CN112926260A - 一种岩土材料物理力学参数准确估值新方法 - Google Patents

一种岩土材料物理力学参数准确估值新方法 Download PDF

Info

Publication number
CN112926260A
CN112926260A CN202110171041.7A CN202110171041A CN112926260A CN 112926260 A CN112926260 A CN 112926260A CN 202110171041 A CN202110171041 A CN 202110171041A CN 112926260 A CN112926260 A CN 112926260A
Authority
CN
China
Prior art keywords
rock
physical
geotechnical
parameters
soil
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.)
Pending
Application number
CN202110171041.7A
Other languages
English (en)
Inventor
刘东升
王艳磊
李珂
吴越
孙树国
熊悦晗
胡晓明
秋实
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110171041.7A priority Critical patent/CN112926260A/zh
Publication of CN112926260A publication Critical patent/CN112926260A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明提供一种岩土材料物理力学参数准确估值新方法，包括先验基因特征获取：采集不同区域不同群组岩土材料物理力学参数历史大数据，并据此进行统计分析得到先验基因特征；后验基因特征建立：对具体工程检测中得到的新增岩土材料物理力学参数试验值进行统计分析得到后验基因特征；岩土材料力学参数准确估值：基于先验基因特征和后验基因特征，运用贝叶斯估计方法进行相应参数的准确估值。本申请借用生物学概念，首次提出用于对一定空间范围内特定岩土材料整体物理力学特性进行描述的岩土材料基因特征和基因图谱两概念，通过将先验基因特征和后验基因特征结合，并运用贝叶斯估计理论对岩土材料参数进行快速准确估值，提高了参数估计效率和精度。

Description

一种岩土材料物理力学参数准确估值新方法
技术领域
本发明涉及岩土材料参数分析技术领域，具体涉及一种岩土材料物理力学参数准确估值新方法。
背景技术
随着科学技术的不断发展，岩土力学的各种计算理论和分析模型已日臻完善，计算方法和分析手段也多种多样。许多先进的理论和方法已成功地运用到了实际工程中，为解决岩土工程问题提供了有力的理论基础和技术支撑，极大地推动和促进了岩土工程学科和工程实践活动的发展。然而，一个十分关键的因素仍在制约着一些先进岩土力学理论在实际工程中的应用，阻碍了岩土工程领域的快速发展，这个因素就是对岩土材料基本物理力学特征的认识，具体而言就是对岩土材料基本物理力学参数的正确确定。
众所周知，任何岩土力学理论和方法的应用都必须建立在对岩土材料基本物理力学参数的正确认识和准确识别之上，否则，无论是多么先进的理论或是多么精确的计算，其结果都会出现失真或谬误，从而使理论研究和数值计算的结果变得毫无意义。然而，岩土材料由于其自身天然固有的特殊成因特征，其物理力学性质总是表现出较为显著的空间随机变异性和不确定性，加之岩土工程所涉及到的空间区域往往也比较大，如何正确评价该区域内不同岩(土)性材料的物理力学特征以及如何获取一定空间区域范围内岩土材料真实可靠的物理力学参数是一个十分重要但又相当困难的问题。
目前，世界工程界常用的做法是通过在工程勘查过程中获取几个试验点岩土材料样本的试验值，经过简单的统计分析后提出反映该岩土材料整体性质的物理力学参数，并用于指导工程设计。由于试验样本的局限性，这种方法显然存在较大的缺陷和不足，使得人们对所获取的参数的真实性、可靠性和代表性表示怀疑。因此，勘查设计人员对所测得的强度参数往往进行不同程度的折减，然后再提供给工程设计或评估使用。如此折减的目的在于人为考虑岩土材料参数的变异性和参数测试过程中可能带来的误差，显然这种做法具有极大的主观性，缺乏必要的科学依据。材料参数是工程设计的基础和核心，其参数选择的不合理不仅会增加工程事故的风险，还会增加工程建设的投资，从而造成了潜在的建设投资浪费，并且这种浪费还没有办法进行评估。由此可见，对岩土材料基本物理力学特征的研究不仅十分重要，而且十分必要，应当引起岩土工程界学者和岩土工程师们的高度重视。
客观地说，现在很多高等院校和科研机构都有非常先进的岩土材料基本力学特性研究设备，也有众多专家在利用这些设备从事岩土材料基本物理力学特征的研究，相关研究的深度很深，所取得的成果也十分丰富。但是，本发明的发明人经过研究发现，这些研究终究是对特定岩土材料的有限样本数量的研究，其研究结果是否具有对该类岩土材料整体区域特征的代表性却值得商榷，也没有相应的对比验证。以上现象实际上是一个岩土材料参数特征的“点估计”和“区域估计”之间的关系，尽管点估计的结果对岩土材料物理力学特征的揭示十分重要，考虑到岩土材料较为显著的空间变异性，点估计与区域估计之间应该还是有所区别，并且点估计的价值往往比区域估计的价值小很多，毕竟岩土工程问题涉及的往往都是区域性问题。
发明内容
针对现有岩土材料基本物理力学特征的研究主要是基于对其有限样本数量的研究，所得研究结果对该类岩土材料整体区域特征的代表性值得商榷，这实际上就是一个岩土材料参数特征的点估计和区域估计之间的关系，由于岩土工程问题涉及的往往都是区域性的技术问题，因此本发明基于大数据和贝叶斯理论，提供提供一种岩土材料物理力学参数准确估值新方法。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种岩土材料物理力学参数准确估值新方法，包括以下步骤：
S1、岩土材料先验基因特征的获取：采集不同区域不同群组岩土材料的物理力学参数历史大数据，包括物质组分、结构方式以及物理力学在内的特征参数数据，并按包括地理区域、地层构造、岩土群组、参数种类在内的因素对岩土材料的海量历史参数数据进行分类、整理，形成历史参数大数据库，并基于大数据理论对其进行统计分析，得到历史参数数据的基本分布特征，以此作为岩土材料的先验基因特征；
S2、岩土材料后验基因特征建立：在一定区域内的现场工程中，对具体工程检测中得到的新增岩土材料物理力学参数试验值进行统计分析，将所得结果作为岩土材料的后验基因特征；
S3、岩土材料物理力学参数的准确估值：基于特定岩土材料群组的先验基因特征和后验基因特征，运用贝叶斯估计方法进行相应参数的准确估值，得到用于指导工程设计的最佳岩土参数设计值。
与现有技术相比，本发明在充分考虑区域代表性的基础之上，基于岩土材料参数历史大数据和新增数据，提供了一种岩土材料物理力学参数准确估值新方法。同时，根据在一定空间区域范围内同一岩土材料群组具有共性基本物理力学特征这一现象，提出了一种全新的岩土材料基因特征的概念，该岩土材料基因特征具备区域性、群组性和趋同性三个属性。本申请运用大数据理论来寻找一定空间区域范围内特定岩土材料群组(或者岩土材料岩性类别)的基本物理力学共性特征，并建立相应的岩土材料基本参数数据库，运用大数据分析方法对其进行先验基因特征识别和提取，同时不断补充的岩土材料测试数据可对数据库进行补充完善，逐步修正已获取的先验基因特征，使之对最终基因特征的描述逐步趋于准确，并能使修正后的先验基因特征反过来指导岩土材料特征参数的取值，从而为岩土力学理论应用和岩土工程设计提供可靠的基础数据。本申请提供的岩土材料物理力学参数准确估值方法简单，包括数据收集、数据分类、数据分析、先验基因特征获取、后验基因特征获取和估值计算。为了保证估值结果的准确性与高效性，在估值计算过程中使用了贝叶斯参数估计方法，从而有效提高了数据估计的效率和精度。
进一步，所述步骤S1中还包括根据先验基因特征得到岩性材料参数的先验基因特征图谱。
进一步，所述步骤S3中采用下式进行岩土材料物理力学参数准确估值计算：
Figure BDA0002938932180000041
其中，
Figure BDA0002938932180000042
为(μ，σ2)的最大后验估计量，
Figure BDA0002938932180000043
为先验分布超参数由历史数据确定，n为现场样本数量，
Figure BDA0002938932180000044
为现场样本均值，s2为现场样本方差。
附图说明
图1是本发明提供的岩土材料物理力学参数准确估值新方法流程示意图。
图2是本发明提供的重庆市泥岩单轴抗压强度历史大数据统计分析图。
图3是本发明提供的重庆市砂岩单轴抗压强度历史大数据统计分析图。
图4是本发明提供的重庆市泥岩单轴抗压强度先验基因图谱。
图5是本发明提供的重庆市砂岩单轴抗压强度先验基因图谱。
图6是本发明提供的岩土强度参数贝叶斯推断界面一示意图。
图7是本发明提供的岩土强度参数贝叶斯推断界面二示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
请参考图1所示，本发明提供一种岩土材料物理力学参数准确估值新方法，包括以下步骤：
S1、岩土材料先验基因特征的获取：(1)采集不同区域不同群组岩土材料包括物质组分、结构方式以及物理力学在内的特征参数数据，并对每一个数据的基本特征进行描述后存入数据库；具体我国每年都在不同地区进行着数量巨大的工程建设，工程建设一定离不开对建设场地的地质评价如低价承载力、变形特性、稳定性等，要完成这些评价就必须完成大量的场地勘查工作，提供相应的岩土材料物理力学参数以满足设计需要，因而通过现有的互联网技术和大数据技术，将这些海量的数据在每个项目实施完成之后收集起来，并对每一个数据的基本特征进行描述后存入数据库，就可用于大数据统计分析；(2)根据预设条件对数据库里的数据按区域、群组、以及岩性和物理力学指标进行分类筛选，提取符合条件的有效数据进行统计分析，得到已有数据的基本物理力学特征或基因特征，以此作为岩土材料基因特征估计的先验信息即先验基因特征；所述预设条件包括地理区域、地层构造、岩土群组、基因元素等因素，按照这些条件对采集的数据进行分类整理，并按照现有大数据方法进行统计分析，由此就会得到特定岩土材料群组的先验基因特征，因此该岩土材料的先验基因特征具备区域性、群组性和趋同性三个属性；
S2、岩土材料后验基因特征建立：在一定区域内的现场工程中，对具体工程检测中得到的新增岩土材料物理力学参数试验值按照地层构造、岩土群组、基因元素等因素进行分类、统计和分析，将所得结果作为岩土材料的后验基因特征；
S3、岩土材料物理力学参数的准确估计：基于统计分析提供的特定岩土材料群组的先验基因特征，结合具体工程现场检测得到的参数试验值，以该试验值作为后验基因特征，运用贝叶斯估计方法算出用于工程设计的岩土材料物理力学参数x估计值，岩土材料物理力学参数x服从正态分布，即x～N(μ，σ2)，其中(μ，σ2)为物理力学参数服从正态分布的均值和方差。(μ，σ2)全面地反应了岩土材料物理力学参数的随机分布特征，即岩土材料物理力学参数基因特征的一种表现。
与现有技术相比，本发明在充分考虑区域代表性的基础之上，基于岩土材料参数历史大数据和新增数据，提供了一种岩土材料物理力学参数准确估值新方法。同时，根据在一定空间区域范围内同一岩土材料群组具有共性基本物理力学特征这一现象，提出了一种全新的岩土材料基因特征的概念，该岩土材料基因特征具备区域性、群组性和趋同性三个属性。本申请运用大数据理论来寻找一定空间区域范围内特定岩土材料群组(或者岩土材料岩性类别)的基本物理力学共性特征，并建立相应的岩土材料基本参数数据库，运用大数据分析方法对其进行先验基因特征识别和提取，同时不断补充的岩土材料测试数据可对数据库进行补充完善，逐步修正已获取的先验基因特征，使之对最终基因特征的描述逐步趋于准确，并能使修正后的先验基因特征反过来指导岩土材料特征参数的取值，从而为岩土力学理论应用和岩土工程设计提供可靠的基础数据。本申请提供的岩土材料物理力学参数准确估值方法简单，包括数据收集、数据分类、数据分析、先验基因特征获取、后验基因特征获取和估值计算。为了保证估值结果的准确性与高效性，在估值计算过程中使用了贝叶斯参数估计方法，从而有效提高了数据估计的效率和精度。
作为具体实施例，所述步骤S1中还包括根据先验信息即先验基因特征得到岩性材料物理力学参数的分布规律和基因特征图谱，在此以单轴抗压强度参数为例，由此可以更加直观的观察不同区域、不同群组的岩性特征。岩性材料单轴抗压强度参数的分布规律请参考图2和图3所示，分别为重庆市泥岩单轴抗压强度历史大数据统计分析图和重庆市砂岩单轴抗压强度历史大数据统计分析图；岩性材料单轴抗压强度参数的基因特征图谱请参考图4和图5所示，分别为重庆市泥岩单轴抗压强度先验基因图谱示意图和重庆市砂岩单轴抗压强度先验基因图谱示意图，通过这四个图，可以较好地对重庆地区泥岩和砂岩的单轴抗压强度分区进行了解。
作为具体实施例，所述步骤S3中采用下式进行岩土材料物理力学参数的准确估值计算：
Figure BDA0002938932180000071
其中，
Figure BDA0002938932180000072
为(μ，σ2)的最大后验估计量，
Figure BDA0002938932180000073
为先验分布超参数由历史数据确定，n为现场样本数量，
Figure BDA0002938932180000077
为现场样本均值，s2为现场样本方差。
对于一个具体工程而言，粘聚力c和内摩擦角
Figure BDA0002938932180000074
对应的(μ，σ2)是未知的，如何科学地确定(μ，σ2)成为岩土强度参数取值是否合理的关键，传统的做法是根据现场抽样实验的一组结果进行统计，采用点估计的方法来推断(μ，σ2)，采用现场样本的均值为总体均值μ的无偏点估计量，现场样本的方差为总体方差σ2的无偏点估计量，即：
Figure BDA0002938932180000075
其中，
Figure BDA0002938932180000076
为岩土强度指标样本均值，s2为岩土强度指标样本方差，μ^为总体均值μ的点估计量，σ2^为方差σ2的无偏点估计量。
但由于现场样本数量往往十分有限，通常只有6～8个，这属于统计学中的小样本问题，这样就使得使用公式(1)确定的岩土强度参数特征存在较大的不确定性。
为此，基于贝叶斯统计的理论提出(μ，σ2)服从一个二维的联合先验分布，表示为：
π(μ，σ2)＝π(μ|σ2)π(σ2) (2)
其中，π(μ，σ2)为(μ，σ2)的联合先验分布，π(σ2)为σ2的先验分布，π(μ|σ2)为σ2条件下μ的先验分布；并认为μ|σ2和σ2分别服从正态分布和逆伽马分布，即：
μ|σ2～N(μ0,σ2/κ0) (3)
Figure BDA0002938932180000081
其中，
Figure BDA0002938932180000082
为待确定的超参数。
于是称(μ，σ2)的先验分布为正态-逆伽马分布。在先验分布的基础上，根据贝叶斯公式，可以得到现场样本条件下(μ，σ2)的后验分布，按照共轭先验的理论，先验分布与后验分布属于同族分布，即：
Figure BDA0002938932180000083
式中：π(μ，σ2|x)为(μ，σ2)的后验分布；
Figure BDA0002938932180000084
κn＝κ0+n；υn＝υ0+n；
Figure BDA0002938932180000085
Figure BDA0002938932180000086
为现场样本均值；s2为现场样本方差；n为现场样本数量；
采用最大后验估计作为参数的估计量，(μ，σ2)的最大后验估计表为：
Figure BDA0002938932180000087
其中，
Figure BDA0002938932180000088
为(μ，σ2)的最大后验估计量，
Figure BDA0002938932180000089
为先验分布超参数由历史数据确定，n为现场样本数量，
Figure BDA00029389321800000810
为现场样本均值，s2为现场样本方差。
于是通过公式(6)就将历史数据(先验基因特征)与现场数据(后验基因特征)进行了科学的综合，得到更为合理的岩土材料物理力学参数随机分布特征参数的估计值。
作为具体实施方式，利用本申请所提出的方法，对重庆某边坡工程的岩土材料强度参数进行了估计，并对估计结果进行了对比分析。结果表明，运用岩土材料基因特征为基础，并结合实际检测数据使用贝叶斯估计所得的岩土材料强度参数与仅用实际检测数据分析所得的岩土材料强度参数之间存在一定的差距，表明岩土材料基因特征对实际工程的参数取值的影响不可忽略。
下表1为该工程岩土强度参数的历史基因特征、现场检测数据以及贝叶斯估计的结果，同时，表中还根据三者各自的参数特征得出了各自对边坡稳定性的评价，并进行了对比分析。
表1某边坡工程岩土强度参数贝叶斯估计结果与比较
Figure BDA0002938932180000091
由表1可见，该边坡工程的天然快剪与饱和快剪所获得的黏聚力和内摩擦角的现场数据与该区域的历史数据之间存在较大差异，通过贝叶斯估计得到的估计值处于现场数据与历史数据之间。而对于稳定系数而言，由于其同时受到粘聚力和内摩擦角的影响，由于稳定系数对粘聚力和内摩擦角的敏感性不同，因此稳定系数的值并不一定处于历史数据与现场数据之间，算例中该边坡的稳定系数比现场数据和历史数据都小。同时该边坡4个条块对应的剩余下滑力在历史数据、现场数据以及贝叶斯估计下的大小如图6和图7所示，从图中可知，贝叶斯估计的剩余下滑力均小于现场和历史数据。本算例说明现场、历史之间是可能存在较大差异的，而由于现场数据样本量很少，可信度较低，而参考该工程周边数据的经验时可见强度参数有较大差异。此时，简单地按现场数据或历史数据进行评价都是不够科学合理的，因此采用贝叶斯推断得到现场样本发生条件下随机分布特征参数的条件分布，然后根据条件分布得到最大后验估计从而得一个概率上更为合理的强度参数标准值，这样的做法显然更为科学合理。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种岩土材料物理力学参数准确估值新方法，其特征在于，包括以下步骤：
S1、岩土材料先验基因特征的获取：采集不同区域不同群组岩土材料的物理力学参数历史大数据，包括物质组分、结构方式以及物理力学在内的特征参数数据，并按包括地理区域、地层构造、岩土群组、参数种类在内的因素对岩土材料的海量历史参数数据进行分类、整理，形成历史参数大数据库，并基于大数据理论对其进行统计分析，得到历史参数数据的基本分布特征，以此作为岩土材料的先验基因特征；
S2、岩土材料后验基因特征建立：在一定区域内的现场工程中，对具体工程检测中得到的新增岩土材料物理力学参数试验值进行统计分析，将所得结果作为岩土材料的后验基因特征；
S3、岩土材料物理力学参数的准确估值：基于特定岩土材料群组的先验基因特征和后验基因特征，运用贝叶斯估计方法进行相应参数的准确估值，得到用于指导工程设计的最佳岩土参数设计值。
2.根据权利要求1所述的岩土材料物理力学参数准确估值新方法，其特征在于，所述步骤S1中还包括根据先验基因特征得到岩性材料参数的先验基因特征图谱。
3.根据权利要求1所述的岩土材料物理力学参数准确估值新方法，其特征在于，所述步骤S3中采用下式进行岩土材料物理力学参数准确估值计算：
Figure FDA0002938932170000011
其中，μMD,
Figure FDA0002938932170000012
为(μ，σ2)的最大后验估计量，μ0,κ0，υ0，
Figure FDA0002938932170000013
为先验分布超参数由历史数据确定，n为现场样本数量，
Figure FDA0002938932170000014
为现场样本均值，s2为现场样本方差。
CN202110171041.7A 2021-02-08 2021-02-08 一种岩土材料物理力学参数准确估值新方法 Pending CN112926260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110171041.7A CN112926260A (zh) 2021-02-08 2021-02-08 一种岩土材料物理力学参数准确估值新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110171041.7A CN112926260A (zh) 2021-02-08 2021-02-08 一种岩土材料物理力学参数准确估值新方法

Publications (1)

Publication Number Publication Date
CN112926260A true CN112926260A (zh) 2021-06-08

Family

ID=76171197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110171041.7A Pending CN112926260A (zh) 2021-02-08 2021-02-08 一种岩土材料物理力学参数准确估值新方法

Country Status (1)

Country Link
CN (1) CN112926260A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270992A (zh) * 2022-08-19 2022-11-01 牡丹江师范学院 新型的材料物理数据分类方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977485A (zh) * 2019-03-05 2019-07-05 重庆市地质矿产测试中心 一套岩土材料参数统一分析管理系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977485A (zh) * 2019-03-05 2019-07-05 重庆市地质矿产测试中心 一套岩土材料参数统一分析管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴越;刘东升;孙树国;秦宗兴;吴同情: "岩土强度参数正态–逆伽马分布的最大后验估计", 岩石力学与工程学报, vol. 38, no. 6, 24 January 2019 (2019-01-24), pages 1188 - 1196 *
苏定立;胡贺松;谢小荣;: "岩土工程勘察智能信息化技术研究现状", 广州建筑, no. 06, 15 December 2019 (2019-12-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270992A (zh) * 2022-08-19 2022-11-01 牡丹江师范学院 新型的材料物理数据分类方法及系统

Similar Documents

Publication Publication Date Title
CN104834806B (zh) 结构面粗糙度系数尺寸效应取样代表性评价方法
CN108595414B (zh) 基于源汇空间变量推理的土壤重金属企业污染源识别方法
CN103345566B (zh) 基于地质内涵的化探异常识别与评价方法
CN102254095A (zh) 基于多维分形克里格方法的成矿异常提取方法
CN108038081B (zh) 基于特征函数空间滤值的滑坡灾害logistic回归分析方法
CN103278616B (zh) 一种土壤腐蚀性快速评价的多因子方法
CN114330812A (zh) 基于机器学习的滑坡灾害风险评估方法
CN104833333A (zh) 结构面粗糙度系数尺寸效应试样表征单元确定方法
CN109118004B (zh) 一种工程构筑选址适宜区预测方法
Liu et al. Rock thin-section analysis and identification based on artificial intelligent technique
CN115358285B (zh) 待勘测区块关键地质参数的选取方法、装置、及设备
Hansberry et al. How wide is a fault damage zone? Using network topology to examine how fault-damage zones overprint regional fracture networks
CN115660407A (zh) 污染场地风险等级预测模型的训练方法和训练装置
CN116187543A (zh) 基于机器学习的土壤重金属含量预测方法及其应用
CN112926260A (zh) 一种岩土材料物理力学参数准确估值新方法
CN109543236A (zh) 基于变异系数级比分析的岩体结构面粗糙度统计样本数确定方法
CN110348483B (zh) 基于空间信息与统计学习的空间信息变化检测与分类方法
Guo-an et al. Evaluation on the accuracy of digital elevation models
CN115186074B (zh) 基于Meta分析的模拟土壤pH值空间分布格局的方法
CN114202036A (zh) 一种基于模式识别技术的静力触探自动划分土层技术
Boyle Kriging neighbourhood analysis by slope of regression and weight of mean–evaluation with the Jura data set
CN112685461A (zh) 一种基于预判模型的窃电用户判断方法
CN109029334B (zh) 岩体结构面粗糙度系数尺寸效应全域搜索测量方法
CN105528657A (zh) 基于北斗和向量机的建筑物震害预测方法
CN105953766A (zh) 基于岩芯图像的砾石磨圆度测量方法

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