CN113513331A - 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 - Google Patents
基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 Download PDFInfo
- Publication number
- CN113513331A CN113513331A CN202110407464.4A CN202110407464A CN113513331A CN 113513331 A CN113513331 A CN 113513331A CN 202110407464 A CN202110407464 A CN 202110407464A CN 113513331 A CN113513331 A CN 113513331A
- Authority
- CN
- China
- Prior art keywords
- shield machine
- tunneling
- parameters
- operation parameters
- shield
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 56
- 239000002689 soil Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011435 rock Substances 0.000 claims abstract description 17
- 238000012512 characterization method Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 10
- 239000012530 fluid Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质,包括:筛选盾构机运行参数,构造高维盾构机运行参数集;利用LTSA数据降维算法从高维运行参数集中提取内蕴低维特征,作为掘进掌子面地质特征表征向量;构造基于Xgboost的识别模型,建立地质特征向量与掌子面岩土类型之间的映射关系,通过盾构机运行参数中提取的地质特征表征向量准确识别当前掌子面岩土类型。本发明只需利用土压平衡盾构机盾构机自带的状态监测系统获取的海量现场参数便可以实时识别掘进时掌子面的岩土类型,减少了盾构机停机进行地质勘探的时间,加快了施工进度,降低了施工成本。
Description
技术领域
本发明涉及地质类型感知识别技术领域,具体地,涉及一种基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质。
背景技术
土压平衡盾构机作为一种隧道掘进工程机械,广泛的应用于铁路、地铁、公路等隧道工程中。相比于钻爆法、人工开挖等方法,盾构法受地层地质影响较大。当盾构机运行参数不能适应当前掘进地层时,可能出现盾构机刀盘堵塞、盾体卡死、隧道塌陷等施工事故。对岩土类型的实时准确感知,是选取合理的掘进参数、保障施工安全的重要前提条件。传统的岩土类型勘测采用钻孔测井法。由于钻孔深度有限,难以对深度较大的隧道进行地质测量。同时,有限个数的钻孔难以反映隧道所在地层岩土类型的全貌。随着地质勘测技术的发展,出现了地震波勘测法、探地雷达法、声波探测法等新方法。这些方法存在成本较高、测量速度慢、受施工空间限制等问题,在盾构法中的应用受到了限制。
大量研究表明,盾构机运行参数与掌子面地质之间具有密切的联系。现有基于盾构机运行参数的掌子面地质识别方法主要选择总推力、刀盘转矩等较少的运行参数表征当前掘进地层的地质特征。实际上,大量的盾构机运行参数中蕴含的地质特征没有被挖掘,容易造成信息损失,影响了模型识别的精度。当选择运行参数输入数量变多时,又会造成模型训练速度慢,泛化能力差等问题。为解决以上问题,本发明提出了一种面向掌子面地质类型识别的盾构机运行参数选择方法,筛选了与地质密切相关的盾构机运行参数,蕴含了更为丰富的地质信息;采用局部切空间排列算法对筛选的盾构机运行参数进行数据降维,提取其中的稀疏低维地质特征;最后,建立基于极限梯度提升树算法的分类模型,建立低维地质特征与掌子面地质类型之间的映射关系。有效解决了基于盾构机运行参数的掌子面岩土类型识别模型识别准确率低、模型训练速度慢的问题。
专利文献CN111753871A(申请号:CN202010392710.9)公开了一种基于XGBOOST算法与特征工程的岩性及流体类型识别方法,包括以下步骤:1)根据钻井或测井数据获取地层的岩性及流体类型标签以及对应的弹性参数数据构建岩性及流体类型-弹性参数的学习样本;2)特征构造:根据弹性参数利用数学变换构造特征集合;3)特征选择:结合嵌入式特征选择与包裹式特征选择策略,在特征集合中选择最终的输入特征;4)通过XGBOOST算法构建多井岩性和流体识别的机器学习模型进行学习并输出岩性及流体类型识别结果。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质。
根据本发明提供的基于盾构机运行参数的掘进掌子面岩土类型识别方法,包括:
步骤1:选取与盾构机掌子面地质特征相关的盾构机运行参数,通过盾构机自带的监控系统每隔预设时间进行盾构机运行参数采集;
步骤2:将采集的盾构机运行参数作为特征集,将对应的盾构机掌子面岩土类型作为标签,选取每种掘进地质条件对应的盾构机运行参数作为训练集进行模型训练,将其余运行参数作为测试集进行模型有效性检验;
步骤3:将掌子面岩土类型未知的盾构机运行参数集输入到训练后的模型中,根据盾构机运行参数对当前掌子面岩土类型进行预测。
优选的,采集的参数包括推进系统、刀盘系统、螺旋机、土舱、添加剂注入装置的运行参数和传感器检测参数。
优选的,对采集的运行参数进行预处理,包括:
根据盾构机运行状态参数,选择盾构机处于掘进状态的运行数据,去除盾构机处于待机状态、停机状态的运行数据;
筛选出盾构机处于预设平稳运行状态的数据;
对运行参数进行归一化处理,使得每个特征的取值在0~1之间。
优选的,所述步骤2包括:将训练集数据输入到局部切空间排列数据降维模型中,从高维的盾构机运行参数集中提取内蕴低维特征,作为此时掘进掌子面地质特征的表征向量,构造基于极限梯度提升的识别模型,建立地质特征表征向量与掌子面岩土类型之间的映射关系,并用测试集数据验证该掌子面岩土类型识别模型的有效性。
根据本发明提供的基于盾构机运行参数的掘进掌子面岩土类型识别系统,包括:
模块M1:选取与盾构机掌子面地质特征相关的盾构机运行参数,通过盾构机自带的监控系统每隔预设时间进行盾构机运行参数采集;
模块M2:将采集的盾构机运行参数作为特征集,将对应的盾构机掌子面岩土类型作为标签,选取每种掘进地质条件对应的盾构机运行参数作为训练集进行模型训练,将其余运行参数作为测试集进行模型有效性检验;
模块M3:将掌子面岩土类型未知的盾构机运行参数集输入到训练后的模型中,根据盾构机运行参数对当前掌子面岩土类型进行预测。
优选的,采集的参数包括推进系统、刀盘系统、螺旋机、土舱、添加剂注入装置的运行参数和传感器检测参数。
优选的,对采集的运行参数进行预处理,包括:
根据盾构机运行状态参数,选择盾构机处于掘进状态的运行数据,去除盾构机处于待机状态、停机状态的运行数据;
筛选出盾构机处于预设平稳运行状态的数据;
对运行参数进行归一化处理,使得每个特征的取值在0~1之间。
优选的,所述模块M2包括:将训练集数据输入到局部切空间排列数据降维模型中,从高维的盾构机运行参数集中提取内蕴低维特征,作为此时掘进掌子面地质特征的表征向量,构造基于极限梯度提升的识别模型,建立地质特征表征向量与掌子面岩土类型之间的映射关系,并用测试集数据验证该掌子面岩土类型识别模型的有效性。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现上述的方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
本发明无需进行额外的地质采样检测,也无需部署复杂、昂贵的地质类型检测设备,只需利用土压平衡盾构机盾构机自带的状态监测系统获取的海量现场参数便可以实时识别掘进时掌子面的岩土类型,减少了盾构机停机进行地质勘探的时间,加快了施工进度,降低了施工成本。同时,对于保障施工安全,选取合理的盾构机运行参数有重要意义。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于盾构机运行参数的掘进掌子面岩土类型识别方法流程图;
图2为本发明实施例中获取盾构机掘进状态运行参数示意图;
图3为本发明实施例中获取盾构机平稳运行端参数示意图;
图4为本发明实施例在测试集上对掌子面岩土类型识别结果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
参考图1,根据本发明提供的一种基于盾构机运行参数的掘进掌子面岩土类型识别方法,包括以下步骤:
步骤1:从盾构机海量运行参数中选取与盾构机掌子面地质特征密切相关的盾构机运行参数,这些现场参数由土压平衡盾构机自带的监控系统每隔一定时间(如5s)或距离(如20mm)进行采集,包括推进系统、刀盘系统、螺旋机、土舱、添加剂注入装置的相关运行参数和传感器检测参数。TBM自带的监控系统为可以采集相关参数的装置,例如对应的传感器;
步骤2:将步骤1获取的盾构机运行参数作为特征集,将对应的盾构机掌子面岩土类型作为标签,掌子面岩土类型标签可通过其他地质勘探方法获得(如钻孔测井法、超声波法、地震波法等);
步骤3:对步骤2中获取的盾构机运行参数特征集进行数据预处理,具体步骤如下:
(1)筛选盾构机处于掘进状态下的运行参数,筛选方法如图2所示,根据盾构机运行状态参数,选择盾构机处于2(掘进)状态的运行数据,去掉盾构机处于1(待机)、0(停机)状态的运行数据;
(2)筛选盾构机处于平稳运行状态的数据点,构造盾构机运行参数数据集。盾构机平稳运行状态的确定如图3所示,将盾构机每次启动后规定时间(如100秒)内的运行状态定义为非平稳运行状态,规定时间(100秒)之后的盾构机运行的状态定义为平稳运行状态;
(3)对运行参数进行归一化处理,将每种运行参数除以该参数的额定值进行归一化,参数额定值根据具体型号盾构机的技术手册选取,使得每个特征的取值在0~1之间;
步骤4:认为掌子面地质条件在掘进一环时保持不变,选取每种掘进地质条件对应的一环的盾构机运行参数作为模型训练集,将其他所有环的运行参数作为模型测试集,其中训练集训练模型,测试集检验模型有效性;
步骤5:将训练集数据输入到局部切空间排列数据降维模型(LTSA)中,从高维的盾构机运行参数集中提取内蕴低维特征,作为此时掘进掌子面地质特征的表征向量,构造基于极限梯度提升(Xgboost)的识别模型,建立地质特征表征向量与掌子面岩土类型之间的映射关系,并用测试集数据验证该掌子面岩土类型识别模型的有效性。
步骤6:将掌子面岩土类型未知的盾构机运行参数集输入到训练好的LTSA-Xgboost模型中,根据盾构机运行参数对当前掌子面岩土类型进行预测。
图4为本发明实施例提供的基于某土压平衡盾构机施工隧道现场数据构造的数据集中测试集上的掌子面识别结果示意图。该施工区间上具有五种地质类型,从五种地质类型中各选择500个样本点作为测试集。由图3可知,本识别方法对测试集上五种掌子面岩土类型的平均识别精度达到98.48%。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于盾构机运行参数的掘进掌子面岩土类型识别方法,其特征在于,包括:
步骤1:选取与盾构机掌子面地质特征相关的盾构机运行参数,通过盾构机自带的监控系统每隔预设时间进行盾构机运行参数采集;
步骤2:将采集的盾构机运行参数作为特征集,将对应的盾构机掌子面岩土类型作为标签,选取每种掘进地质条件对应的盾构机运行参数作为训练集进行模型训练,将其余运行参数作为测试集进行模型有效性检验;
步骤3:将掌子面岩土类型未知的盾构机运行参数集输入到训练后的模型中,根据盾构机运行参数对当前掌子面岩土类型进行预测。
2.根据权利要求1所述的基于盾构机运行参数的掘进掌子面岩土类型识别方法,其特征在于,采集的参数包括推进系统、刀盘系统、螺旋机、土舱、添加剂注入装置的运行参数和传感器检测参数。
3.根据权利要求1所述的基于盾构机运行参数的掘进掌子面岩土类型识别方法,其特征在于,对采集的运行参数进行预处理,包括:
根据盾构机运行状态参数,选择盾构机处于掘进状态的运行数据,去除盾构机处于待机状态、停机状态的运行数据;
筛选出盾构机处于预设平稳运行状态的数据;
对运行参数进行归一化处理,使得每个特征的取值在0~1之间。
4.根据权利要求1所述的基于盾构机运行参数的掘进掌子面岩土类型识别方法,其特征在于,所述步骤2包括:将训练集数据输入到局部切空间排列数据降维模型中,从高维的盾构机运行参数集中提取内蕴低维特征,作为此时掘进掌子面地质特征的表征向量,构造基于极限梯度提升的识别模型,建立地质特征表征向量与掌子面岩土类型之间的映射关系,并用测试集数据验证该掌子面岩土类型识别模型的有效性。
5.一种基于盾构机运行参数的掘进掌子面岩土类型识别系统,其特征在于,包括:
模块M1:选取与盾构机掌子面地质特征相关的盾构机运行参数,通过盾构机自带的监控系统每隔预设时间进行盾构机运行参数采集;
模块M2:将采集的盾构机运行参数作为特征集,将对应的盾构机掌子面岩土类型作为标签,选取每种掘进地质条件对应的盾构机运行参数作为训练集进行模型训练,将其余运行参数作为测试集进行模型有效性检验;
模块M3:将掌子面岩土类型未知的盾构机运行参数集输入到训练后的模型中,根据盾构机运行参数对当前掌子面岩土类型进行预测。
6.根据权利要求5所述的基于盾构机运行参数的掘进掌子面岩土类型识别系统,其特征在于,采集的参数包括推进系统、刀盘系统、螺旋机、土舱、添加剂注入装置的运行参数和传感器检测参数。
7.根据权利要求5所述的基于盾构机运行参数的掘进掌子面岩土类型识别系统,其特征在于,对采集的运行参数进行预处理,包括:
根据盾构机运行状态参数,选择盾构机处于掘进状态的运行数据,去除盾构机处于待机状态、停机状态的运行数据;
筛选出盾构机处于预设平稳运行状态的数据;
对运行参数进行归一化处理,使得每个特征的取值在0~1之间。
8.根据权利要求5所述的基于盾构机运行参数的掘进掌子面岩土类型识别系统,其特征在于,所述模块M2包括:将训练集数据输入到局部切空间排列数据降维模型中,从高维的盾构机运行参数集中提取内蕴低维特征,作为此时掘进掌子面地质特征的表征向量,构造基于极限梯度提升的识别模型,建立地质特征表征向量与掌子面岩土类型之间的映射关系,并用测试集数据验证该掌子面岩土类型识别模型的有效性。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407464.4A CN113513331A (zh) | 2021-04-15 | 2021-04-15 | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407464.4A CN113513331A (zh) | 2021-04-15 | 2021-04-15 | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113513331A true CN113513331A (zh) | 2021-10-19 |
Family
ID=78062516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407464.4A Pending CN113513331A (zh) | 2021-04-15 | 2021-04-15 | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113513331A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013181706A1 (en) * | 2012-06-06 | 2013-12-12 | Mclean Christian | A mesh and method for making the mesh |
CN104675392A (zh) * | 2013-12-02 | 2015-06-03 | 中国石油化工股份有限公司 | 一种基于叠前多参数降维的储层岩性识别方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN110020694A (zh) * | 2019-04-19 | 2019-07-16 | 中铁工程装备集团有限公司 | 一种基于智能驱动模型的tbm不良地质辨识方法 |
CN110990938A (zh) * | 2019-12-28 | 2020-04-10 | 中铁工程装备集团有限公司 | 一种掌子面在掘岩体状态软测量方法 |
CN111160571A (zh) * | 2019-12-31 | 2020-05-15 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
CN111291500A (zh) * | 2020-03-06 | 2020-06-16 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据的反演建模方法 |
CN111365015A (zh) * | 2020-03-05 | 2020-07-03 | 中建交通建设集团有限公司 | 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 |
-
2021
- 2021-04-15 CN CN202110407464.4A patent/CN113513331A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013181706A1 (en) * | 2012-06-06 | 2013-12-12 | Mclean Christian | A mesh and method for making the mesh |
CN104675392A (zh) * | 2013-12-02 | 2015-06-03 | 中国石油化工股份有限公司 | 一种基于叠前多参数降维的储层岩性识别方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN110020694A (zh) * | 2019-04-19 | 2019-07-16 | 中铁工程装备集团有限公司 | 一种基于智能驱动模型的tbm不良地质辨识方法 |
CN110990938A (zh) * | 2019-12-28 | 2020-04-10 | 中铁工程装备集团有限公司 | 一种掌子面在掘岩体状态软测量方法 |
CN111160571A (zh) * | 2019-12-31 | 2020-05-15 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
CN111365015A (zh) * | 2020-03-05 | 2020-07-03 | 中建交通建设集团有限公司 | 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 |
CN111291500A (zh) * | 2020-03-06 | 2020-06-16 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据的反演建模方法 |
Non-Patent Citations (1)
Title |
---|
齐力编: "《公共安全大数据技术与应用》", 31 December 2017 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A review of the current status of induced seismicity monitoring for hydraulic fracturing in unconventional tight oil and gas reservoirs | |
CN106194159B (zh) | 一种矿井随钻测斜勘探系统及其测量方法 | |
CN103649463B (zh) | 用于执行井眼增产操作的系统和方法 | |
CN114879252B (zh) | 基于深度学习的das同井监测实时微地震有效事件识别方法 | |
CN104685153A (zh) | 用于执行增产作业的系统和方法 | |
CN103244101B (zh) | 随钻进的岩层质量评价方法 | |
AU2017200627A1 (en) | A method of, and a system for, drilling to a position relative to a geological boundary | |
CN206016797U (zh) | 测量模块及具有所述测量模块的矿井随钻测斜勘探系统 | |
CN106703795A (zh) | 基于激光测距仪的巷道顶板岩体质量等级随钻探测装置及方法 | |
CN105927211A (zh) | 一种深部地下工程的岩体力学特性原位钻进测试方法及装置 | |
CN103308946A (zh) | 一种基于炮孔钻进信息的隧道超前地质预报方法 | |
CN109798100A (zh) | 基于近钻头工程参数随钻测量的地层判断识别方法 | |
Niu et al. | Experimental Study on Comprehensive Real‐Time Methods to Determine Geological Condition of Rock Mass along the Boreholes while Drilling in Underground Coal Mines | |
CN104153768A (zh) | 一种评价花岗岩储层储集性能的方法 | |
Yang et al. | Pattern Recognition of the Vertical Hydraulic Fracture Shapes in Coalbed Methane Reservoirs Based on Hierarchical Bi‐LSTM Network | |
CN106032750B (zh) | 一种基于钻探能谱的地质编录仪 | |
CN105064987A (zh) | 利用随钻录井q参数进行水层识别的解释评价方法 | |
CN113513331A (zh) | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 | |
CN116816340A (zh) | 一种地层岩性及地质结构随钻智能识别方法及系统 | |
CN115950947A (zh) | 一种tbm隧洞基于振动信号实时的地质参数预测方法 | |
Stringer et al. | Advanced soil sampling of silty sands in Christchurch | |
CN106869904B (zh) | 一种利用钻机运行参数原位实时确定岩体损伤状态的方法 | |
CN115759351A (zh) | 泥水盾构掘进综合预警方法、系统及存储介质 | |
CN215256164U (zh) | 监测钻机在钻探过程中地层变化的装置 | |
CN114972994A (zh) | 盾构机施工掌子面地质类型识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |