CN113565488B - 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法 - Google Patents

一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法 Download PDF

Info

Publication number
CN113565488B
CN113565488B CN202110871502.1A CN202110871502A CN113565488B CN 113565488 B CN113565488 B CN 113565488B CN 202110871502 A CN202110871502 A CN 202110871502A CN 113565488 B CN113565488 B CN 113565488B
Authority
CN
China
Prior art keywords
fracture
network simulation
karst collapse
karst
crack
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
Application number
CN202110871502.1A
Other languages
English (en)
Other versions
CN113565488A (zh
Inventor
蒙彦
戴跃文
姚莎莎
贾龙
戴建玲
管振德
程小杰
潘宗源
周富彪
吴远斌
殷仁朝
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.)
Institute of Karst Geology of CAGS
Original Assignee
Institute of Karst Geology of CAGS
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 Institute of Karst Geology of CAGS filed Critical Institute of Karst Geology of CAGS
Priority to CN202110871502.1A priority Critical patent/CN113565488B/zh
Publication of CN113565488A publication Critical patent/CN113565488A/zh
Application granted granted Critical
Publication of CN113565488B publication Critical patent/CN113565488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • EFIXED CONSTRUCTIONS
    • E21EARTH DRILLING; MINING
    • E21BEARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明公开了一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法,包括以下步骤:1)选定工作区域,布设观测孔,采集各观测孔中裂隙的几何参数,建立数据库;2)根据采集的数据进行裂隙网络模拟,得到岩体裂隙网络模拟图;3)根据岩体裂隙网络模拟图绘制裂隙走向玫瑰花图和裂隙等密度图,进行裂隙发育优势路径和连通性分析,再结合遴选原则遴选出岩溶塌陷发育靶区作为岩溶监测预警和防治的重点靶区。本发明所述方法可以实现岩溶塌陷发育靶区的遴选,为后期结合覆盖层结构特征和触发因素分析的综合分析精准判断岩溶塌陷发生位置提供前提和基础,并节约防治成本。

Description

一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选 方法
技术领域
本发明涉及一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法,属于岩溶地质灾害防治领域。
背景技术
岩溶塌陷是岩溶区主要的地质灾害之一,具有隐蔽性、突发性和反复性等特点,如何预测岩溶塌陷发生的位置是进行监测预警和工程处置的前提和基础。目前对于岩溶塌陷位置的预测主要是基于易发性评价区划的思想,即根据岩溶发育程度、土层结构、性质和地下水动力特征等因素,通过对影响因子的叠加分析,定性或半定量的按易发程度进行岩溶塌陷发生概率的宏观判断,通常分为高、中、低三个等级,等级越高表示岩溶塌陷越容易在该区域发生。然而,基于这种方法只能比较粗略判断岩溶塌陷发生的区域位置,很难完全满足防灾减灾的需要。事实上,裂隙等基岩面的地下空间开口位置是决定岩溶塌陷发生位置的最重要因素,没有这些开口通道,上覆土体即使在地下水、爆破振动等因素影响下,也不可能发生流失,也就不会形成岩溶塌陷,多数会是土体自身的变形或沉降。因此,如果能确定岩体裂隙等岩溶地下空间的分布情况,就能缩小预测岩溶塌陷位置的范围,确定岩溶塌陷发育的优势靶区。再结合后期在靶区内进行覆盖层结构、性质和地下水等触发因素的分析,辅以必要的监测手段,更是能大幅度提高岩溶塌陷发生位置的预测精准度并节约成本。
发明内容
本发明要解决的技术问题是提供一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法,该方法可以为更准确地预测岩溶塌陷位置提供必要的前提和基础。
为解决上述技术问题,本发明采用以下技术方案:
一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法,包括以下步骤:
1)选定需要开展岩溶塌陷探寻的工作区域,在工作区域中按需求布设观测孔,采集各观测孔中裂隙的几何参数,建立数据库;
2)根据采集的裂隙的几何参数进行裂隙网络模拟,得到岩体裂隙网络模拟图;
3)根据得到的岩体裂隙网络模拟图绘制裂隙走向玫瑰花图和裂隙等密度图,然后进行裂隙发育优势路径和连通性分析,再结合下述遴选原则遴选出岩溶塌陷发育靶区作为岩溶监测预警和防治的重点靶区;其中,遴选原则为满足下述选项(a)的同时含有选项(b)至(e)中的任一项:
(a)岩溶塌陷全部发育在以裂隙为中心半径R米的范围之内;
(b)裂隙等密度图中等值线越密集的地方岩溶塌陷越发育;
(c)裂隙交叉点越多的地方岩溶塌陷越发育;
(d)优势发育方向上延伸越长的裂隙周围岩溶塌陷越发育;
(e)裂隙张开度越大的地方岩溶塌陷越发育。
上述方法的步骤1)中,优选按每1平方千米布设1个观测孔的密度要求布设观测孔,通常采用井下电视成像系统采集获取各观测孔中裂隙的几何参数,所述裂隙的几何参数通常包括裂隙组数、产状、间距、迹长和张开情况等。
上述方法的步骤2)中,根据采集的裂隙的几何参数进行裂隙网络模拟以得到岩体裂隙网络模拟图的具体实现方法与现有技术相同,优选包括以下步骤:
2.1)对采集的裂隙样本进行分组和统计,包括对样本进行分组和各组样本随机变量的统计,所述随机变量特征包括走向、倾向、倾角、间距、迹长和张开度等;
2.2)对采集的裂隙样本的分布形式进行拟合检验,判断各随机变量的统计分布形式及分布参数;
2.3)根据裂隙各随机变量的统计分布模型,生成符合裂隙分布规律的随机数,并以此生成岩体裂隙网络模拟图。上述方法的步骤2)中,采用现有常规的裂隙网络统计模拟方法进行裂隙网络模拟,优选采用蒙特卡洛方法(Monte Carlo method)。
上述方法的步骤3)中,根据生成的裂隙的网络模拟图绘制裂隙玫瑰花图和裂隙等密度图的具体实现方法与现有技术相同。在进行裂隙发育优势路径和连通性分析时,玫瑰花图花瓣越长,表明该方向上的裂隙越多,发育优势越明显;在进行裂隙连通性分析时,等密度图中等值线越密,表明该区域裂隙越多,连通性越好。
上述方法的步骤3)中的选项(a)中,半径R的取值根据需要进行确定,通常为小于或等于500,优选为400~500。
岩溶塌陷发生位置的预测是岩溶地质灾害领域尚未有效解决的世界性技术难题,本发明运用井下电视成像系统结合数学统计分析方法综合模拟、预测场地裂隙分布及连通性,再结合遴选原则圈定出岩溶塌陷发育靶区作为岩溶监测预警和防治的重点靶区,实现岩溶塌陷发生位置的宏观判断预测,准确度更高。与现有技术相比,其优点主要表现在以下几个方面,一是运用钻孔井下电视成像系统获取基岩面裂隙特征,克服了覆盖层地区基岩出露少,无法获取更多已知裂隙特征的不足,使样本数更多,预测更准确;二是运用基岩结构面裂隙网络模拟技术,通过已知钻孔的裂隙特征模拟,使预测区域扩大,同时节约了过多布置钻孔的成本;三是通过对模拟的基岩面裂隙网络进行进一步分析,给出了进行岩溶塌陷发育靶区遴选的判断原则,使得基于该方法进行岩溶塌陷发育靶区遴选有据可依。综上所述,本发明的优势在于能够在基岩露头较少的覆盖型岩溶区,通过少量的钻孔资料,即可获取大区域岩溶基岩面的裂隙分布情况,而基岩面裂隙等岩溶地下空间的分布情况恰是岩溶塌陷发育必要条件,因此,本发明所述方法可以实现岩溶塌陷发育靶区的遴选,为后期结合覆盖层结构特征和触发因素分析的综合分析精准判断岩溶塌陷发生位置提供前提和基础,并节约防治成本。
附图说明
图1为本发明所述方法的流程框图。
图2为本发明具体应用工程实例中观测孔的布设图。
图3为本发明具体应用工程实例中采用井中电视系统的示意图(图3左图)及其成像图(图3右图)。
图4为本发明具体应用工程实例中采用蒙特卡洛法模拟的裂隙网络模拟图(其中黑色粗线为实测,黑色细线为模拟)。
图5为本发明具体应用工程实例中根据裂隙网络模拟图制作的裂隙等密度图。
图6为本发明具体应用工程实例中根据裂隙网络模拟图制作的走向玫瑰图。
图7为根据本发明所述方法对具体应用工程实例进行遴选而得的岩溶塌陷发育遴选靶区及优势发育方向示意图。
具体实施方式
为了更好的解释本发明的技术方案,下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。若未特别指明,实施例中所用的技术特征可以替换为具有在不背离发明构思前提下等同或相似功能或效果的其他本领域已知的技术特征。
本发明所述的基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法,包括以下步骤:
1)选定需要开展岩溶塌陷探寻的工作区域,在工作区域中按需求布设观测孔,采集各观测孔中裂隙的几何参数,建立数据库;
2)根据采集的裂隙的几何参数进行裂隙网络模拟,得到岩体裂隙网络模拟图;
3)根据得到的岩体裂隙网络模拟图绘制裂隙走向玫瑰花图和裂隙等密度图,然后进行裂隙发育优势路径和连通性分析,再结合下述遴选原则遴选出岩溶塌陷发育靶区作为岩溶监测预警和防治的重点靶区;其中,遴选原则为满足下述选项(a)的同时含有选项(b)至(e)中的任一项:
(a)岩溶塌陷全部发育在以裂隙为中心半径R米的范围之内;
(b)裂隙等密度图中等值线越密集的地方岩溶塌陷越发育;
(c)裂隙交叉点越多的地方岩溶塌陷越发育;
(d)优势发育方向上延伸越长的裂隙周围岩溶塌陷越发育;
(e)裂隙张开度越大的地方岩溶塌陷越发育。
上述方法的步骤1)中,在选定工作区域后,在工作区域中通常是按照每1平方千米布设1个观测孔的密度要求进行钻孔布置并成孔,钻孔孔径根据需要放置于其中用于采集获取观测孔中裂隙的几何参数的井下电视成像系统的传感器尺寸确定,通常情况下终孔孔径一般为91mm。钻孔深度为基岩面深度,钻孔倾斜度小于或等于1度,钻探优选采用旋转钻机,避免冲击钻机对基岩面原状裂隙的破坏。为了保证摄像清晰,需进行洗钻孔。为了防止孔壁坍塌,最好是在钻孔中放置套管(但不能阻挡钻孔底部摄像)。钻孔中井下电视成像系统的传感器优选具备定向全景成像功能,能够观测裂隙的各种几何参数。所述裂隙的几何参数通常包括裂隙组数、产状、间距、迹长和张开情况等。
上述方法的步骤2)中,根据采集的裂隙的几何参数进行裂隙网络模拟以得到岩体裂隙网络模拟图的具体实现方法与现有技术相同,优选包括以下步骤:
2.1)对采集的裂隙样本进行分组和统计,包括对样本进行分组和各组样本随机变量的统计,所述随机变量特征包括走向、倾向、倾角、间距、迹长和张开度等;
2.2)对采集的裂隙样本的分布形式进行拟合检验,判断各随机变量的统计分布形式及分布参数;
2.3)根据裂隙各随机变量的统计分布模型,生成符合裂隙分布规律的随机数,并以此生成岩体裂隙网络模拟图。
进一步的,优选采用蒙特卡洛方法(Monte Carlo method)进行裂隙网络模拟。
上述方法的步骤3)中,根据生成的裂隙的网络模拟图绘制裂隙玫瑰花图和裂隙等密度图的具体实现方法与现有技术相同。在进行裂隙发育优势路径和连通性分析时,玫瑰花图花瓣越长,表明该方向上的裂隙越多,发育优势越明显;在进行裂隙连通性分析时,等密度图中等值线越密,表明该区域裂隙越多,连通性越好。
上述方法的步骤3)中的选项(a)中,半径R的取值根据需要进行确定,通常为小于或等于500,本申请中优选为500。
具体工程实用实例
选择的工程实例为广州市白云区金沙洲岩溶塌陷高危险区,已发生过多起岩溶塌陷。该场地呈正方形,边长2平方千米,面积4平方千米。场地为覆盖型岩溶区,覆盖层厚度10~15米,下伏石炭系石磴子组灰岩,岩溶裂隙发育,场地及周围无基岩出露。采用基于钻孔基岩面裂隙网络模拟方法,按照如图1所示流程框图进行岩溶塌陷发育靶区遴选,并与实际岩溶塌陷位置进行比对,验证其精度和准确性。
具体验证过程如下:
1)观测孔布设及成孔。按照每1km2布设1个观测孔的密度要求布设观测孔,共布置9个观测孔(如图2所示),开孔孔径108mm,观测孔间距500m,深度10~15m。钻孔成孔后首先采用PVC套管对孔壁进行支护,对钻孔底部基岩面进行清洗,使裂隙清晰可见,然后运用井中电视系统进行钻孔底部基岩成像(如图3所示),获取裂隙几何参数并建立数据库,具体包括裂隙组数、产状、间距、迹长和张开情况等。
2)对数据库中各个观测孔中的裂隙样本采用蒙特卡洛方法(Monte Carlomethod)进行岩体裂隙网络模拟,得到的岩体裂隙网络模拟图如图4所示。
3)对通过模拟得到的裂隙网络模拟图制作裂隙等密度图(如图5所示)和走向玫瑰图(如图6所示),然后进行裂隙发育优势路径和连通性分析,具体原则为:在进行裂隙发育优势路径和连通性分析时,玫瑰花图花瓣越长,表明该方向上的裂隙越多,发育优势越明显;在进行裂隙连通性分析时,等密度图中等值线越密,表明该区域裂隙越多,连通性越好。
4)按照岩溶塌陷发育靶区遴选方法原则进行岩溶塌陷发育靶区圈定及优势发育方向划分(如图7所示)。
综上,岩溶裂隙为上部土层破坏提供了运移通道和存储空间,是岩溶塌陷发生的必要条件,也可以说如果下部没有裂隙等地下空间,土体就不会漏失,也就不会发生岩溶塌陷。本发明所述方法在通过少量钻孔孔中电视获取基岩面裂隙信息的基础上,运用基岩面裂隙网络模拟的方法,可以模拟面积较大区域的基岩面裂隙发育情况,然后通过模拟裂隙的等密度图和玫瑰花图圈定岩溶塌陷发育靶区并进行岩溶塌陷优势发育方向划分,为岩溶塌陷防控提供依据。经过实例验证,工作区90%以上的已发生岩溶塌陷点均落于遴选的塌陷发育靶区内,该方法可以减少岩溶塌陷防治过程中的盲目性,做到有的放矢,同时可以大幅度节省岩溶塌陷预测过程中的钻探工作量,而且具有较高的预测精度,具有很高的推广应用价值。

Claims (5)

1.一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法,包括以下步骤:
1)选定需要开展岩溶塌陷探寻的工作区域,在工作区域中按需求布设观测孔,采集各观测孔中裂隙的几何参数,建立数据库;其中,裂隙的几何参数包括裂隙组数、产状、间距、迹长和张开情况;
2)根据采集的裂隙的几何参数进行裂隙网络模拟,得到岩体裂隙网络模拟图,包括:
2.1)对采集的裂隙样本进行分组和统计,包括对样本进行分组和各组样本随机变量的统计,所述随机变量包括走向、倾向、倾角、间距、迹长和张开度;
2.2)对采集的裂隙样本的分布形式进行拟合检验,判断各随机变量的统计分布形式及分布参数;
2.3)根据裂隙各随机变量的统计分布模型,生成符合裂隙分布规律的随机数,并以此生成岩体裂隙网络模拟图;
3)根据得到的岩体裂隙网络模拟图绘制裂隙走向玫瑰花图和裂隙等密度图,然后进行裂隙发育优势路径和连通性分析,再结合下述遴选原则遴选出岩溶塌陷发育靶区作为岩溶监测预警和防治的重点靶区;其中,
在进行裂隙发育优势路径和连通性分析时,玫瑰花图花瓣越长,表明该方向上的裂隙越多,发育优势越明显;在进行裂隙连通性分析时,等密度图中等值线越密,表明该区域裂隙越多,连通性越好;
遴选原则为满足下述选项(a)的同时含有选项(b)至(e)中的任一项:
(a)岩溶塌陷全部发育在以裂隙为中心半径R米的范围之内;
(b)裂隙等密度图中等值线越密集的地方岩溶塌陷越发育;
(c)裂隙交叉点越多的地方岩溶塌陷越发育;
(d)优势发育方向上延伸越长的裂隙周围岩溶塌陷越发育;
(e)裂隙张开度越大的地方岩溶塌陷越发育。
2.根据权利要求1所述的方法,其特征是,步骤1)中,按每1平方千米布设1个观测孔的密度要求布设观测孔。
3.根据权利要求1所述的方法,其特征是,步骤1)中,采用井下电视成像系统获取各观测孔中裂隙的几何参数。
4.根据权利要求1所述的方法,其特征是,步骤2)中,采用蒙特卡洛方法进行裂隙网络模拟。
5.根据权利要求1所述的方法,其特征是,步骤3)中,半径R的取值为小于或等于500。
CN202110871502.1A 2021-07-30 2021-07-30 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法 Active CN113565488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110871502.1A CN113565488B (zh) 2021-07-30 2021-07-30 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110871502.1A CN113565488B (zh) 2021-07-30 2021-07-30 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法

Publications (2)

Publication Number Publication Date
CN113565488A CN113565488A (zh) 2021-10-29
CN113565488B true CN113565488B (zh) 2023-07-18

Family

ID=78169470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110871502.1A Active CN113565488B (zh) 2021-07-30 2021-07-30 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法

Country Status (1)

Country Link
CN (1) CN113565488B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200039A (zh) * 2014-09-17 2014-12-10 中国石油大学(华东) 一种构造裂缝产状定量预测方法
CN108645998A (zh) * 2018-05-13 2018-10-12 桂林理工大学 一种用于模拟地下水引起岩溶塌陷的试验方法
CN111027016A (zh) * 2019-11-08 2020-04-17 宁波大学 一种基于编网算法的岩体结构面优势产状聚类分析方法
CN112132411A (zh) * 2020-08-25 2020-12-25 绍兴文理学院 基于激光扫描、BQ、RQDt各向异性的Q各向异性求解方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020013687A1 (en) * 2000-03-27 2002-01-31 Ortoleva Peter J. Methods and systems for simulation-enhanced fracture detections in sedimentary basins
WO2002047011A1 (en) * 2000-12-08 2002-06-13 Ortoleva Peter J Methods for modeling multi-dimensional domains using information theory to resolve gaps in data and in theories
CN105068141B (zh) * 2015-06-11 2017-05-10 中国石油天然气股份有限公司 确定断缝系统的岩溶储层分布的方法和装置
CN105810075A (zh) * 2016-05-13 2016-07-27 成都理工大学 抽水触发岩溶塌陷过程实验装置
CN106772665A (zh) * 2016-07-08 2017-05-31 依泰斯卡(武汉)咨询有限公司 一种地质勘察平洞节理数据的电子化采集方法和系统
CN110210059B (zh) * 2019-04-28 2024-02-06 山东科技大学 一种基于岩溶水动态的岩溶地面塌陷预测预报方法
CN110716030A (zh) * 2019-11-18 2020-01-21 中国地质科学院岩溶地质研究所 岩溶塌陷多参数监测预警试验系统
CN110907327B (zh) * 2019-11-27 2022-10-21 中国电力工程顾问集团西北电力设计院有限公司 一种考虑等效效率优化的复杂裂隙网络等效方法
CN111413747A (zh) * 2020-04-13 2020-07-14 重庆岩土工程检测中心有限公司 低山地貌区隐伏塌陷的预测方法
CN112330927B (zh) * 2020-11-09 2023-07-28 中国地质科学院岩溶地质研究所 一种多参数一体化岩溶塌陷监测预警装置及其工作方法
CN112784403B (zh) * 2020-12-31 2023-11-10 东北大学 基于点云数据建立节理岩体离散元模型的数值模拟方法
CN112946778B (zh) * 2021-01-29 2022-05-03 中国地质科学院岩溶地质研究所 一种基于地下水浑浊度监测预警岩溶塌陷的方法
CN113177302B (zh) * 2021-04-14 2023-07-14 北京科技大学 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200039A (zh) * 2014-09-17 2014-12-10 中国石油大学(华东) 一种构造裂缝产状定量预测方法
CN108645998A (zh) * 2018-05-13 2018-10-12 桂林理工大学 一种用于模拟地下水引起岩溶塌陷的试验方法
CN111027016A (zh) * 2019-11-08 2020-04-17 宁波大学 一种基于编网算法的岩体结构面优势产状聚类分析方法
CN112132411A (zh) * 2020-08-25 2020-12-25 绍兴文理学院 基于激光扫描、BQ、RQDt各向异性的Q各向异性求解方法

Also Published As

Publication number Publication date
CN113565488A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
Wang et al. Estimation of REV size and three-dimensional hydraulic conductivity tensor for a fractured rock mass through a single well packer test and discrete fracture fluid flow modeling
RU2451330C2 (ru) Способ и устройство для дистанционного определения характеристик сбросов вблизи скважин
CN110188426B (zh) 一种隧道地质条件协同预测方法
CN111339486A (zh) 一种深基坑爆破振速风险等级大数据评价方法
CN116703244B (zh) 采矿沉陷区治理效果与综合评价方法
CN111551985A (zh) 一种基于桩锤激震和k近邻算法的地下溶洞探测方法
CN113565488B (zh) 一种基于钻孔基岩面裂隙网络模拟的岩溶塌陷发育靶区遴选方法
CN111860842B (zh) 一种邻近基坑工程的既有地铁隧道水平位移的预测方法
CN112763582A (zh) 一种软岩崩解实时监测装置及监测方法
Wang et al. Groundwater resources evaluation case study via discrete fracture flow modeling
CN107843712A (zh) 一种岩溶水垂向掘洞机制的模拟装置
CN109540738B (zh) 考虑土层种类确定深厚覆盖层土体原位相对密度的方法
CN113917562B (zh) 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置
Chen et al. Replacing RQD and discontinuity spacing with the modified blockiness index in the rock mass rating system
CN112946778B (zh) 一种基于地下水浑浊度监测预警岩溶塌陷的方法
CN112285773B (zh) 一种隐伏断层二元结构定量表征方法
CN113378431A (zh) 一种复杂环境下顶管施工引起的地面变形的预测方法
Gupalo Spatial characterization of the physical process parameters in rock mass during construction of the underground facility for the RW disposal
Milnes et al. Foliation: geological background, rock mechanics significance, and preliminary investigations at Olkiluoto
CN112611805A (zh) 一种基于衰减系数的评价围岩松动圈范围的方法
CN111898244A (zh) 一种线状工程勘察阶段岩爆风险评估方法
Hu et al. Identifying the optimal intensity measure and key factors of earthquake liquefaction-induced uplift of underground structures
Guo et al. Autonomous prediction of rock deformation in fault zones of coal roadways using supervised machine learning
CN108979631A (zh) 一种白云岩潜山油藏低渗层精细表征方法和装置
Wang et al. Existence analysis of hydraulic conductivity representative elementary volume in fractured rocks based on three-dimensional discrete fracture network method

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