芯后将岩芯等分为多份样本，并分别在不同环境温度下赋予岩芯不同的基础温度进行三轴试验，获取同类型岩芯在不同基础温度下发生岩爆前夕的温度变化速率与形变速率之间的关联关系，即发现岩芯在何种温度变化加速度下会产生较高的形变加速度并形成岩爆，将此种关联关系作为“围岩力学参数-岩爆临界形变-岩爆临界温度”数据库和岩爆预警模型中判定岩爆发生可能性的依据。
4.根据权利要求3所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：所述步骤三中，将试验获得的岩爆前夕温度变化速率与形变变化速率之间的联系通过步骤二中的人工智能学习进行对比分析，并通过步骤二中类神经网络算法输入数据库和岩爆预警模型，获取其他没有试验过的岩芯基础温度下岩爆前夕的岩芯温度变化与形变变化规律，并随人工智能学习样本的增长而不断接近实际数值，作为岩爆预警模型中的岩爆判定依据。
5.根据权利要求1所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：所述步骤二中，随机选用80%的数据作为训练样本，选用剩余20%的样本作为测试样本。
6.根据权利要求1所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：将步骤三中同类型围岩中选择的数据根据岩爆强烈程度分类，包括无岩爆、轻微岩爆、中度岩爆和强烈岩爆，且步骤四中的声光报警系统会根据不同类别的岩爆发出不同的警示信号。
7.根据权利要求1所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：将步骤三中同类型围岩的同阶段的不同温度变化量或形变量数据整合，取最大值和最小值作为最终参考量。
8.根据权利要求1所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：所述步骤二中的神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个Softmax层；输入层输入多参量序列，决策层输出岩爆等级及其概率；利用步骤一中的参考数据库对构建的神经网络模型进行训练优化，根据测试样本的分类结果，获得达到岩爆等级分类准确率最高的模型参数，即获得了基于参考信息库和神经网络的隧道爆预警模型。
9.根据权利要求1所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：通过数学函数将防护台车移动过程中激光传感器和红外温度传感器采集到的信号进行过滤，剔除形变曲线中峰值和变化量明显超出现有数据库中参考数值的数据。
10.根据权利要求9所述的非接触式隧道工程施工岩爆实时预报优化方法，其特征在于：在步骤三中增加台车正常移动情况时，红外温度传感器和激光传感器接收到的信号，多次、并在不同工况下进行试验后，将实验数据存入数据库内作为信号过滤时的参考量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412765.1A CN111520192B (zh) | 2020-05-15 | 2020-05-15 | 非接触式隧道工程施工岩爆实时预报优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412765.1A CN111520192B (zh) | 2020-05-15 | 2020-05-15 | 非接触式隧道工程施工岩爆实时预报优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111520192A true CN111520192A (zh) | 2020-08-11 |
| CN111520192B CN111520192B (zh) | 2021-10-22 |
Family
ID=71906338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010412765.1A Active CN111520192B (zh) | 2020-05-15 | 2020-05-15 | 非接触式隧道工程施工岩爆实时预报优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111520192B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112145201A (zh) * | 2020-10-23 | 2020-12-29 | 中铁十六局集团有限公司 | 防护台车及非接触式隧道施工岩爆预警防护系统搭建方法 |
| CN113958369A (zh) * | 2021-11-10 | 2022-01-21 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其系统 |
| CN114233397A (zh) * | 2022-02-24 | 2022-03-25 | 中铁十二局集团山西建筑构件有限公司 | 一种基于空陆两栖机器人的隧道施工岩爆预警系统 |
| CN114371270A (zh) * | 2021-12-03 | 2022-04-19 | 中铁第四勘察设计院集团有限公司 | 原位测试方法及系统 |
| WO2022082696A1 (zh) * | 2020-10-23 | 2022-04-28 | 中铁十六局集团有限公司 | 防护台车及非接触式隧道施工岩爆预警防护系统搭建方法 |
| CN114483024A (zh) * | 2022-04-18 | 2022-05-13 | 中国矿业大学(北京) | 岩爆等级原位评价与控制设计方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3100984A1 (de) * | 1981-01-15 | 1982-07-29 | Bergwerksverband Gmbh, 4300 Essen | Verfahren zur ermittlung, ueberwachung und zum abbau der gebirgsschlaggefahr |
| DE3337607A1 (de) * | 1983-10-15 | 1985-05-09 | Bergwerksverband Gmbh, 4300 Essen | Verfahren zur gefahrensfrueherkennung bei gebirgsschlaggefaehrdung und vorrichtung zur durchfuehrung des verfahrens |
| CN102749660A (zh) * | 2012-06-26 | 2012-10-24 | 中国人民解放军第二炮兵工程设计研究所 | 高地应力地区近水平岩层岩爆的综合预报方法 |
| CN104763470A (zh) * | 2015-03-27 | 2015-07-08 | 辽宁工程技术大学 | 矿用一孔多指标智能预警冲击地压系统及方法 |
| CN105158813A (zh) * | 2015-09-21 | 2015-12-16 | 中国矿业大学 | 基于红外辐射温度场的冲击地压灾害前兆识别的方法 |
| CN105179018A (zh) * | 2015-10-16 | 2015-12-23 | 辽宁工程技术大学 | 一种煤矿冲击地压检测方法 |
| CN105676268A (zh) * | 2016-01-15 | 2016-06-15 | 广西大学 | 一种基于声音信号波形变化特征的应变型岩爆预警方法 |
| CN106285782A (zh) * | 2016-08-30 | 2017-01-04 | 中国矿业大学(北京) | 一种复杂地质赋存环境下的冲击地压预警方法及系统 |
| CN106370306A (zh) * | 2016-09-14 | 2017-02-01 | 中国矿业大学(北京) | 一种岩爆灾害红外热像预警识别的方法 |
| CN108519282A (zh) * | 2018-03-16 | 2018-09-11 | 武汉理工大学 | 一种模拟不同类型岩爆的试验方法 |
| CN110107358A (zh) * | 2019-05-01 | 2019-08-09 | 山东科技大学 | 一种巷道掘进期间的大范围岩爆危险性预测方法 |
| CN110134753A (zh) * | 2019-05-21 | 2019-08-16 | 中国科学院武汉岩土力学研究所 | 一种基于gis框架的深埋超长隧道岩爆风险评估方法 |
| CN110298503A (zh) * | 2019-06-26 | 2019-10-01 | 东北大学 | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 |
-
2020
- 2020-05-15 CN CN202010412765.1A patent/CN111520192B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3100984A1 (de) * | 1981-01-15 | 1982-07-29 | Bergwerksverband Gmbh, 4300 Essen | Verfahren zur ermittlung, ueberwachung und zum abbau der gebirgsschlaggefahr |
| DE3337607A1 (de) * | 1983-10-15 | 1985-05-09 | Bergwerksverband Gmbh, 4300 Essen | Verfahren zur gefahrensfrueherkennung bei gebirgsschlaggefaehrdung und vorrichtung zur durchfuehrung des verfahrens |
| CN102749660A (zh) * | 2012-06-26 | 2012-10-24 | 中国人民解放军第二炮兵工程设计研究所 | 高地应力地区近水平岩层岩爆的综合预报方法 |
| CN104763470A (zh) * | 2015-03-27 | 2015-07-08 | 辽宁工程技术大学 | 矿用一孔多指标智能预警冲击地压系统及方法 |
| CN105158813A (zh) * | 2015-09-21 | 2015-12-16 | 中国矿业大学 | 基于红外辐射温度场的冲击地压灾害前兆识别的方法 |
| CN105179018A (zh) * | 2015-10-16 | 2015-12-23 | 辽宁工程技术大学 | 一种煤矿冲击地压检测方法 |
| CN105676268A (zh) * | 2016-01-15 | 2016-06-15 | 广西大学 | 一种基于声音信号波形变化特征的应变型岩爆预警方法 |
| CN106285782A (zh) * | 2016-08-30 | 2017-01-04 | 中国矿业大学(北京) | 一种复杂地质赋存环境下的冲击地压预警方法及系统 |
| CN106370306A (zh) * | 2016-09-14 | 2017-02-01 | 中国矿业大学(北京) | 一种岩爆灾害红外热像预警识别的方法 |
| CN108519282A (zh) * | 2018-03-16 | 2018-09-11 | 武汉理工大学 | 一种模拟不同类型岩爆的试验方法 |
| CN110107358A (zh) * | 2019-05-01 | 2019-08-09 | 山东科技大学 | 一种巷道掘进期间的大范围岩爆危险性预测方法 |
| CN110134753A (zh) * | 2019-05-21 | 2019-08-16 | 中国科学院武汉岩土力学研究所 | 一种基于gis框架的深埋超长隧道岩爆风险评估方法 |
| CN110298503A (zh) * | 2019-06-26 | 2019-10-01 | 东北大学 | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张岩: "热-力耦合作用下砂岩力学特性的温度效应及岩爆判据研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112145201A (zh) * | 2020-10-23 | 2020-12-29 | 中铁十六局集团有限公司 | 防护台车及非接触式隧道施工岩爆预警防护系统搭建方法 |
| WO2022082696A1 (zh) * | 2020-10-23 | 2022-04-28 | 中铁十六局集团有限公司 | 防护台车及非接触式隧道施工岩爆预警防护系统搭建方法 |
| US11920474B2 (en) | 2020-10-23 | 2024-03-05 | China Railway 16Th Bureau Group Co., Ltd. | Protecting trolley and construction method of rock burst prewarning protection system in non-contact tunnel construction |
| CN113958369A (zh) * | 2021-11-10 | 2022-01-21 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其系统 |
| CN113958369B (zh) * | 2021-11-10 | 2023-10-20 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其系统 |
| CN114371270A (zh) * | 2021-12-03 | 2022-04-19 | 中铁第四勘察设计院集团有限公司 | 原位测试方法及系统 |
| CN114371270B (zh) * | 2021-12-03 | 2024-03-15 | 中铁第四勘察设计院集团有限公司 | 原位测试方法及系统 |
| CN114233397A (zh) * | 2022-02-24 | 2022-03-25 | 中铁十二局集团山西建筑构件有限公司 | 一种基于空陆两栖机器人的隧道施工岩爆预警系统 |
| CN114483024A (zh) * | 2022-04-18 | 2022-05-13 | 中国矿业大学(北京) | 岩爆等级原位评价与控制设计方法 |
| CN114483024B (zh) * | 2022-04-18 | 2022-07-15 | 中国矿业大学(北京) | 岩爆等级原位评价与控制设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111520192B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111520192B (zh) | 非接触式隧道工程施工岩爆实时预报优化方法 | |
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| CN106198749B (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
| CN111520193B (zh) | 非接触式隧道工程施工岩爆实时预报方法 | |
| CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
| CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
| CN113639849B (zh) | 基于固有振动频率的隧道围岩块体垮塌监测方法及系统 | |
| CN104504265B (zh) | 一种在役桥梁监测信息安全评估的方法 | |
| Sands et al. | Output-only structural damage detection via enhanced random vibration analysis using LSTM/GRU model | |
| Farrar et al. | Integrated structural health monitoring | |
| CN116204784B (zh) | 一种基于das的地铁隧道外部危害作业入侵识别方法 | |
| AU2021290913B2 (en) | Method for monitoring a railway track and monitoring system for monitoring a railway track | |
| CN112071009B (zh) | 光纤管道预警系统及其方法 | |
| Sohn et al. | Structural health monitoring of welded connections | |
| Marrongelli et al. | An artificial intelligence strategy to detect damage from response measurements: application on an ancient tower | |
| CN117345344B (zh) | 一种矿井声电信号智能预测方法与系统 | |
| Zhang et al. | Artificial intelligence-based distributed acoustic sensing enables automated identification of wire breaks in prestressed concrete cylinder pipe | |
| Li et al. | Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage | |
| CN116906837B (zh) | 地下管线的状态监测系统及监测方法 | |
| CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 | |
| CN118549532A (zh) | 一种公路桥梁安全性监测方法及装置 | |
| CN117970533B (zh) | 一种基于大气电场的雷电初生预报方法 | |
| CN116680646B (zh) | 飞机荷载桥梁损伤识别方法、装置、电子设备及存储介质 | |
| CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 | |
| Krampikowska et al. | Acoustic emission for diagnosing cable way steel support towers |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240821 Address after: 100020 Beili 2, Korean Pine Garden, Chaoyang District, Beijing Patentee after: CHINA RAILWAY 16TH BUREAU GROUP Co.,Ltd. Country or region after: China Patentee after: China Railway 16th Bureau Group Caofeidian Heavy Industry Machinery Co.,Ltd. Address before: 100020 Beili 2, Korean Pine Garden, Chaoyang District, Beijing Patentee before: CHINA RAILWAY 16TH BUREAU GROUP Co.,Ltd. Country or region before: China Patentee before: CHINA RAILWAY 16TH BUREAU GROUP BEIJING JIANGONG MACHINERY Co.,Ltd. |
|
| TR01 | Transfer of patent right |