CN113515877B - 一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置 - Google Patents
一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置 Download PDFInfo
- Publication number
- CN113515877B CN113515877B CN202110262958.8A CN202110262958A CN113515877B CN 113515877 B CN113515877 B CN 113515877B CN 202110262958 A CN202110262958 A CN 202110262958A CN 113515877 B CN113515877 B CN 113515877B
- Authority
- CN
- China
- Prior art keywords
- temperature
- freezing
- function
- frozen
- fitting
- 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 83
- 230000008569 process Effects 0.000 title claims abstract description 60
- 239000002689 soil Substances 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 36
- 230000036760 body temperature Effects 0.000 title claims description 3
- 230000008014 freezing Effects 0.000 claims abstract description 113
- 238000007710 freezing Methods 0.000 claims abstract description 113
- 230000006870 function Effects 0.000 claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 12
- 239000002002 slurry Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000005641 tunneling Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000149 penetrating effect Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- E21D9/001—Improving soil or rock, e.g. by freezing; Injections
-
- 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
Abstract
本发明公开了一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法,步骤如下:S1、采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;S2、对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面。本发明还公开了一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置,包括:温度函数拟合模块:采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;冻结体函数拟合模块:对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面。本发明通过有效的控制积极冻结的时长,智能优化冻结,减少资源浪费,加强对环境保护,可以广泛应用于隧道及地下工程技术领域。
Description
技术领域
本发明涉及隧道及地下工程技术领域,特别是涉及一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置。
背景技术
冻结法是一种利用人工制冷的手段暂时对加固地层进行冻结,隔断地下水作用的一种方法,目前冻结法应用于盾构工作井始发与接收较多,尤其在盾构掘进面存在透水层时。冻结法施工可有效的隔断始发、接收洞门和透水层土体,能较好的确保盾构始发、接收时洞口透水层所携带的承压水致盾构工作井发生涌水、涌土等安全事故。
以珠海十字门穿海盾构隧道工程为背景(以下简称穿海盾构),穿海盾构外径15.2m,盾构断面内存在高水头砂性土,且盾构端头加固与海岸大堤较近,风险较大,盾构冻结法采用水平冻结+垂直冻结,水平冻结厚设计要求有效厚度为3m,垂直冻结有效厚度为2m,测温管埋置于冻结体内。
参见图1,现有的盾构工作井冻结加固往往根据规范确定,同时对加固体进行冻结,冻结要求积极冻结温度一般为-28℃,冻结体温度一般取值-8℃~-10℃,且需维持冻结防止温度受外界温度的影响流失,影响冻结体的有效厚度。为满足穿海隧道始发的安全,要求积极冻结在满足冻结体有效厚度的情况下不间断的进行,直至盾构始发结束,该方法可造成不必要的资源浪费,且海边环境水流动性强,在无法判断温度衰减的特性情况下,需利用海量的冷冻剂去维持冻结体的有效厚度。
以往的冻结法设计与施工较为粗放,该方法无法有效的控制其对周边环境的不利影响,其粗放式设计与施工往往存在经济性差,可行性差的特点,以本次十字门隧道工程穿海大盾构隧道为例,水平冻结设计要求宽度为3m,设置两排冻结管,但存在一排冻结管位于盾构掘进面内,破洞门时需拔除,但砂性土流动水大,温度扩散快,无法保证冻结体宽度3m在盾构始发时能满足要求,且造成过多的资源浪费。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置,使其通过有效的控制积极冻结的时长,智能优化冻结,减少资源浪费,加强对环境保护。
本发明提供的一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法,包括如下步骤:S1、采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;S2、对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面,并与设计冻结面进行比较,以满足设计为标准。
在上述技术方案中,所述步骤S1的具体步骤如下:S11、进行冻结管、测温管的施工,并实施冻结,监测多个测温管温度初始值;S12、实施积极冻结,并多次收集各个测点的数值;S13、根据测到的各点测温管监测的温度t,采用高斯过程机器学习工具拟合温度变化效应t=f(n,l,t0),其中,n为所处地层,l为与中心冻结管距离,t0为中心冻结管温度,t为目标值,该函数为隐式函数。
在上述技术方案中,所述步骤S2的具体步骤如下:S21、采用PSO群智能优化算法求取隐式函数的0值,即确定冻结体的0℃的界面,计算冻结体的宽度,该宽度不小于设计要求的控制要求;S22、动态更新学习样本,并进行不断的拟合学习,以优化计算冻结体的宽度,严格控制冻结体温度。
在上述技术方案中,所述步骤S13中,分别对1℃以上的中心冻结管温度t0和-1℃以下的中心冻结管温度t0进行函数拟合。
在上述技术方案中,所述步骤S22中,对中心冻结管温度t0在-1℃~1℃之间的土体变形过程进行收集,对样本进行函数拟合。
在上述技术方案中,所述步骤S21中,所述冻结体宽度的设计要求不小于3m。
在上述技术方案中,所述步骤S1还包括步骤S14、随着盾构掘进过程中,开挖的冻结体和泥水盾构机施工过程中产生大量的泥浆,对温度规律产生影响,需要做到动态更新样本,并不断拟合分析。
本发明还提供了一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置,包括如下部分:温度函数拟合模块:采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;冻结体函数拟合模块:对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面,并与设计冻结面进行比较,以满足设计为标准。
在上述技术方案中,所述温度函数拟合模块包括如下部分:测温管温度初始值监测单元:随着冻结管和测温管的施工,监测多个测温管温度初始值,实施积极冻结,并多次收集各个测点的数值;温度变化效应拟合单元:根据测到的各点测温管监测的温度t,采用高斯过程机器学习工具拟合温度变化效应t=f(n,l,t0),其中,n为所处地层,l为与中心冻结管距离,t0为中心冻结管温度,t为目标值,该函数为隐式函数;动态分析单元:随着盾构掘进过程中,开挖的冻结体和泥水盾构机施工过程中产生大量的泥浆,对温度规律产生影响,需要做到动态更新样本,并不断拟合分析。
在上述技术方案中,所述冻结体函数拟合模块包括如下部分:隐式函数求取单元:采用PSO群智能优化算法求取隐式函数的0值,即确定冻结体的0℃的界面,计算冻结体的宽度,该宽度不小于设计要求的控制要求;学习样本更新单元:动态更新学习样本,并进行不断的拟合学习,以优化计算冻结体的宽度,严格控制冻结体温度。
本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置,具有以下有益效果:本发明通过高斯过程机器学习工具拟合温度在岩土体中的表现特性与积极冻结时长的函数规律,优化设计,优化水平冻结的双排管冻结孔为一排冻结管,并增加积极冻结时长,在保证冻结效果的同时降低造价。同时,通过有效控制积极冻结的时长,智能优化冻结,减少资源浪费,加强对环境保护。
附图说明
图1为水的体积与温度变化规律示意图;
图2为本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法的流程示意图;
图3为本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置的结构示意图;
图4为本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置中温度函数拟合模块的结构示意图;
图5为本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置中冻结体函数拟合模块的结构示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述,但该实施例不应理解为对本发明的限制。
图1所叙述的技术内容在背景技术中已有详细描述,在此不再赘述。
参见图2,本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法,包括如下步骤:
S1、进行冻结管、测温管的施工,并实施冻结,监测19个测温管温度初始值;
S2、实施积极冻结,并多次收集各测点的数值;
S3、根据已有的19个点的测温管监测的温度t(每个测温管所处地层不一,且与中心冻结管的距离不同),同时结合所处地层n,与中心冻结管距离l,以及中心冻结管温度t0为多个样本(其中n,l,t0为已知条件,t为目标值),采用高斯过程机器学习工具拟合温度变化效应t=f(n,l,t0),根据函数可知,在土层n内(土层的含水率与渗透系数影响温度传递速度),温度与冻结管中心温度、距离中心冻结区域的距离存在一定的函数关系,该函数采用高斯过程机器学习进行学习拟合,称该函数为隐式函数;
S4、采用PSO群智能优化算法求取隐式函数的0值,即确定冻结体的0℃的界面,计算冻结体的宽度,该宽度不小于设计要求的3m控制要求;
S5、因砂层中流动水较多,且温度传递效益存在不可确定性,因此需动态更新学习样本,并进行不断的拟合学习,以优化计算冻结体的宽度,严格控制冻结体温度;
S6、水的温度具体表现为0℃以上和0℃以下两种特性,为更好的对函数拟合,需分别对1℃以上的中心冻结管温度t0和-1℃以下的中心冻结管温度t0分别进行;
S7、在0℃变化的过程中,土体变形较大,该土体变形特征具有较好的研究意义,因此需对中心冻结管温度t0在区间(-1℃~1℃)的变化过程进行收集,对样本进行拟合,研究其变化特性;
S8、盾构掘进过程中,会开挖冻结体,且泥水盾构机施工过程中产生大量的泥浆,势必对温度的规律产生一定的影响,因此在此过程中,做到动态更新样本,并不断拟合分析。
参见图3,本发明基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置,包括如下部分:
温度函数拟合模块:采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;
冻结体函数拟合模块:对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面,并与设计冻结面进行比较,以满足设计为标准。
参见图4,所述温度函数拟合模块包括如下部分:
测温管温度初始值监测单元:随着冻结管和测温管的施工,监测多个测温管温度初始值,实施积极冻结,并多次收集各个测点的数值;
温度变化效应拟合单元:根据测到的各点测温管监测的温度t,采用高斯过程机器学习工具拟合温度变化效应t=f(n,l,t0),其中,n为所处地层,l为与中心冻结管距离,t0为中心冻结管温度,t为目标值,该函数为隐式函数;
动态分析单元:随着盾构掘进过程中,开挖的冻结体和泥水盾构机施工过程中产生大量的泥浆,对温度规律产生影响,需要做到动态更新样本,并不断拟合分析。
参见图5,所述冻结体函数拟合模块包括如下部分:
隐式函数求取单元:采用PSO群智能优化算法求取隐式函数的0值,即确定冻结体的0℃的界面,计算冻结体的宽度,该宽度不小于设计要求的控制要求;
学习样本更新单元:动态更新学习样本,并进行不断的拟合学习,以优化计算冻结体的宽度,严格控制冻结体温度。
本发明的技术原理如下:
高斯过程机器学习作为一种人工智能学习的工具,对冻结加固过程中土体温度传递及发展规律进行研究并加以分析,优化冻结设计,最终降低造价,本次发明采用高斯过程拟合冻结施工时土体的变形与温度的规律函数t=f(n,l,t0),并采用粒子群优化求解冻结体有效截面的一种方法。
通过高斯过程函数的建立与粒子群求解最优值求取的冻结体有效的宽度,比与设计要求冻结体厚度进行比较,最终实现降低冻结加固的过度冻结。
具体就是,
一种基于高斯过程机器学习超大盾构断面冻结土体温度特性寻优的技术方案,主要由两部分组成:一、采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律,二、对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面,并与设计冻结面进行比较,已满足设计为标准。
所述第一点冻结土体的温度采用测温管进行读取,测温管设置位于冻结体内和冻结体外0.5m,1.5m,3.5m位置,以便于充分获得冻结体外温度变化规律。
所述第二点主要通过对土体内水的含量及温度传递的特性进行分析,通过读取多组温度在变化的过程中,各测温管的温度,分析土体的温度与冻结管距离的函数,该函数采用高斯过程学习工具进行拟合,函数为隐形函数。
对求取到的温度函数采用群智能粒子群(PSO)算法进行寻优,确定冻结体的0℃的界面,以求取冻结体的有效冻结宽度。
该过程在整个盾构始发及接收过程中动态进行拟合,并不断分析,已优化有效冻结宽度,做到实时控制冻结,节约资源,保护环境。
本发明通过高斯过程机器学习工具拟合温度在岩土体中的表现特性与积极冻结时长的函数规律,优化设计,优化水平冻结的双排管冻结孔为一排冻结管,并增加积极冻结时长,在保证冻结效果的同时降低造价,并通过有效的控制积极冻结的时长,智能优化冻结,减少资源浪费,加强对环境保护。
本专利通过对多个温度样本进行分析,智能化不断动态更新温度样本,求取温度的变化规律,在满足冻结体要求的情况下,可有效的控制积极冻结维持有效冻结厚度,做到节约资源,满足环境保护要求。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (1)
1.一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优装置,其特征在于:包括:
温度函数拟合模块:采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;
冻结体函数拟合模块:对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面,并与设计冻结面进行比较,以满足设计为标准;
所述温度函数拟合模块包括:
测温管温度初始值监测单元:随着冻结管和测温管的施工,监测多个测温管温度初始值,实施积极冻结,并多次收集各个测点的数值;
温度变化效应拟合单元:根据测到的各点测温管监测的温度t,采用高斯过程机器学习工具拟合温度变化效应t=f(n,l,t0),其中,n为所处地层,l为与中心冻结管距离,t0为中心冻结管温度,t为目标值,该函数为隐式函数;
动态分析单元:随着盾构掘进过程中,开挖的冻结体和泥水盾构机施工过程中产生大量的泥浆,对温度规律产生影响,通过动态更新样本,并不断拟合分析;
所述冻结体函数拟合模块包括:
隐式函数求取单元:采用PSO群智能优化算法求取隐式函数的0值,即确定冻结体的0℃的界面,计算冻结体的宽度,该宽度不小于设计要求的控制要求;
学习样本更新单元:动态更新学习样本,并进行不断的拟合学习,以优化计算冻结体的宽度,严格控制冻结体温度;
通过超大盾构断面冻结土体温度特性寻优装置实现基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法,所述超大盾构断面冻结土体温度特性寻优方法,包括如下步骤:
S1、采用高斯过程机器学习对加固土体的温度函数进行拟合,得到温度的函数规律;
所述步骤S1的具体步骤如下:
S11、进行冻结管、测温管的施工,并实施冻结,监测多个测温管温度初始值;
S12、实施积极冻结,并多次收集各个测点的数值;
S13、根据测到的各点测温管监测的温度t,采用高斯过程机器学习工具拟合温度变化效应t=f(n,l,t0),其中,n为所处地层,l为与中心冻结管距离,t0为中心冻结管温度,t为目标值,该函数为隐式函数;
步骤S14、随着盾构掘进过程中,开挖的冻结体和泥水盾构机施工过程中产生大量的泥浆,对温度规律产生影响,通过动态更新样本,并不断拟合分析;
所述步骤S13中,分别对1℃以上的中心冻结管温度t0和-1℃以下的中心冻结管温度t0进行函数拟合;
S2、对求取的隐式函数进行粒子群智能寻优,求取冻结体的冻结面,并与设计冻结面进行比较,以满足设计为标准;
所述步骤S2的具体步骤如下:
S21、采用PSO群智能优化算法求取隐式函数的0值,即确定冻结体的0℃的界面,计算冻结体的宽度,该宽度不小于设计要求的控制要求;
所述步骤S21中,所述冻结体宽度的设计要求不小于3m;
S22、动态更新学习样本,并进行不断的拟合学习,以优化计算冻结体的宽度,严格控制冻结体温度;
所述步骤S22中,对中心冻结管温度t0在-1℃~1℃之间的土体变形过程进行收集,对样本进行函数拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110262958.8A CN113515877B (zh) | 2021-03-11 | 2021-03-11 | 一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110262958.8A CN113515877B (zh) | 2021-03-11 | 2021-03-11 | 一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113515877A CN113515877A (zh) | 2021-10-19 |
CN113515877B true CN113515877B (zh) | 2023-12-29 |
Family
ID=78061194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110262958.8A Active CN113515877B (zh) | 2021-03-11 | 2021-03-11 | 一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515877B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2009104123A (ru) * | 2009-02-06 | 2010-08-20 | Общество с ограниченной ответственностью научно-исследовательская проектно-строительная фирма "АБИК" (ООО НИПСФ "АБИК") (RU) | Способ определения температуры грунта по глубине промерзания при высоком уровне грунтовой воды |
CN102419216A (zh) * | 2011-09-08 | 2012-04-18 | 同济大学 | 液氮冻结管内的温度监测装置 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
CN107730109A (zh) * | 2017-10-11 | 2018-02-23 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
CN108536200A (zh) * | 2018-03-22 | 2018-09-14 | 安徽理工大学 | 一种基于bp神经网络的冻结法凿井工程冻结控制策略 |
CN110005419A (zh) * | 2019-04-09 | 2019-07-12 | 上海市机械施工集团有限公司 | 一种盾构隧道端头加固方法 |
CN111927463A (zh) * | 2020-07-27 | 2020-11-13 | 北京城建集团有限责任公司 | 一种在多排管冻结工程中的冻结管布置方法 |
-
2021
- 2021-03-11 CN CN202110262958.8A patent/CN113515877B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2009104123A (ru) * | 2009-02-06 | 2010-08-20 | Общество с ограниченной ответственностью научно-исследовательская проектно-строительная фирма "АБИК" (ООО НИПСФ "АБИК") (RU) | Способ определения температуры грунта по глубине промерзания при высоком уровне грунтовой воды |
CN102419216A (zh) * | 2011-09-08 | 2012-04-18 | 同济大学 | 液氮冻结管内的温度监测装置 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
CN107730109A (zh) * | 2017-10-11 | 2018-02-23 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
CN108536200A (zh) * | 2018-03-22 | 2018-09-14 | 安徽理工大学 | 一种基于bp神经网络的冻结法凿井工程冻结控制策略 |
CN110005419A (zh) * | 2019-04-09 | 2019-07-12 | 上海市机械施工集团有限公司 | 一种盾构隧道端头加固方法 |
CN111927463A (zh) * | 2020-07-27 | 2020-11-13 | 北京城建集团有限责任公司 | 一种在多排管冻结工程中的冻结管布置方法 |
Non-Patent Citations (6)
Title |
---|
冻结距离对温度场影响的灵敏度分析;张瑞等;《安徽理工大学学报(自然科学版)》;20080615(第02期);全文 * |
基于BP神经网络的土壤冻结温度及未冻水含量预测模型;尚松浩等;《冰川冻土》;20011230(第04期);全文 * |
基于神经网络模型的立井冻结施工预测研究;卫建军等;《采矿与安全工程学报》;20150115(第01期);第105-111页 * |
基于粒子群优化-高斯过程回归的智能岩土体参数快速反演方法;黄伟 等;《土工基础》;20160430;第196-200页 * |
特大盾构江中近距离下穿供水管道的风险设计;蒋颖等;《科技创新与应用》;20190527(第15期);全文 * |
盾构始发端垂直冻结温度场数值分析与现场实测;李晓娜等;《科学技术与工程》;20200108(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113515877A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN201460904U (zh) | 盾构进洞超长水平冰冻加固构造 | |
CN111832223A (zh) | 基于神经网络的盾构施工地表沉降预测方法 | |
CN113515877B (zh) | 一种基于高斯过程机器学习的超大盾构断面冻结土体温度特性寻优方法及装置 | |
CN115510527B (zh) | 基于安全度指标的隧洞围岩稳定性判别和量化评估方法 | |
CN113605866B (zh) | 一种矿井瓦斯抽采动态调控系统及方法 | |
CN112182694A (zh) | 一种基于bim系统的灌浆工程全过程动态分析方法 | |
CN113958369B (zh) | 一种基于数字孪生的隧道衬砌结构健康监测方法及其系统 | |
CN113515880A (zh) | 一种基于深度学习临海大盾构隧道冻结法冻胀融沉变形机理研究方法及装置 | |
CN114462185B (zh) | 隧道施工造成地表沉降槽空间形态五维演化的预估方法 | |
CN115455791B (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
CN117033864A (zh) | 开挖卸荷下膨胀土坑壁失稳临界深度计算及变形预测方法 | |
CN112924990A (zh) | 基于gnss加速度计融合的滑坡体监测方法和系统 | |
CN116202575A (zh) | 一种水土保持土壤流失率监测系统及方法 | |
CN112016766A (zh) | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 | |
CN111764442B (zh) | 一种预测基坑地下连续墙接缝处渗漏水的方法 | |
CN115272750A (zh) | 基于优化vgg16网络的tbm围岩识别方法及装置 | |
CN116537795A (zh) | 一种用于地铁冻结工程的施工工艺 | |
CN116181287A (zh) | 一种页岩气井生产异常工况预警系统及方法 | |
CN116243401A (zh) | 一种海底隧道突涌水灾害多元信息监测方法及系统 | |
CN112987107B (zh) | 一种离子型稀土矿浸矿盲区探测方法及系统 | |
CN110569607B (zh) | 一种预测喷流沉积矿床热液喷口位置的方法 | |
CN113720499A (zh) | 一种智能隧道施工安全监控系统 | |
CN109409777A (zh) | 一种基于冻结法施工的地下水污染风险管控方法 | |
CN116756885B (zh) | 基于动态规划的排水管网缺陷修复设计及规模论证方法 | |
CN113762635B (zh) | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |