CN112580165B - 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 - Google Patents
一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 Download PDFInfo
- Publication number
- CN112580165B CN112580165B CN202011468208.8A CN202011468208A CN112580165B CN 112580165 B CN112580165 B CN 112580165B CN 202011468208 A CN202011468208 A CN 202011468208A CN 112580165 B CN112580165 B CN 112580165B
- Authority
- CN
- China
- Prior art keywords
- tbm
- cutter head
- card machine
- machine
- geological
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000000903 blocking effect Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000005553 drilling Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000011435 rock Substances 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 8
- 238000013531 bayesian neural network Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims 2
- 230000037396 body weight Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005641 tunneling Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种敞开式TBM穿越不良地质刀盘卡机预测方法及系统，建立TBM刀盘卡机力学模型；基于所述卡机力学模型，分析发生刀盘卡机时，刀盘受到摩擦力矩，建立TBM刀盘卡机从定性到定量的表达；根据TBM卡机力学表达式，分析TBM刀盘卡机的机理，获得影响TBM卡机的主控地质参数的关系映射；确定地球物理法以及超前钻探获得的探测结果与主控地质参数的关系，基于现场实际刀盘卡机案例，根据当时获得的探测结果训练神经网络模型；获取实际探测结果，将探测结果加入到训练好的神经网络模型中，得到TBM刀盘卡机的概率，本发明能够提前感知前方隧道施工卡机的概率，为TBM隧道修建提供保障，减少TBM刀盘卡机的次数，保证TBM安全、高效地施工。
Description
技术领域
本发明属于地质探测技术领域，具体涉及一种敞开式TBM穿越不良地质刀盘卡机预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
我国已是世界上隧道(洞)修建规模和难度最大的国家，在水利水电和交通工程等领域正在或即将建设一批具有“埋深大、洞线长、地质复杂、地形险峻、灾害频发”等显著特点的深长隧道。与钻爆方法相比，TBM施工具有“掘进速度快、成洞质量高、综合经济效益高、施工安全文明”等显著优势。然而，TBM施工对不良地质的适应性较差，一旦遭遇断层破碎带、软弱地层、岩溶等不良地质，时常出现塌方、突水突泥等灾害，极易导致TBM异常损毁和卡机事故，进而造成工期延误、经济损失甚至人员伤亡等严重问题，TBM卡机已经成为隧道施工过程中的一项重大施工难题。
目前现有的技术主要针对TBM护盾卡机提出相应的预测方法和发明相关的检测系统，未对TBM刀盘卡机提出相应的预测方法，在TBM刀盘卡机方面存在技术空白。
发明内容
本发明为了解决上述问题，提出了一种敞开式TBM穿越不良地质刀盘卡机预测方法及系统，本发明能够提前感知前方隧道施工卡机的概率，为TBM隧道修建提供保障，减少TBM刀盘卡机的次数，保证TBM安全、高效地施工。
根据一些实施例，本发明采用如下技术方案：
一种敞开式TBM穿越不良地质刀盘卡机预测方法，包括以下步骤：
A、建立TBM刀盘卡机力学模型；
B、基于所述卡机力学模型，分析发生刀盘卡机时，刀盘受到摩擦力矩，建立TBM刀盘卡机从定性到定量的表达；
C、根据TBM卡机力学表达式，分析TBM刀盘卡机的机理，获得影响TBM卡机的主控地质参数的关系映射；
D、确定地球物理法以及超前钻探获得的探测结果与主控地质参数的关系，基于现场实际刀盘卡机案例，根据当时获得的探测结果训练神经网络模型；
E、获取实际探测结果，将探测结果加入到训练好的神经网络模型中，得到TBM刀盘卡机的概率。
作为可选择的实施方式，所述步骤B中，TBM刀盘卡机的定量表达式如下：
摩擦扭矩T＝T1+T2+T3(1)
其中，T1为刀盘表面坍塌体主动应力产生的摩擦扭矩：
T2为刀盘侧面坍塌体主动应力产生的摩擦扭矩：
T3为刀盘顶面坍塌体重力产生的摩擦扭矩：
T3＝∫μ2γ(h+R-Rsinα)R2bdα (4)
式中：μ1为刀盘表面与坍塌体的摩擦系数，γ为坍塌体重度，h为坍塌体高于刀盘顶点的高度，
为坍塌体的内摩擦角，R为刀盘半径，μ2为刀盘侧面与坍塌体的摩擦系数，b为刀盘的宽度。
作为可选择的实施方式，所述步骤C中，所述主控地质参数的映射包括：坍塌体的重度、高度以及内摩擦角，建立坍塌体的重度与围岩岩性、含水率以及压实度的关系映射，坍塌体的高度与围岩的风化程度、规模的映射，坍塌体的内摩擦角与岩性、颗粒级配以及含水率的关系映射。
作为可选择的实施方式，所述步骤D中，通过地震波法获得掌子面前方的波速分布，估计前方的围岩破碎情况，激发极化法获得掌子面前方的电阻率和极化率的分布，估计前方含水体的情况，超前钻探法获得掌子面前方的围岩岩性结果，分析其与主控地质参数的关系，输入坍塌体岩性、含水率、颗粒级配、风化程度、破碎带规模来训练神经网络模型。
作为可选择的实施方式，所述步骤E中，获取实际探测结果包括：通过地震波法获得掌子面前方的波速分布，估计前方的围岩破碎情况，激发极化法获得掌子面前方的电阻率和极化率的分布，估计前方含水体的情况，超前钻探法获得掌子面前方的围岩岩性结果。
作为可选择的实施方式，所述神经网络模型为贝叶斯神经网络。
一种敞开式TBM穿越不良地质刀盘卡机预测系统，包括：
模型建立模块，被配置为建立TBM刀盘卡机力学模型；
定量表达模块，被配置为基于所述卡机力学模型，分析发生刀盘卡机时，刀盘受到摩擦力矩，建立TBM刀盘卡机从定性到定量的表达；
映射模块，被配置为根据TBM卡机力学表达式，分析TBM刀盘卡机的机理，获得影响TBM卡机的主控地质参数的关系映射；
神经网络模块构建模块，被配置为确定地球物理法以及超前钻探获得的探测结果与主控地质参数的关系，基于现场实际刀盘卡机案例，根据当时获得的探测结果训练神经网络模型；
预测模块，被配置为获取实际探测结果，将探测结果加入到训练好的神经网络模型中，得到TBM刀盘卡机的概率。
作为可选择的实施方式，所述神经网络模型为贝叶斯神经网络。
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上述一种敞开式TBM穿越不良地质刀盘卡机预测方法的步骤。
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上述一种敞开式TBM穿越不良地质刀盘卡机预测方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明针对TBM刀盘卡机问题，建立刀盘卡机预测模型，从力学机理上分析刀盘卡机，解决从定性分析到定量表达的难题；
本发明通过TBM刀盘卡机力学模型，建立TBM刀盘卡机与现场主控地质参数参数的关系映射，分析地球物理方法等探测结果与主控参数的关系；
本发明通过地球物理方法(地震波法、激发极化法)估计掌子面前方的地质参数，将掌子面前方的地质参数和围岩参数进行概率分析，基于概率模型的贝叶斯神经网络(BN)分析TBM刀盘卡机的概率，获得TBM刀盘卡机预测方法，预测结果准确，能够提前感知前方隧道施工卡机的概率，为TBM隧道修建提供保障，减少TBM刀盘卡机的次数，保证TBM安全、高效地施工。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1本发明TBM刀盘卡机预测方法流程图；
图2本发明TBM刀盘卡机力学模型；
图3本发明训练神经网络流程图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
一种敞开式TBM穿越不良地质刀盘卡机预测方法，如图1所示，本发明的具体流程为：
A.基于大量的TBM刀盘卡机现场案例与文献调研分析，提出影响TBM刀盘卡机的主控参数，在此基础上，建立TBM刀盘卡机与主控地质参数的力学模型，如图2所示。在模型建立时，假设刀盘表面均匀，坍塌体在刀盘上方高度相同；
B.通过建立的力学模型，根据刀盘的受力进行力学计算，分析发生刀盘卡机时，刀盘受到摩擦力矩，建立TBM刀盘卡机的力学表达式，表达式如下：
摩擦扭矩T＝T1+T2+T3 (1)
其中，T1为刀盘表面坍塌体主动应力产生的摩擦扭矩：
T2为刀盘侧面坍塌体主动应力产生的摩擦扭矩：
T3为刀盘顶面坍塌体重力产生的摩擦扭矩：
T3＝∫μ2γ(h+R-Rsinα)R2bdα (4)
式中：μ1为刀盘表面与坍塌体的摩擦系数，一般取0.5～1，γ为坍塌体重度，单位为kN/m3，h为坍塌体高于刀盘顶点的高度，单位为m，
为坍塌体的内摩擦角，R为刀盘半径，单位为m，μ2为刀盘侧面与坍塌体的摩擦系数，一般取0.5～1，b为刀盘的宽度；
C.根据TBM卡机力学表达式，分析TBM刀盘卡机的机理，获得影响TBM卡机的主控地质参数，包括：坍塌体的重度、高度以及内摩擦角，建立坍塌体的重度与围岩岩性、含水率以及压实度的关系映射，坍塌体的高度与围岩的风化程度、规模的映射，坍塌体的内摩擦角与岩性、颗粒级配以及含水率的关系映射；
D.研究地球物理法(激发极化法、地震波法)以及超前钻探获得的探测结果与主控地质参数的关系，基于现场实际刀盘卡机案例，根据当时获得的探测结果，其中包括通过地震波法获得掌子面前方的波速分布，估计前方的围岩破碎情况，激发极化法获得掌子面前方的电阻率和极化率的分布，估计前方含水体的情况，超前钻探法获得掌子面前方的围岩岩性等结果，分析其与主控地质参数(坍塌体的压实度、含水率、颗粒级配等)的关系，输入坍塌体岩性、含水率、颗粒级配、风化程度、破碎带规模来训练贝叶斯神经网络，其流程如图3；
E.借助于地质分析、地球物理方法(地震波法、激发极化法)以及地质钻探法获得掌子面前方探测结果(一种概率结果)，将探测结果加入到训练好的贝叶斯神经网络中，贝叶斯网络输出TBM刀盘卡机的概率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。
Claims (8)
1.一种敞开式TBM穿越不良地质刀盘卡机预测方法，其特征是：包括以下步骤：
A、建立TBM刀盘卡机力学模型；
B、基于所述卡机力学模型，分析发生刀盘卡机时，刀盘受到摩擦力矩，建立TBM卡机力学表达式；
C、根据TBM卡机力学表达式，分析TBM刀盘卡机的机理，获得影响TBM卡机的主控地质参数的关系映射；
所述步骤C中，所述主控地质参数的映射包括：坍塌体的重度、高度以及内摩擦角，建立坍塌体的重度与围岩岩性、含水率以及压实度的关系映射，坍塌体的高度与围岩的风化程度、破碎带规模的关系映射，坍塌体的内摩擦角与岩性、颗粒级配以及含水率的关系映射；
D、确定地球物理法以及超前钻探获得的探测结果与主控地质参数的关系，基于现场实际刀盘卡机案例，根据当时获得的探测结果训练神经网络模型；
E、获取实际探测结果，将实际探测结果加入到训练好的神经网络模型中，得到TBM刀盘卡机的概率；
所述步骤B中，TBM卡机力学表达式如下：
摩擦扭矩T＝T1+T2+T3 (1)
其中，T1为刀盘表面坍塌体主动应力产生的摩擦扭矩：
T2为刀盘侧面坍塌体主动应力产生的摩擦扭矩：
T3为刀盘顶面坍塌体重力产生的摩擦扭矩：
T3＝∫μ2γ(h+R-Rsinα)R2bdα (4)
式中：μ1为刀盘表面与坍塌体的摩擦系数，γ为坍塌体重度，h为坍塌体高于刀盘顶点的高度，
为坍塌体的内摩擦角，R为刀盘半径，μ2为刀盘侧面与坍塌体的摩擦系数，b为刀盘的宽度。
2.如权利要求1所述的一种敞开式TBM穿越不良地质刀盘卡机预测方法，其特征是：所述步骤D中，通过地震波法获得掌子面前方的波速分布，估计前方的围岩破碎情况，激发极化法获得掌子面前方的电阻率和极化率的分布，估计前方含水体的情况，超前钻探法获得掌子面前方的围岩岩性结果，分析其与主控地质参数的关系，输入坍塌体岩性、含水率、颗粒级配、风化程度、破碎带规模来训练神经网络模型。
3.如权利要求1所述的一种敞开式TBM穿越不良地质刀盘卡机预测方法，其特征是：所述步骤E中，获取实际探测结果包括：通过地震波法获得掌子面前方的波速分布，估计前方的围岩破碎情况，激发极化法获得掌子面前方的电阻率和极化率的分布，估计前方含水体的情况，超前钻探法获得掌子面前方的围岩岩性结果。
4.如权利要求1所述的一种敞开式TBM穿越不良地质刀盘卡机预测方法，其特征是：所述神经网络模型为贝叶斯神经网络。
5.一种敞开式TBM穿越不良地质刀盘卡机预测系统，其特征是：包括：
模型建立模块，被配置为建立TBM刀盘卡机力学模型；
定量表达模块，被配置为基于所述卡机力学模型，分析发生刀盘卡机时，刀盘受到摩擦力矩，建立TBM卡机力学表达式；
映射模块，被配置为根据TBM卡机力学表达式，分析TBM刀盘卡机的机理，获得影响TBM卡机的主控地质参数的关系映射；
所述主控地质参数的映射包括：坍塌体的重度、高度以及内摩擦角，建立坍塌体的重度与围岩岩性、含水率以及压实度的关系映射，坍塌体的高度与围岩的风化程度、破碎带规模的关系映射，坍塌体的内摩擦角与岩性、颗粒级配以及含水率的关系映射；
神经网络模块构建模块，被配置为确定地球物理法以及超前钻探获得的探测结果与主控地质参数的关系，基于现场实际刀盘卡机案例，根据当时获得的探测结果训练神经网络模型；
预测模块，被配置为获取实际探测结果，将实际探测结果加入到训练好的神经网络模型中，得到TBM刀盘卡机的概率；
所述定量表达模块中TBM卡机力学表达式如下：
摩擦扭矩T＝T1+T2+T3 (1)
其中，T1为刀盘表面坍塌体主动应力产生的摩擦扭矩：
T2为刀盘侧面坍塌体主动应力产生的摩擦扭矩：
T3为刀盘顶面坍塌体重力产生的摩擦扭矩：
T3＝∫μ2γ(h+R-Rsinα)R2bdα (4)
式中：μ1为刀盘表面与坍塌体的摩擦系数，γ为坍塌体重度，h为坍塌体高于刀盘顶点的高度，
为坍塌体的内摩擦角，R为刀盘半径，μ2为刀盘侧面与坍塌体的摩擦系数，b为刀盘的宽度。
6.如权利要求5所述的一种敞开式TBM穿越不良地质刀盘卡机预测系统，其特征是：所述神经网络模型为贝叶斯神经网络。
7.一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1-4中任意项所述的一种敞开式TBM穿越不良地质刀盘卡机预测方法的步骤。
8.一种终端设备，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1-4中任意项所述的一种敞开式TBM穿越不良地质刀盘卡机预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011468208.8A CN112580165B (zh) | 2020-12-14 | 2020-12-14 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011468208.8A CN112580165B (zh) | 2020-12-14 | 2020-12-14 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112580165A CN112580165A (zh) | 2021-03-30 |
| CN112580165B true CN112580165B (zh) | 2022-07-29 |
Family
ID=75134945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011468208.8A Active CN112580165B (zh) | 2020-12-14 | 2020-12-14 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580165B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114120785B (zh) * | 2021-11-02 | 2023-08-08 | 北京龙软科技股份有限公司 | 一种煤矿掘进设备与地质模型、巷道设计模型的耦合系统 |
| CN114439500B (zh) * | 2021-12-16 | 2023-09-05 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
| CN114495433B (zh) * | 2022-02-07 | 2023-07-21 | 盾构及掘进技术国家重点实验室 | 一种隧道掘进机围岩坍塌预警方法、装置及终端设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111832821A (zh) * | 2020-07-09 | 2020-10-27 | 山东大学 | 一种tbm卡机风险预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461386B (zh) * | 2019-12-27 | 2023-08-22 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
-
2020
- 2020-12-14 CN CN202011468208.8A patent/CN112580165B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111832821A (zh) * | 2020-07-09 | 2020-10-27 | 山东大学 | 一种tbm卡机风险预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 硬岩隧道掘进机性能预测模型研究进展;刘泉声等;《岩石力学与工程学报》;20160515;第2766-2786页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112580165A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112580165B (zh) | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 | |
| Ghosh et al. | Application of underground microseismic monitoring for ground failure and secure longwall coal mining operation: A case study in an Indian mine | |
| Delisio et al. | Analysis and prediction of TBM performance in blocky rock conditions at the Lötschberg Base Tunnel | |
| Salimi et al. | Evaluating the suitability of existing rock mass classification systems for TBM performance prediction by using a regression tree | |
| Zhao et al. | Method for generating a discrete fracture network from microseismic data and its application in analyzing the permeability of rock masses: a case study | |
| CN105741029A (zh) | 一种基于累积应力集中系数的冲击危险评价方法 | |
| GB2583870A (en) | Generating a high-resolution lithology model for subsurface formation evaluation | |
| Yu et al. | Multivariate early warning method for rockburst monitoring based on microseismic activity characteristics | |
| Balci et al. | Cuttability and drillability studies towards predicting performance of mechanical miners excavating in hyperbaric conditions of deep seafloor mining | |
| Zhao et al. | Geological structural surface evaluation model based on unascertained measure | |
| CN113914932B (zh) | 利用震动波断层扫描识别煤与瓦斯突出危险区域的方法 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN111852467A (zh) | 一种砂岩铀矿矿体延伸范围的圈定方法及系统 | |
| Birch et al. | Seismic Response to hydraulic fracturing in caving mines | |
| Umar et al. | Rock mass characterization and conceptual modeling of the Printzsköld orebody of the Malmberget mine, Sweden | |
| Kashnikov et al. | Solving the problems of exploitation safety of potassium salt deposit based on joint application of geophysical and geomechanical studies | |
| CN111025383B (zh) | 一种基于绕射横波定性判断隧道前方溶洞充水情况的方法 | |
| Salimi et al. | TBM performance prediction in basalt and pyroclastic rocks of Deccan traps, a case study of Maroshi-Ruparel water supply tunnel | |
| CN105467447A (zh) | 相控趋势能量匹配的地震保幅评价方法 | |
| Sewnun et al. | The creation and application of a geotechnical block model for an underground mining project | |
| Collins et al. | Microseismic real time and advanced analysis in mines | |
| Wang | Longwall mining-induced fracture characterisation based on seismic monitoring | |
| Davies et al. | Geotechnical applications of downhole sonic and neutron logging for surface coal mining | |
| CN112161868A (zh) | 一种基于煤岩采动力学的时滞型冲击地压灾害预警方法 | |
| Khan et al. | Microseismic monitoring in twin TBM tunnels in the lower himalayas |
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 |