CN111860842B - 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 - Google Patents
一种邻近基坑工程的既有地铁隧道水平位移的预测方法 Download PDFInfo
- Publication number
- CN111860842B CN111860842B CN202010743194.XA CN202010743194A CN111860842B CN 111860842 B CN111860842 B CN 111860842B CN 202010743194 A CN202010743194 A CN 202010743194A CN 111860842 B CN111860842 B CN 111860842B
- Authority
- CN
- China
- Prior art keywords
- foundation pit
- tunnel
- horizontal displacement
- subway tunnel
- monitoring
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000009412 basement excavation Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种邻近基坑工程的既有地铁隧道水平位移的预测方法:以隧道轴向为x轴方向,取第一个监测点位置为x轴零点,以各监测点的监测数据为数据点,绘制Sw、Sm随隧道轴向位置的分步曲线;记基坑围护结构与邻近上、下行隧道的水平距离L;得到不同的开挖深度以及各开挖深度对应的累积水平位移;得到不同的支撑轴力以及各支撑轴力对应的累积水平位移;数据输入BP神经网络模型,进行训练;利用训练后的神经网络模型对同一基坑开挖深度产生的地铁隧道水平位移预测,或者对同一区域其他基坑开挖导致的地铁隧道水平位移预测。本发明为地铁隧道的监测方案设计和优化提供有效依据,同时作为一种方法可对隧道的监测结果进行验证和补充。
Description
技术领域
本发明涉及一种方法,更具体地说,是涉及一种邻近基坑工程的既有地铁隧道水平位移的预测方法。
背景技术
随着地下空间的开发与城市轨道交通的发展,邻近地铁隧道的深基坑工程比比皆是。这些邻近开挖会对地铁隧道造成不利影响,故也成为国内外学者普遍关注的问题。基坑的开挖过程即土体的卸荷过程,会造成坑底土体的回弹与隆起,打破地层原有应力场的平衡,引起周围土体的应力重分布,对邻近地铁隧道产生了附加应力与附加位移,坑壁周围土体会向坑内移动,同时带动隧道结构产生附加位移,由于目前城市轨道中的隧道类型多为盾构型,是由混凝土管片拼接而成,其接缝部分较为薄弱,过大的附加位移会使管片产生错台、裂缝等磨损,出现隧道大范围的破坏与倒塌现象,从而影响隧道结构的稳定与运行安全。因此有必要针对基坑开挖对邻近地铁隧道的变形情况进行研究与分析。
目前,对于邻近基坑工程一侧的地铁隧道变形预测的方法主要有两种:数值模拟和实测分析。数值方法能够模拟基坑开挖过程中土体变形特性及深基坑工程的复杂性,可以反映基坑开挖及支护结构施工顺序,但是,数值计算存在以下主要问题,一是土体的本构模型的选择,这种复杂应力路径条件下的本构关系目前尚在探讨中,远没有达到工程应用的阶段。二是这一问题还涉及复杂的边界效应,结构物与土边界面设定等等问题,使得在没有足够多的工程经验以及熟练掌握相关有限元程序的条件下,利用数值方法获得具有足够精度的结果的可能性较小。
实测分析预测是指基于各类监测手段,由实测资料与工程记录经过数学处理,得出适合于工程应用的结论,对施工具有较好的指导作用。相比于数值方法,实测方法基于实测数据,能更好的反映工程现场的综合条件。但实测方法是基于已有数据的分析,由于无法建立确定的数量关系,由某一工程得到的结果,对于其他工程,往往只能对不同因素对邻近隧道变形的影响进行定性的判断,而无法获得相应的定量预测结果。
发明内容
本发明的目的是为了克服现有技术中的不足,基于基坑的各类监测数据,采用机器学习的方法提出一种邻近基坑工程的既有地铁隧道水平位移的预测方法,一方面可以优化地铁隧道的监测点布置,另一方面也可以对地铁隧道监测的可靠性做出评估。
本发明的目的是通过以下技术方案实现的。
本发明邻近基坑工程的既有地铁隧道水平位移的预测方法,基坑开挖过程中,对基坑和侧邻基坑的隧道结构进行三维监测,根据监测结果,分析靠近隧道一侧基坑围护结构和隧道结构的水平位移特征,具体过程如下:
(1)记基坑围护结构的累计水平位移实测值为Sw,隧道结构的累计水平位移实测值为Sm;以隧道轴向为x轴方向,取第一个监测点位置为x轴零点,以各监测点的监测数据为数据点,绘制Sw、Sm随隧道轴向位置的分步曲线;
(2)记基坑围护结构与邻近上、下行隧道的水平距离L,如果基坑围护结构在平面上与隧道轴线不平行,或者基坑围护结构在平面上不规则,即沿为x轴方向不为一条直线,则需考虑L的不一致性,记为L1、L2、L3......Ln;
(3)记基坑开挖深度为D,得到开挖深度D1、D2、D3......Dn以及与各个开挖深度对应的累积水平位移Swd1、Swd2、Swd3......Swdn;
(4)记基坑支撑的轴力为F,得到支撑轴力F1、F2、F3......Fn以及与各个支撑轴力对应的累积水平位移SwF1、SwF2、SwF3......SwFn;
(5)将上述步骤(1)-(4)的数据输入BP神经网络模型,进行模型训练;其中,输入层包括水平距离L、基坑开挖深度D、基坑支撑的轴力F、各个开挖深度对应的累积水平位移Swd、各个支撑轴力对应的累积水平位移SwF,输出层为隧道结构的累计水平位移实测值Sm;
(6)利用训练后的神经网络模型对同一基坑更深的开挖深度可能产生的地铁隧道水平位移进行预测;或者利用训练后的神经网络模型对同一区域其他基坑开挖可能导致的地铁隧道的水平位移进行预测,从而优化基坑设计以及维护地铁隧道运行安全。
步骤(5)中在进行模型训练时,
确定利用基坑的监测数据可以预测的地铁隧道水平位移的范围,即确定地铁隧道的监测范围;所谓监测范围是指基坑围护结构参数可以预测的地铁隧道的长度范围,实际上是在确定基坑开挖对地铁隧道的影响范围;利用神经网络通过迭代的方法,采用均方根误差RMSE来进行误差分析,当RMSE<10-1认为误差满足精度要求,所得到的监测范围可以用于预测地铁隧道的水平位移;
在确定训练样本数量以后,控制神经网络其他参数以及影响隧道变形的其他因素不变,仅改变隐含层节点数来训练网络,对已有的训练网络进行隐含层神经元数进行调试,从隐含层节点数为1开始,寻求RMSE最小值,即网络最优情况;绘制不同隐含层节点数的RMSE图,最后一次转折点即为最优节点。
与现有技术相比,本发明的技术方案所带来的有益效果是:
综上所述,本发明针对邻近隧道的水平位移,基于基坑围护结构的各类监测数据,考虑基坑围护结构的水平位移,基坑开挖深度,基坑与隧道的水平相对位置和支撑轴力,通过训练神经网络,提出一种新的地铁隧道水平位移的预测方法。较之前的预测方法思路更加新颖,且基于实测数据,更符合工程需要。
附图说明
图1是基坑与邻近地铁隧道位置关系及监测点平面布置图;
图2是最后一期开挖基坑围护结构以及地铁隧道的累计水平位移实测值;
图3是不同隐含层节点数隧道预测RMSE图;
图4是最后一开挖完毕隧道累计水平位移实测值与预测值对比。
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。
本发明邻近基坑工程的既有地铁隧道水平位移的预测方法,基坑开挖过程中,对基坑和侧邻基坑的隧道结构进行三维监测,根据监测结果,分析靠近隧道一侧基坑围护结构(后面简称“基坑围护结构”)和隧道结构的水平位移特征。对于基坑围护结构和临近隧道结构的水平位移,可按下列步骤依次进行。
(1)记基坑围护结构的累计水平位移实测值为Sw,隧道结构的累计水平位移实测值为Sm。以隧道轴向为x轴方向,取第一个监测点位置为x轴零点,以各监测点的监测数据为数据点,绘制Sw、Sm随隧道轴向位置的分步曲线(单位:mm),观察其特征。
(2)记基坑围护结构与邻近上、下行隧道的水平距离L(单位:m),如果基坑围护结构在平面上与隧道轴线不平行,或者基坑围护结构在平面上不规则,即沿为x轴方向不为一条直线,则需考虑L的不一致性,记为L1、L2、L3......Ln。
(3)记基坑开挖深度为D,得到开挖深度D1、D2、D3......Dn以及与各个开挖深度对应的累积水平位移Swd1、Swd2、Swd3......Swdn。
(4)记基坑支撑的轴力为F,得到支撑轴力F1、F2、F3......Fn与各个支撑轴力对应的累积水平位移SwF1、SwF2、SwF3......SwFn。
(5)将上述步骤(1)-(4)的数据输入BP神经网络模型,进行模型训练。其中,输入层包括上述获得的数据,即水平距离L、基坑开挖深度D、基坑支撑的轴力F、各个开挖深度对应的累积水平位移Swd、各个支撑轴力对应的累积水平位移SwF,输出层为隧道结构的累计水平位移实测值Sm。
在进行训练时,首先需要确定利用基坑的监测数据可以预测的地铁隧道水平位移的范围,即确定地铁隧道的监测范围。所谓监测范围是指基坑围护结构参数可以预测的地铁隧道的长度范围。这一步骤实际上是在确定基坑开挖对地铁隧道的影响范围。利用神经网络通过迭代的方法,采用均方根误差RMSE来进行误差分析,当RMSE<10-1认为误差满足精度要求,所得到的监测范围可以用于预测地铁隧道的水平位移。合理确定这一范围对于准确确定地铁隧道位移具有重要的意义。监测范围小则样本数量小,反之,则样本数量大。在输入、输出神经元、隐含层神经元、权重、阈值及其他因素稳定的情况下,样本数量的大小会直接影响网络的训练及预测效果。
在确定训练样本数量以后,控制神经网络其他参数以及影响隧道变形的其他因素不变,仅改变隐含层节点数来训练网络,对已有的训练网络进行隐含层神经元数进行调试,从隐含层节点数为1开始,寻求RMSE最小值,即网络最优情况。绘制不同隐含层节点数的RMSE图,最后一次转折点即为最优节点。采用这种方法对于该问题可以获得较好的预测效果。
(6)采用上述方法得到训练后的神经网络模型,训练后的神经网络模型可作为进行地铁隧道水平向位移的预测模型进行基坑开挖条件下地铁隧道水平位移的预测。利用训练后的神经网络模型对同一基坑更深的开挖深度可能产生的地铁隧道水平位移进行预测;或者利用训练后的神经网络模型对同一区域其他基坑开挖可能导致的地铁隧道的水平位移进行预测,从而优化基坑设计以及维护地铁隧道运行安全。
具体实施例
本实施例为天津某邻近地铁隧道的基坑工程,其位置关系及监测点布置平面图如图1所示。本发明的邻近基坑工程的既有地铁隧道的水平位移预测方法,具体实现过程如下:
(1)记基坑围护结构的累计水平位移实测值为Sw,隧道的累计水平位移实测值为Sm。以隧道轴向为x轴方向,取第一个监测点位置为x轴零点,以各监测点的监测数据为数据点,绘制Sw、Sm随隧道轴向位置的分步曲线(单位:mm),观察其特征,如图2。
(2)记基坑围护结构与邻近上、下行隧道的水平距离L(单位:m),如果围护结构在平面上与隧道轴线不平行,或者围护结构在平面上不规则(即沿为x轴方向不为一条直线),则需考虑L的不一致性,记为L1、L2、L3......Ln。
(3)记基坑开挖深度为D,得到开挖深度D1、D2、D3......Dn以及与各个开挖深度对应的累积水平位移Swd1、Swd2、Swd3......Swdn。
(4)记基坑支撑的轴力为F,得到支撑轴力F1、F2、F3......Fn以及与各个支撑轴力对应的累积水平位移SwF1、SwF2、SwF3......SwFn。
(5)将上述数据输入BP神经网络模型,进行模型训练。其中,确定地铁隧道的监测范围为86米,对应的样本数量为20个。据此获得BP神经网络输入层的训练样本见表1。
表1神经网络训练样本
在确定训练样本数量以后,控制网络其他参数以及影响隧道变形的其他因素不变,仅改变隐含层节点数来训练网络,对已有的训练网络进行隐含层神经元数进行调试,从隐含层节点数为1开始,寻求RMSE最小值,即网络最优情况。绘制不同隐含层节点数的RMSE图,最后一次转折点即为最优节点,见图3。得到最优节点数为8。利用表1的参数训练神经网络,得到实测值与预测值的比较,见图4,(a)下行,(b)上行。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,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之内。
Claims (1)
1.一种邻近基坑工程的既有地铁隧道水平位移的预测方法,其特征在于,基坑开挖过程中,对基坑和侧邻基坑的隧道结构进行三维监测,根据监测结果,分析靠近隧道一侧基坑围护结构和隧道结构的水平位移特征,具体过程如下步骤:
(1)记基坑围护结构的累计水平位移实测值为sw,隧道结构的累计水平位移实测值为sm;以隧道轴向为x轴方向,取第一个监测点位置为x轴零点,以各监测点的监测数据为数据点,绘制sw、sm随隧道轴向位置的分步曲线;
(2)记基坑围护结构与邻近上、下行隧道的水平距离L,如果基坑围护结构在平面上与隧道轴线不平行,或者基坑围护结构在平面上不规则,即沿为x轴方向不为一条直线,则需考虑L的不一致性,记为L1、L2、L3......Ln;
(3)记基坑开挖深度为D,得到开挖深度D1、D2、D3......Dn以及与各个开挖深度对应的累积水平位移Swd1、Swd2、Swd3......Swdn;
(4)记基坑支撑的轴力为F,得到支撑轴力F1、F2、F3......Fn以及与各个支撑轴力对应的累积水平位移SwF1、SwF2、SwF3......SwFn;
(5)将上述步骤(1)-(4)的数据输入BP神经网络模型,进行模型训练;其中,输入层包括水平距离L、基坑开挖深度D、基坑支撑的轴力F、各个开挖深度对应的累积水平位移Swd、各个支撑轴力对应的累积水平位移SwF,输出层为隧道结构的累计水平位移实测值Sm;
在进行模型训练时,确定利用基坑的监测数据预测的地铁隧道水平位移的范围,即确定地铁隧道的监测范围;所谓监测范围是指基坑围护结构参数预测的地铁隧道的长度范围,实际上是在确定基坑开挖对地铁隧道的影响范围;利用神经网络通过迭代的方法,采用均方根误差RMSE来进行误差分析,当RMSE<10-1认为误差满足精度要求,所得到的监测范围用于预测地铁隧道的水平位移;
在确定训练样本数量以后,控制神经网络其他参数以及影响隧道变形的其他因素不变,仅改变隐含层节点数来训练网络,对已有的训练网络进行隐含层神经元数进行调试,从隐含层节点数为1开始,寻求RMSE最小值,即网络最优情况;绘制不同隐含层节点数的RMSE图,最后一次转折点即为最优节点;
(6)利用训练后的神经网络模型对同一基坑更深的开挖深度产生的地铁隧道水平位移进行预测;或者利用训练后的神经网络模型对同一区域其他基坑开挖导致的地铁隧道的水平位移进行预测,从而优化基坑设计以及维护地铁隧道运行安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743194.XA CN111860842B (zh) | 2020-07-29 | 2020-07-29 | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743194.XA CN111860842B (zh) | 2020-07-29 | 2020-07-29 | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860842A CN111860842A (zh) | 2020-10-30 |
CN111860842B true CN111860842B (zh) | 2024-01-26 |
Family
ID=72945091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010743194.XA Active CN111860842B (zh) | 2020-07-29 | 2020-07-29 | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860842B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989262A (zh) * | 2021-02-02 | 2021-06-18 | 中铁十一局集团有限公司 | 一种考虑基坑开挖过程的邻近隧道最大水平位移预测方法 |
CN116227267A (zh) * | 2022-12-29 | 2023-06-06 | 东南大学 | 一种基坑开挖影响区及坑外既有隧道位移预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699774A (zh) * | 2013-11-26 | 2014-04-02 | 上海城建市政工程(集团)有限公司 | 一种流变性地层基坑开挖长时位移预测评价方法 |
CN106339554A (zh) * | 2016-08-29 | 2017-01-18 | 浙江大学城市学院 | 一种基坑开挖引起邻近既有地铁隧道位移的计算方法 |
CN109183861A (zh) * | 2018-10-15 | 2019-01-11 | 建研地基基础工程有限责任公司 | 一种基于mems传感器的基坑智能监测方法及监测系统 |
CN110727985A (zh) * | 2019-09-30 | 2020-01-24 | 天津大学 | 一种邻近基坑工程的既有地铁隧道竖向变形的预测方法 |
CN111461457A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
-
2020
- 2020-07-29 CN CN202010743194.XA patent/CN111860842B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699774A (zh) * | 2013-11-26 | 2014-04-02 | 上海城建市政工程(集团)有限公司 | 一种流变性地层基坑开挖长时位移预测评价方法 |
CN106339554A (zh) * | 2016-08-29 | 2017-01-18 | 浙江大学城市学院 | 一种基坑开挖引起邻近既有地铁隧道位移的计算方法 |
CN109183861A (zh) * | 2018-10-15 | 2019-01-11 | 建研地基基础工程有限责任公司 | 一种基于mems传感器的基坑智能监测方法及监测系统 |
CN110727985A (zh) * | 2019-09-30 | 2020-01-24 | 天津大学 | 一种邻近基坑工程的既有地铁隧道竖向变形的预测方法 |
CN111461457A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
Non-Patent Citations (3)
Title |
---|
基坑开挖对邻近既有地铁结构变形影响的数值分析与研究;陈涛 等;《勘查科学技术》(第3期);第1-7页 * |
深基坑工程施工变形监测与数值模拟对比分析研究;陈涛 等;《矿产勘查》;第9卷(第6期);第1299-1306页 * |
深基坑开挖施工对临近地铁结构受力性状的影响;陈涛 等;《水利与建筑工程学报》;第16卷(第3期);第54-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860842A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Rock engineering design | |
CN111860842B (zh) | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 | |
US10961826B2 (en) | Subsurface modeler workflow and tool | |
EA015435B1 (ru) | Способ моделирования технологических показателей скважин | |
CN110727985B (zh) | 一种邻近基坑工程的既有地铁隧道竖向变形的预测方法 | |
CN112035937B (zh) | 一种隧道施工围岩变形分析及信息化施工方法 | |
CN112989262A (zh) | 一种考虑基坑开挖过程的邻近隧道最大水平位移预测方法 | |
WO2020228574A1 (zh) | 一种隧道地质条件协同预测方法 | |
CN105019892A (zh) | 一种模拟缝洞型储集体电测井响应的方法 | |
CN103883311A (zh) | 一种复合导向钻井入靶形势预测方法 | |
CN103967479A (zh) | 一种旋转导向钻井入靶形势预测方法 | |
CN111459955A (zh) | 一种基于gis平台的三维地质结构模型自动更新方法及系统 | |
CN108868777B (zh) | 一种隧道不良地质围岩综合探治施工方法 | |
CN109711063A (zh) | 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置 | |
Andersson et al. | Site investigations: Strategy for rock mechanics site descriptive model | |
Zhang et al. | Dynamic back analysis of soil deformation during the construction of deep cantilever foundation pits | |
CN114969884A (zh) | 一种盾构隧道开挖过程及地表变形三维有限差分数值模拟方法 | |
CN114200538B (zh) | 地应力方向确定方法、装置、存储介质和计算机设备 | |
CN111815769B (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
CN114021228A (zh) | 一种隧道涌水量预测方法 | |
CN112381283A (zh) | 一种隧道病害整治方法 | |
CN113565488B (zh) | 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法 | |
Lee et al. | Overview of CO2-EOR operation plan in Meruap field | |
Xu et al. | Study on settlement influence of newly excavated tunnel undercrossing large diameter pipeline | |
CN113378423B (zh) | 城轨保护mjs工法桩智能反分析快速反演方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 300191 No. 428 Hongqi South Road, Tianjin, Nankai District Applicant after: Tianjin survey and Design Institute Group Co.,Ltd. Address before: 300191 No. 428 Hongqi South Road, Tianjin, Nankai District Applicant before: TIANJIN INSTITUTE OF GEOTECHNICAL INVESTIGATION & SURVEYING |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |