CN112963160A - 一种用盾构实时掘进参数来识别确定地层特性的方法 - Google Patents
一种用盾构实时掘进参数来识别确定地层特性的方法 Download PDFInfo
- Publication number
- CN112963160A CN112963160A CN202110183343.6A CN202110183343A CN112963160A CN 112963160 A CN112963160 A CN 112963160A CN 202110183343 A CN202110183343 A CN 202110183343A CN 112963160 A CN112963160 A CN 112963160A
- Authority
- CN
- China
- Prior art keywords
- stratum
- shield
- tpi
- fpi
- tunneling
- 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
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例公开了一种基于盾构实时掘进参数的地层特性确定方法,先收集盾构法隧道施工前的勘察报告并对地层情况进行预分类,同时对盾构机实时收集的参数进行去除空白值和异常值处理、光滑性处理、二次变换为FPI与TPI指数和标准化处理。再将处理完成的指数绘制成二维平面图,判断是否产生新的地层类型并更新地层类别数量为K。然后将标准化后的参数输入到K-Means算法中,选取K个聚类中心并按照最短距离法进行划分地层类型,再重新计算划分好的类别中心点的位置,计算平方误差并使其最小,最后输出对应参数确定的地层类型。本发明能够有效地确定盾构机穿越的地层类型,指导盾构机的掘进参数设置,提高盾构掘进的安全性。
Description
技术领域
本发明涉及地质勘察技术领域,尤其涉及一种用盾构实时掘进参数来识别确定地层特性的方法。
背景技术
随着我国城市化进程的加快,城市轨道交通系统不断发展,安全、高效的盾构法隧道施工技术在城市地铁修建中得到广泛应用。目前,盾构法施工依靠人工根据地层条件设置盾构掘进参数。土性参数主要依靠地质勘察报告获取,然而,通过地质勘察孔取土进行测试仅能得到取土孔处的土性参数,无法获得盾构掘进区间范围内地层特性。盾构掘进过程中仅能凭借盾构操作人员的经验设置盾构掘进参数,无法精准地根据地层特性设置掘进参数,从而可能由于盾构掘进参数与地层条件不匹配而导致地面塌陷或隆起等。因此,实时确定盾构机掘进前方地层类型具有重要意义。
根据不同地层条件设置盾构掘进参数对盾构机安全、高效地掘进具有重大意义。刘建国于2012年在《隧道建设》上发表的《深圳地铁盾构隧道施工技术与经验》中强调了不同的地质类型对盾构机参数的设置有重大的影响。目前在对盾构隧道确定地层信息的相关技术中,仍广泛采用野外钻探及原位测试等地质勘察方法,但其仅能粗略获得隧道施工区域的地层类型,无法保证盾构的顺利掘进。因此,为了保证盾构机安全、高效地进行掘进,有必要提出一种用盾构实时掘进参数来识别确定地层特性的方法。
近似方案及其缺点:经过对现有技术文献检索发现,申请号为CN201710791902.5,授权号为CN107676100B,专利名称为:基于盾构掘进参数的不良地层预测方法,该方法利用盾构掘进比能的方式判断盾构机前方地层是否存在孤石,从而提前对孤石进行处理,避免了孤石对盾构刀盘的损坏。但是,该方法仅能用于对盾构机前方地层中的孤石进行确定,无法实时确定盾构掘进前方的地层类型。
发明内容
本发明所要解决的技术问题在于,提供一种用盾构实时掘进参数来识别确定地层特性的方法。可根据盾构掘进的实时参数确定盾构机前方对应掘进区域的地层类型与特性,从而更好地指导盾构机的参数设置,显著的提高了盾构的施工效率,保证了盾构掘进的安全性。
为了解决上述技术问题,本发明实施例提供了一种用盾构实时掘进参数来识别确定地层特性的方法,包括以下步骤:
S1:收集地质勘察报告资料并确定预分类地层类型;
S2:收集盾构掘进实时参数并进行参数预处理,计算单位盾构掘进距离对应的地层分类指标,所述地层分类指标包括FPI与TPI;
S3:将所述预分类地层类型映射至FPI与TPI空间,并将盾构掘进区域对应FPI与TPI绘制在所述FPI与TPI空间中,判断是否出现新的地层类型并确定地层类型数量K;
S4:将所述FPI与TPI输入到改进的K-Means分类算法中,采用轮盘法选取K个聚类中心,计算每个FPI与TPI构成的坐标点到聚类中心距离并划分类别,重新计算分类中心并判断平方误差函数是否最小;
S5:输出确定的地层类型,根据确定的地层类型判断盾构掘进的难易程度并设置盾构掘进参数,掘进完成后,根据传感器反馈的实时掘进参数进行下一时刻地层类型地确定。
其中,所述S1中确定预分类地层类型为将隧道施工区间的土层进行预先分类,得到地层类别及其数量K0。
其中,所述地层类别划分为软土地层、岩石地层和软硬不均地层。
其中,所述S2中所述实时参数包括盾构机推力F、推进速度V、刀盘扭矩T和刀盘转速RSP。
其中,所述S2中所述参数预处理是对收集的盾构机参数数据进行剔除处理、数据光滑性处理、数据二次变换为FPI与TPI处理和数据标准化处理。
其中,所述标准化数据由以下公式确定:
式中,x’为变换后的数据;x为原始数据;xmin为数据中的最小值;xmax为数据中的最大值。
其中,所述S3中所述FPI与TPI空间为FPI与TPI为横轴和纵轴绘制而成的二维平面图,所述映射操作是建立钻孔处地层类型预分类与FPI与TPI的映射关系,明确地层类型预分类在FPI与TPI空间的位置。
其中,所述判断是否出现新的地层类型包括步骤:
计算预分类地层类型的FPI与TPI的中心点μi之间的欧式距离平均值s,并计算每个单位盾构掘进距离的FPI和TPI构成的坐标点到μi的欧式距离dik,则若满足以下公式,则出现新地层,
所述出现新地层为对dik>s的点和同一μi距离最小的比例超过100%/K0,则相对第i类预分类地层类型出现一种新地层;
所述中心点μi由以下公式确定:
式中,Ci为第i类地层类型的点集;x为Ci中的FPI与TPI构成的点;
所述欧氏距离由以下公式确定:
其中,所述步骤S4中,所述的改进K-Means分类算法为改进选取初始聚类中心的方法,结合盾构实时FPI与TPI指数对地层信息进行分类处理的聚类算法;
所述改进选取初始聚类中心的方法为不直接随机选取K个聚类中心,而是通过轮盘法逐个选取聚类中心;
所述结合盾构实时FPI与TPI指数对地层信息进行分类处理指的当获取到新的盾构参数时,将其转化为PFI与TPI指数输入到改进的K-Means分类算法中,经聚类处理后划分至聚类地层类型中,判断所属的地层类型。
其中,所述采用轮盘法选取K个聚类中心是根据概率选取初始聚类中心,所述根据概率选取初始聚类中心是先从数据集中选取一个样本作为初始聚类中心c1,再计算每个样本到c1的欧式距离D(x),然后计算每个样本被选为下一个聚类中心的概率Pc,按照轮盘法选取下一个聚类中心,最后重复该过程选择出K个聚类中心。
本发明具有如下有益效果:
1、利用盾构机自带传感器实时采集盾构掘进参数,并进行相关数据处理得到反映地质特征的场切深指数和扭矩切深指数。
2、根据场切深指数和扭矩切深指数图能够得到地质类别数。
3、利用掘进参数和K-Means分类算法将新的数据进行聚类分析,实现了地质特征类型实时地确定。
4、操作人员可根据确定的地层类型判断盾构掘进的难易程度并设置对应的掘进参数,有效地降低了盾构参数与地层类型不符而导致的地面隆起或塌陷的风险。
附图说明
图1为本发明一实施例中地层类型确定方法技术路线图;
图2为本发明一实施例中FPI与TPI指数二维平面图;
图3为本发明一实施例中确定的地层类型示例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明实施例所提供一种用盾构实时掘进参数来识别确定地层特性的方法,所述方法通过以下步骤进行。
第一步:收集地质勘察报告资料并确定预分类地层类型。
(1)所述的地质勘察报告是地质勘察单位出具的盾构法施工区间的工程地质条件和水文条件总结报告。
优选的实施方式是,所述的盾构法施工区间指的是由合同约定根据设计单位设计的起始里程和截止里程范围。
(2)所述的确定预分类地层类型是将隧道施工区间的土层进行预先分类,得到地层类别及其数量K0。
地层类型是根据地质勘察报告中的地质剖面图和地质勘察孔获得的土性情况所划分的类型。
地层类型根据土性情况划分为软土地层、岩石地层和软硬不均地层。
软土地层根据土体颗粒大小及含量分为巨粒类土(巨粒组含量>15%)、粗粒类土(粗粒组含量>50%)、细粒类土(细粒组含量>50%)。
巨粒类土包括:巨粒土(巨粒含量>75%)、混合巨粒土(50%<巨粒含量≤75%)、巨粒混合土(15%<巨粒含量≤50%)。
粗粒土类包括:砾(砾粒组含量>砂粒组含量)和砂(砾粒组含量≤砂粒组含量)。其中,砾分为砾石(细粒含量<5%)、含细颗粒砾(5%≤细粒含量<15%)、细粒土质砾(15%≤细粒含量<50%);砂分为:砂(细粒含量<5%)、含细颗粒砂(5%≤细粒含量<15%)、细粒土质砂(15%≤细粒含量<50%)。
细粒类土包括:细粒土(粗粒组含量≤25%)和含粗粒细粒土(25%<粗粒组含量≤50%)。其中,细粒土分为黏土为主土层(黏土含量>75%)和粉土与黏土混合地层(50%<黏土含量≤75%)和粉土为主土层(粉土含量>75%).
更优选地,岩石地层按照岩层硬度分为坚硬岩地层(frk>60Mpa)、较硬岩地层(30Mpa<frk≤60Mpa)、较软岩地层(15Mpa<frk≤30Mpa)、软岩地层(5Mpa<frk≤15Mpa)和软岩地层(frk≤5Mpa)。
软硬不均地层按照隧道断面中岩层所占比例分为大断面岩石地层(岩层含量>75%)、中断面岩石地层(50%<岩层含量≤75%)和小断面岩石地层(岩层含量<50%)。
第二步:收集盾构掘进实时参数并进行参数预处理,计算单位盾构掘进距离对应的地层分类指标,即场切深指数(FPI)与扭矩切深指数(TPI)。
(1)所述的盾构掘进实时参数是由盾构机带有的传感器按照时间收集反馈的盾构机参数。
优选地,盾构机参数包括:盾构机推力(F)、推进速度(V)、刀盘扭矩(T)和刀盘转速(RSP)。
(2)所述的参数预处理是对收集的盾构机参数数据进行剔除处理、数据光滑性处理、数据二次变换为场切深指数(FPI)与扭矩切深指数(TPI)处理和数据标准化处理。
数据的剔除处理指的是删除盾构机实时参数中的空白值和异常值。
盾构掘进实时参数的空白值由以下公式确定:
P=f(F)f(V)f(T)f(RSP)
式中,P表示是否保留数据,P=0去除该时刻数据,P≠0保留该时刻数据;f表示对变量的函数。
盾构掘进实时参数异常值由以下公式确定:
式中,X为盾构机所有参数构成的参数矩阵;xi,xj为盾构参数矩阵X中的第i列和第j列向量;为矩阵X的中心向量;S为X的协方差矩阵;D为矩阵X的列向量到矩阵中心向量的距离矩阵;P90为矩阵D中靠近中心向量前90%的距离中的最大值。
数据的光滑性处理指的是利用算数平均值滤波算法对收集到的盾构掘进实时参数进行处理。
算术平均值滤波算法指的是连续取N个值进行算术平均运算,N优选取3~5。FPI与TPI指数由以下公式确定:
FPI=F/P
TPI=T/P
P=V/n
式中,F为盾构机推力(kN);T为刀盘扭矩(kN·m);P为贯入度(mm/r);V是推进速度(mm/min);n为刀盘转速(rpm)。
数据标准化处理是采用标准化公式将FPI与TPI指数落入0-1之间。
标准化数据由以下公式确定:
式中,x’为变换后的数据;x为原始数据;xmin为数据中的最小值;xmax为数据中的最大值。
第三步:将地层类型预分类映射至FPI和TPI空间,并将盾构掘进区域对应FPI和TPI指数绘制在FPI和TPI空间,判断是否出现新的地层类型并确定地层类型数量K。
FPI和TPI空间是分别以FPI指数和TPI指数为横轴和纵轴绘制而成的二维平面图。
将地层类型预分类映射至FPI和TPI空间是指,将钻孔处盾构参数对应的FPI和TPI指数标记在FPI和TPI空间中,建立钻孔处地层类型预分类与FPI和TPI的映射关系,明确地层类型预分类在FPI和TPI空间的位置。
判断是否出现新的地层类型是指,计算预分类地层类型的FPI与TPI指数的中心点μi之间的欧式距离平均值s,并计算每个单位盾构掘进距离的FPI和TPI指数构成的坐标点到μi的欧式距离dik,则若满足以下公式,则出现新地层,
式中,P表示百分比。
出现新地层指的是,对dik>s的点和同一μi距离最小的比例超过100%/K0,则相对第i类预分类地层类型出现一种新地层。
更优选地,中心点μi由以下公式确定:
式中,Ci为第i类地层类型的点集;x为Ci中的FPI与TPI构成的点。
优选地,所述欧氏距离由以下公式确定:
确定地层类型数量K是将预分类地层类型数量根据出现新的地层类型数量m,将预分类地层类型数量K0增加m。
第四步:将FPI与TPI指数输入到改进的K-Means分类算法中,采用轮盘法选取K个聚类中心,计算每个FPI与TPI指数构成的坐标点到聚类中心距离并划分类别,重新计算分类中心并判断平方误差函数是否最小。
(1)所述的改进K-Means分类算法是改进选取初始聚类中心的方法,结合盾构实时FPI与TPI指数对地层信息进行分类处理的聚类算法。
优选地,所述的改进选取初始聚类中心的方法指的是不直接随机选取K个聚类中心,而是通过轮盘法逐个选取聚类中心。
优选地,所述的结合盾构实时FPI与TPI指数对地层信息进行分类处理指的当获取到新的盾构参数时,将其转化为PFI与TPI指数输入到改进的K-Means分类算法中,经聚类处理后划分至聚类地层类型中,判断所属的地层类型。
(2)所述的采用轮盘法选取K个聚类中心是根据概率选取初始聚类中心。
优选地,所述的根据概率选取聚类中心指的是先从数据集中选取一个样本作为初始聚类中心c1,再计算每个样本到c1的欧式距离D(x),然后计算每个样本被选为下一个聚类中心的概率Pc。然后,按照轮盘法选取下一个聚类中心。最后重复该过程选择出K个聚类中心。
更优选地,所述的概率Pc由以下公式确定:
式中,x为FPI与TPI所构成的点。
(3)所述的计算每个点到聚类中心的距离并划分类别指的是计算输入数据FPI、TPI与选取的K中心点之间的欧式距离并按照最短距离法将点划分到K个类别中。
最短距离法指的是任意点划分为离它最近的聚类中心类别中。
(4)所述的重新计算分类中心指的是按照第三步中心点计算方法重新计算划分好的类别的中心点位置。
(5)所述的判断平方误差函数最小指的是满足K-Means分类算法的约束条件。
K-Means算法的约束条件由以下公式确定:
式中,E为平方误差;k为类别数。若E最小则结束分类,否则返回至第四步(3)直至满足约束条件。
第五步:输出确定的地层类型,根据确定的地层类型判断盾构掘进的难易程度并设置盾构掘进参数,掘进完成后,根据传感器反馈的实时掘进参数进行下一时刻地层类型地确定。
所述的地层类型是经过地层类型确定方法得到的盾构机掘进时对应的地层类型。
所述的盾构掘进难易程度指的是根据地层类型确定掘进的困难程度。
所述的地层类型指的是在软土地层中,细颗粒含量越高,颗粒物难以分散,土体不易经螺旋机排除,盾构施工困难;在硬岩地层中,岩层硬度越大,盾构机推力越大,盾构难以掘进,且刀具易受磨损,盾构掘进困难;在软硬不均地层中,硬岩所占比例越大,盾构掘进时不同位置千斤顶推力不同,盾构机轴线位置难以控制。
所述的设置盾构掘进参数指的是根据地层特征调整盾构机的推力、推进速度、刀盘扭矩和刀盘转速。
本发明的工作原理:
本发明提出了一种基于盾构实时掘进参数的地层特性确定方法,通过对盾构掘进实时参数进行处理与二次变换,输入到K-Means分类算法中并对盾构机掘进过程的地层情况进行实时地确定。本方法先收集盾构法隧道施工前的勘察报告并对地层情况进行预分类,同时对盾构机实时收集的参数进行去除空白值和异常值处理、光滑性处理、二次变换为FPI与TPI指数和标准化处理。再将处理完成的指数绘制成二维平面图,判断是否产生新的地层类型并更新地层类别数量为K。然后将标准化后的参数输入到K-Means算法中,选取K个聚类中心并按照最短距离法进行划分地层类型,再重新计算划分好的类别中心点的位置,计算平方误差并使其最小,否则重新进行分类,直到满足平方误差函数最小,最后输出对应参数确定的地层类型。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,包括以下步骤:
S1:收集地质勘察报告资料并确定预分类地层类型;
S2:收集盾构掘进实时参数并进行参数预处理,计算单位盾构掘进距离对应的地层分类指标,所述地层分类指标包括FPI与TPI;
S3:将所述预分类地层类型映射至FPI与TPI空间,并将盾构掘进区域对应FPI与TPI绘制在所述FPI与TPI空间中,判断是否出现新的地层类型并确定地层类型数量K;
S4:将所述FPI与TPI输入到改进的K-Means分类算法中,采用轮盘法选取K个聚类中心,计算每个FPI与TPI构成的坐标点到聚类中心距离并划分类别,重新计算分类中心并判断平方误差函数是否最小;
S5:输出确定的地层类型,根据确定的地层类型判断盾构掘进的难易程度并设置盾构掘进参数,掘进完成后,根据传感器反馈的实时掘进参数进行下一时刻地层类型地确定。
2.根据权利要求1所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述S1中确定预分类地层类型为将隧道施工区间的土层进行预先分类,得到地层类别及其数量K0。
3.根据权利要求2所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述地层类别划分为软土地层、岩石地层和软硬不均地层。
4.根据权利要求1所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述S2中所述实时参数包括盾构机推力F、推进速度V、刀盘扭矩T和刀盘转速RSP。
5.根据权利要求4所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述S2中所述参数预处理是对收集的盾构机参数数据进行剔除处理、数据光滑性处理、数据二次变换为FPI与TPI处理和数据标准化处理。
7.根据权利要求1所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述S3中所述FPI与TPI空间为FPI与TPI为横轴和纵轴绘制而成的二维平面图,所述映射操作是建立钻孔处地层类型预分类与FPI与TPI的映射关系,明确地层类型预分类在FPI与TPI空间的位置。
8.根据权利要求7所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述判断是否出现新的地层类型包括步骤:
计算预分类地层类型的FPI与TPI的中心点μi之间的欧式距离平均值s,并计算每个单位盾构掘进距离的FPI和TPI构成的坐标点到μi的欧式距离dik,则若满足以下公式,则出现新地层,
所述出现新地层为对dik>s的点和同一μi距离最小的比例超过100%/K0,则相对第i类预分类地层类型出现一种新地层;
所述中心点μi由以下公式确定:
式中,Ci为第i类地层类型的点集;x为Ci中的FPI与TPI构成的点;
所述欧氏距离由以下公式确定:
9.根据权利要求1所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述步骤S4中,所述的改进K-Means分类算法为改进选取初始聚类中心的方法,结合盾构实时FPI与TPI指数对地层信息进行分类处理的聚类算法;
所述改进选取初始聚类中心的方法为不直接随机选取K个聚类中心,而是通过轮盘法逐个选取聚类中心;
所述结合盾构实时FPI与TPI指数对地层信息进行分类处理指的当获取到新的盾构参数时,将其转化为PFI与TPI指数输入到改进的K-Means分类算法中,经聚类处理后划分至聚类地层类型中,判断所属的地层类型。
10.根据权利要求9所述的用盾构实时掘进参数来识别确定地层特性的方法,其特征在于,所述采用轮盘法选取K个聚类中心是根据概率选取初始聚类中心,所述根据概率选取初始聚类中心是先从数据集中选取一个样本作为初始聚类中心c1,再计算每个样本到c1的欧式距离D(x),然后计算每个样本被选为下一个聚类中心的概率Pc,按照轮盘法选取下一个聚类中心,最后重复该过程选择出K个聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183343.6A CN112963160A (zh) | 2021-02-10 | 2021-02-10 | 一种用盾构实时掘进参数来识别确定地层特性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183343.6A CN112963160A (zh) | 2021-02-10 | 2021-02-10 | 一种用盾构实时掘进参数来识别确定地层特性的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112963160A true CN112963160A (zh) | 2021-06-15 |
Family
ID=76284791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110183343.6A Pending CN112963160A (zh) | 2021-02-10 | 2021-02-10 | 一种用盾构实时掘进参数来识别确定地层特性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112963160A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114622538A (zh) * | 2022-03-25 | 2022-06-14 | 中国华能集团有限公司 | 智能振冲地层识别方法及控制系统 |
CN117189239A (zh) * | 2023-09-07 | 2023-12-08 | 中国矿业大学 | 一种隧道围岩损伤监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750800A (zh) * | 2014-11-13 | 2015-07-01 | 安徽四创电子股份有限公司 | 一种基于出行时间特征的机动车聚类方法 |
CN107676100A (zh) * | 2017-09-05 | 2018-02-09 | 石家庄铁道大学 | 基于盾构掘进参数的不良地层预测方法 |
CN109359679A (zh) * | 2018-10-10 | 2019-02-19 | 洪月华 | 适用于广域网的分布式交通大数据并行聚类方法 |
CN110084325A (zh) * | 2019-05-13 | 2019-08-02 | 电子科技大学成都学院 | 基于区域选取初始聚类中心的K-Means改进算法 |
CN110705606A (zh) * | 2019-09-12 | 2020-01-17 | 武汉大学 | 一种基于Spark分布式内存计算的空间K均值聚类方法 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN111581325A (zh) * | 2020-07-13 | 2020-08-25 | 重庆大学 | 一种基于时空影响距离的K-means站点区域划分方法 |
-
2021
- 2021-02-10 CN CN202110183343.6A patent/CN112963160A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750800A (zh) * | 2014-11-13 | 2015-07-01 | 安徽四创电子股份有限公司 | 一种基于出行时间特征的机动车聚类方法 |
CN107676100A (zh) * | 2017-09-05 | 2018-02-09 | 石家庄铁道大学 | 基于盾构掘进参数的不良地层预测方法 |
CN109359679A (zh) * | 2018-10-10 | 2019-02-19 | 洪月华 | 适用于广域网的分布式交通大数据并行聚类方法 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN110084325A (zh) * | 2019-05-13 | 2019-08-02 | 电子科技大学成都学院 | 基于区域选取初始聚类中心的K-Means改进算法 |
CN110705606A (zh) * | 2019-09-12 | 2020-01-17 | 武汉大学 | 一种基于Spark分布式内存计算的空间K均值聚类方法 |
CN111581325A (zh) * | 2020-07-13 | 2020-08-25 | 重庆大学 | 一种基于时空影响距离的K-means站点区域划分方法 |
Non-Patent Citations (2)
Title |
---|
王甲福;秦昊;: "基于八叉树的均值聚类点云精简方法", 自动化应用, no. 04, pages 1 - 4 * |
赵晓东;: "基于土层识别的盾构刀盘转速控制策略研究", 电脑知识与技术, no. 08, pages 1 - 4 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114622538A (zh) * | 2022-03-25 | 2022-06-14 | 中国华能集团有限公司 | 智能振冲地层识别方法及控制系统 |
CN117189239A (zh) * | 2023-09-07 | 2023-12-08 | 中国矿业大学 | 一种隧道围岩损伤监测方法 |
CN117189239B (zh) * | 2023-09-07 | 2024-04-19 | 中国矿业大学 | 一种隧道围岩损伤监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2787851C (en) | Rock property measurements while drilling | |
CN112963160A (zh) | 一种用盾构实时掘进参数来识别确定地层特性的方法 | |
CN111323844B (zh) | 一种基于曲线重构的复杂砂砾岩体的岩性识别方法及系统 | |
CN112901183B (zh) | 一种基于机器学习的盾构施工过程地质特征确定方法 | |
Shi et al. | A fuzzy c-means algorithm guided by attribute correlations and its application in the big data analysis of tunnel boring machine | |
CN110630274B (zh) | 一种盾构隧道复合地层组段实施系统及实施方法 | |
Yan et al. | Identification of geological characteristics from construction parameters during shield tunnelling | |
CN115329657A (zh) | 钻井参数优化方法及装置 | |
CN113946899A (zh) | 一种基于实时地质信息的泥水盾构掘进参数预测方法 | |
US20240060419A1 (en) | Method and system for automated rock recognition | |
CN110119522B (zh) | 一种开挖岩质边坡破坏风险分析的稳定性评级方法 | |
Gu et al. | The application of intuitionistic fuzzy set-TOPSIS model on the level assessment of the surrounding rocks | |
CN112598061B (zh) | 一种隧道围岩聚类分级方法 | |
CN116403124A (zh) | 一种基于DResNet-PointNet的三维点云围岩的结构面智能识别方法 | |
CN112554943B (zh) | 一种基于tbm掘进参数的地质风险预警方法、系统及装置 | |
CN110443890B (zh) | 原地浸出矿床地层建模方法 | |
CN113688446A (zh) | 一种围岩判别分级方法 | |
Silversides et al. | Machine learning for classification of stratified geology from MWD data | |
Hassan et al. | Effect of drilling speed of probe drilling data on the clustering of rock strength at NATM-4, Hulu Langat, Selangor | |
CN114492038A (zh) | 基于模糊分类算法的盾构掘进地质特征识别方法和系统 | |
CN113657515A (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 | |
Liu et al. | Geological identification based on K-Means cluster of data tree of shield tunneling parameters | |
Wu et al. | Research on Stratum Identification Method Based on TBM Tunneling Characteristic Parameters | |
CN113032959B (zh) | 基于施工参数的盾构机掘进的安全状态确定方法、装置 | |
CN116624163A (zh) | 一种基于盾构掘进参数的地质识别方法 |
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 |