CN113821977A - 一种用于tbm隧道施工的岩爆风险评估系统及方法 - Google Patents
一种用于tbm隧道施工的岩爆风险评估系统及方法 Download PDFInfo
- Publication number
- CN113821977A CN113821977A CN202111146982.1A CN202111146982A CN113821977A CN 113821977 A CN113821977 A CN 113821977A CN 202111146982 A CN202111146982 A CN 202111146982A CN 113821977 A CN113821977 A CN 113821977A
- Authority
- CN
- China
- Prior art keywords
- rock
- rock burst
- rockburst
- prediction
- model
- 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.)
- Granted
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Neurology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Educational Administration (AREA)
Abstract
本发明涉及一种用于TBM隧道施工的岩爆风险评估系统及方法,其至少包括能够获取待施工地域的岩层数据的采集单元(1),所述采集单元(1)采集的数据能够作为初始数据输入分析处理单元(3)所建立的岩爆预测模型中进行处理并输出能够该区域岩层的岩爆等级进行预测的岩爆等级预测结果,其中,所述分析处理单元(3)能够根据该区域围岩表现出的能够与不同岩爆风险进行关联的特征对岩爆进行等级划分;所述分析处理单元(3)的岩爆预测模型能够对其包含的若干初始预测模型的输出结果进行非平均整合的方式输出预测结果。
Description
技术领域
本发明涉及深部工程建设技术领域,尤其涉及一种用于TBM隧道施工的岩爆风险评估系统及方法。
背景技术
岩爆是深部工程建设中常见的地质灾害,具有突发性和破坏性两个明显特征,对施工人员及设备造成极大的安全威胁。不同级别的岩爆需要采取的防护措施也不同,为了确定岩爆等级,进而科学合理地选择防护方法,减少岩爆造成的人员伤亡及设备损失,岩爆等级分类就显得尤为重要。
挪威学者B.F.Russeness(1974)岩爆发生时的声响特征、围岩爆裂破坏特征等将岩爆烈度划分为0~3四级岩爆等级。国外Hoek和Brown (1997)总结了发生在南非石英岩中长方形开挖隧道边墙脆性破坏(包括岩爆、片帮和剥落)的案例,通过远场最大主应力于岩石短期单轴抗压强度之比作为脆性破坏评价指标进行了脆性岩体破坏模型分类划,划分为少量片帮、严重片帮、中等岩爆以及严重岩爆四级;苏联学者TezukaK,NiitsumaH 等(2000)提出Turchaninov判据(T方法),根据科拉岛希宾地块的矿井建设经验,提出了岩爆活动性由洞室切向应力和轴向应力之和与岩石单轴抗压强度之比确定,将岩爆分为无岩爆、可能有岩爆、肯定有岩爆、有严重岩爆四级。陶振宇(1987)在前人研究基础上,结合国内工程经验将岩爆分为无岩爆发生、低岩爆活动、中等岩爆活动、高岩爆活动四级。国内谭以安博士(1988)年依据岩爆危害程度及其发生时的力学和声学特征、破坏方式将岩爆烈度划分为弱、中等、强烈、极强四级。张津生,陆家佑等人(1991)基于天水桥二级水电站引水隧洞提出了一个简明的岩爆判据。彭祝,王元汉等人(1996)采用Griffith理论用岩石抗压强度与抗拉强度之比这一参数描述了岩爆烈度。徐林生和王兰生(1999)结合二郎山隧道的工程实践,依据岩爆危害程度及其发生时的声响特征、运动特征、爆裂岩块形态特征、断口特征、岩爆发生部位、岩爆时效特征、影响深度等将岩爆烈度划分为轻微、中等、强烈、剧烈四级。谷明成(2002)通过对混合片麻岩变形破坏的试验研究,提出了一种新的岩爆发生的综合判据。姚宝魁,张承娟(1985)指出只有当岩体的最大主应力与单轴抗压强度之比大于0.15~0.2的高地应力条件下才可能发生岩爆。宫凤强(2007)通过把最大切向应力与单轴抗压强度之比,单轴抗压强度与单轴抗拉强度之比和弹性能量指数作为判别因子建立岩爆预测的距离判别分析模型为深部地下工程岩爆发生可能性及其烈度分级预测提供一种新思路。吴枋胤,何川等人(2020)以拉林铁路桑珠岭隧道现场岩爆发育特征和规律、岩爆破坏形迹、现场洞壁二次应力量测、现场岩样点荷载试验、基于二次修正的地应力场的开挖模拟及KNN算法为基础,提出了针对拉林铁路的岩爆烈度分级方案及应力判据。孙飞跃,范俊奇等人(2021)通过FISH语言编程对3DEC数值模拟软件进行了二次开发,对三维应力条件下深地下工程岩爆地质灾害孕育机制与演化规律进行了模拟分析提出了基于能量原理的岩爆倾向性判据。谭文侃,叶义成等人(2021)提出LOF(localoutlierfactor)与改进SMOTE(synthetic minority oversampling technique)算法组合的方法来进行岩爆预测,提高了高强度岩爆预测准确率。田睿,孟海东等人(2020)提出一种基于Dropout与改进的Adam的深度神经网(DNN)岩爆预测模型(DA-DNN)。
中国专利CN112699553A公开了一种岩爆烈度等级智能预测系统方法,属于地下工程及岩土工程技术领域。本发明所述方法包括选取岩爆烈度等级预测指标;构建岩爆烈度等级预测指标体系;确定岩爆烈度等级的具体分级标准;搜集国内外典型的岩爆工程案例数据;通过德尔菲法和改进熵权法,确定岩爆烈度等级预测指标的主客观权重值;采用偏好系数法,确定岩爆烈度等级预测指标的最优化组合权重值;运用多维正态云模型理论和python编程手段,确定岩爆烈度等级的综合隶属度;根据最大隶属度原则确定岩爆烈度等级;基于python软件自主开发一种岩爆烈度等级预测系统;该岩爆预测方法拥有更好的准确性和适用性,并且,可以大量节省运算时间以及计算步骤简洁明了。该专利通过对采集到的预测指标进行一定程度上的不均匀组合,虽然一定程度对模型输入进行了优化,但是对于实际的指导意义较弱,其属于对初期数据的一种处理,没有在后期分析过程中和结果输出中对相关数据的准确性和有效性进行合理的处理,也没有对岩爆等级的划分做出更有效地区分,仍然存在有较高的岩爆等级划分模糊的问题。
传统的岩爆等级分类方法及判据都是从理论机制出发,以此为参考依据的分类方法有局限性。针对机理分析等理论研究是必要的,是认识该现象的基础。但对于实际应用中的防控方法措施选择的指导意义偏弱,因为对于防护措施来说,岩爆发生的能量大小、破坏效应是主要的,它们与岩爆规模,以及地应力大小等一些地质因素密切相关,是结果性,不同机制作用造成的灾害结果可能是相同或类似的,其防控对策也是类似的,现有分级方法只考虑了力学性质的作用,但岩爆是现象、是一种作用的结果,形成该结果受到的影响因素如地质、环境等较多,因此,为了更准确工程分级,指导岩爆防护,需要新分级方法。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
以前的岩爆等级划分方法大部分是按照单一的岩石应力与强度的比值作为标准进行,有一定的局限性,因为岩爆是一种现象,是各种因素作用的结果,不能由单一的因素决定与反应。
针对现有技术之不足,本发明的技术方案提供的是一种用于基于双护盾 TBM的隧道施工的岩爆风险评估系统,其至少包括能够获取待施工地域的岩层数据的采集单元,所述采集单元采集的数据能够作为初始数据输入分析处理单元所建立的岩爆预测模型中进行处理并输出能够该区域岩层的岩爆等级进行预测的岩爆等级预测结果,其中,所述分析处理单元能够根据该区域围岩表现出的能够与不同岩爆风险进行关联的特征对岩爆进行等级划分;所述分析处理单元的岩爆预测模型能够对其包含的若干初始预测模型的输出结果进行非平均整合的方式输出预测结果。其优势在于,本申请能够根据围岩应力水平、高应力区的位置、岩体的脆性特征等具体采集到的TBM掘进进程前端岩体的相关参数进行岩爆风险的评估,并根据评估结果对不同岩层结构区域采取不同的隧道施工措施,从而达到降低岩爆风险的目的。通过对岩爆等级进行重新划分,能够从可能发生岩爆的隧道岩壁的实际表征的特征出发能够有效地将岩爆划分为能够对施工人员造成伤害或无伤害的不同岩爆等级,方便施工人员根据岩爆预测结果进行不同的施工操作,避免对TBM 造成不可逆的伤害、威胁人员安全以及延误工期等问题。
根据一种优选的实施方式,所述分析处理单元的岩爆预测模型至少包括作为初始预测模型的第一模型、第二模型、第三模型和对三个初始预测模型输出结果进行二次整合和权重融合的第四模型;所述第一模型、第二模型、第三模型能够选择性地获取预先存储至数据存储单元中的若干组参考数据进行岩爆预测模型的训练和测试;所述第四模型能够依据以不同数量神经元构建竞争层拓扑结构的所述第一模型、第二模型、第三模型的死神经元、特有神经元和共有神经元的占比进行非平均整合。通过利用多个不同竞争层拓扑结构的模型同时对同一待测数据进行分析处理并输出结果后对三个输出结果中的数据进行非平均整合的方式得到一个能够更加准确地进行岩爆预测的数据,相对于现有技术,数据的可靠性更强,降低了预测不准确的风险。
根据一种优选的实施方式,所述分析处理单元将岩爆划分为以下四个等级:
0级岩爆,没有岩爆的发生,无明显的围岩裂纹的产生;Ⅰ级岩爆,剥落:围岩卸载出现应力松弛,表面形成假层理,片状或薄饼状脱离母岩,脱离时没有初速度,呈剥落状态;Ⅱ级岩爆,弹射:围岩卸载后应力释放形成裂纹,少数裂纹贯通,呈薄饼状带有一定初速度脱离母岩向外弹出;Ⅲ级岩爆,崩坍:当双护盾隧道掘进设备穿越层间带、构造带,隧道轴线与层理或构造弱面呈一定角度时,双护盾隧道掘进设备的开挖卸载可能使得围岩形成非均匀变形而产生深部裂纹,从而以贯通的方式导致层间带断裂,并与层面、隧道开挖壁面共同形成大规模楔形体。其优势在于,通过将岩爆等级进行重新定义能够更加有效地输出预测结果准确的预测数据,避免了现有技术中分析预测结果模糊,无法作出准确预测的缺陷,能够根据岩块脱离是否具有初速度、地质结构因素(节理,层理,构造带等)、工程因素(隧道直径,跨度等尺寸因素,隧道与构造带夹角、构造带厚度、构造带岩性力学性质等)等划分出针对性更强的岩爆等级。
根据一种优选的实施方式,所述采集单元采集的岩层数据和预设的参考数据均能够分区存储在所述数据存储单元中,所述分析处理单元能够选择性地选取所述数据存储单元中的数据完成岩爆预测模型的训练、测试或岩爆等级预测。
根据一种优选的实施方式,所述分析处理单元至少包括预处理模块、岩爆等级预测模块和预测结果分析判别模块。
根据一种优选的实施方式,所述预处理模块能够通过数据的归一化处理将所述数据存储单元中存储的初始数据映射至设定区间上。
根据一种优选的实施方式,所述岩爆等级预测模块能够利用所述预处理模块预处理后的数据进行岩爆预测模型的训练、测试或岩爆等级预测。
根据一种优选的实施方式,所述预测结果分析判别模块能够根据所述采集单元采集的待测数据输入岩爆预测模型得到的岩爆等级预测结果和通过训练得到的竞争层各神经元欧氏距离二维图形进行预测结果的验证。
本申请还提供一种用于TBM隧道施工的岩爆风险评估方法,至少包括由以下步骤构成的岩爆预测模型:
岩爆预测指标体系的建立:对预先输入的参考数据的预处理并建立对应的训练集和测试集;建立岩爆等级预测模型:对不同初始预测模型的聚类效果、分类效果和测试效果进行比较并根据对比结果进行优化处理和非平均整合的方式建立第四模型;预测结果分析判别。其优势在于,本申请能够根据围岩应力水平、高应力区的位置、岩体的脆性特征等具体采集到的TBM掘进进程前端岩体的相关参数进行岩爆风险的评估,并根据评估结果对不同岩层结构区域采取不同的隧道施工措施,从而达到降低岩爆风险的目的。通过对岩爆等级进行重新划分,能够从可能发生岩爆的隧道岩壁的实际表征的特征出发能够有效地将岩爆划分为能够对施工人员造成伤害或无伤害的不同岩爆等级,方便施工人员根据岩爆预测结果进行不同的施工操作,避免对 TBM造成不可逆的伤害、威胁人员安全以及延误工期等问题。
根据一种优选的实施方式,构成所述训练集和测试集的参考数据至少包括硐壁最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度、岩体应力系数、岩石脆性系数、弹性能量系数和岩爆实际等级。
附图说明
图1是本发明的一种用于TBM隧道施工的岩爆风险评估系统及方法的优选实施例的工作流程示意图;
图2是TBM隧道施工过程中岩壁发生Ⅰ级岩爆时岩块剥落状态的示意图;
图3是TBM隧道施工过程中岩壁发生Ⅱ级岩爆时岩块弹射状态的示意图;
图4是TBM隧道施工过程中岩壁发生Ⅲ级岩爆时岩壁崩塌状态示意图;
图5是本发明的一种用于TBM隧道施工的岩爆风险评估系统及方法的第一模型的结构示意图;
图6是本发明的一种用于TBM隧道施工的岩爆风险评估系统及方法的第二模型的结构示意图;
图7是本发明的一种用于TBM隧道施工的岩爆风险评估系统及方法的第三模型的结构示意图;
图8是本发明的一种用于TBM隧道施工的岩爆风险评估系统及方法的三个初始预测模型的不同神经元占比示意图。
附图标记列表
1:采集单元;2:数据存储平台;3:分析处理单元;4:反馈控制单元;31:预处理模块;32:岩爆等级预测模块;33:预测结果分析判别模块。
具体实施方式
下面结合附图进行详细说明。
岩爆风险的评估是一种对工程建设过程中岩爆操作的风险控制和预先对后续岩爆结果进行定向预测的方法。该评估方法能够根据掘进设备在实际掘进过程中,随岩石条件、地应力条件、施工条件、地质条件等条件的变化而对不同岩爆防治措施所发挥的作用及对应的岩爆风险控制的效果进行有效评估,从而根据掘进过程中前方岩体可能存在的岩爆风险的不同而对多种不同的岩爆风险控制效果进行评价,进而针对性地采取不同的措施,以满足在不同岩体环境下进行掘进的需求。
传统的岩爆等级分类方法及判据都是从理论机制出发,以此为参考依据的分类方法有局限性。针对机理分析等理论研究是必要的,是认识该现象的基础。但对于实际应用中的防控方法措施选择就指导意义偏弱,因为对于防护措施来说,岩爆发生的能量大小、破坏效应是主要的,它们与岩爆规模,以及地应力大小等一些地质因素密切相关,是结果性,不同机制作用造成的灾害结果可能是相同或类似的,其防控对策也是类似的,这就诞生了一种新的基于工程防控的岩爆分级方法。
TBM(隧道掘进机)施工法相较于传统的钻爆法、新奥法、矿山法,机械化程度高,掘进速度快,施工质量好,是未来隧道施工的发展趋势。尤其是双护盾TBM,工效更高,安全性更好,更适应于岩爆隧道施工,其成为高地应力地区隧道施工的首选装备。
现如今的深部工程中亟需一种可指导施工的岩爆分级方法,即一种基于工程防控的简单、有效且能够与双护盾TBM掘进工作相配套的岩爆分级方法,以准确判断岩爆等级,从而施工人员根据预判评估结果采取科学合理的岩爆预测、工程防控措施。
本申请的基于对岩爆等级进行分类的岩爆风险评估方法与双护盾TBM 隧道施工进行联系和整合,使得分类方法服务于双护盾TBM施工。从岩爆的有效防治角度出发,岩爆风险评估方法有效利用TBM的双护盾并采取相应配套措施将岩爆的威胁降到最低。采用本岩爆等级分类方法,针对每类岩爆等级采取不同措施,即可有效防控岩爆,破解岩爆难防难治的世界性难题。
以岩石抗拉强度,隧道洞壁最大切向应力等参数为判断标准的秦岭隧道判据(RC,WET,σθ,KV)。
岩爆发生时,会同时满足①RC≥15Rt,②WET≥2.0,③σθ≥RC,④KV≥0.55。
实施例1
本申请涉及一种用于TBM隧道施工的岩爆风险评估系统,其包括采集单元1、数据存储平台2、分析处理单元3和反馈控制单元4。该系统能够根据围岩应力水平、高应力区的位置、岩体的脆性特征等具体采集到的TBM 掘进进程前端岩体的相关参数进行岩爆风险的评估,并根据评估结果对不同岩层结构区域采取不同的隧道施工措施,从而达到降低岩爆风险的目的。
根据图1示出的一种具体的实施方式,采集单元1能够对掘进前端一定深度的岩层参数进行采集,并实时跟踪该段岩层结构随掘进设备前进过程中岩层结构所产生的微弱变化。采集单元1能够将探测到的岩层参数传输至数据存储单元2进行存储。分析处理单元3内根据采集数据的分析需求构建有能够通过参考数据进行训练和测试的岩爆预测模型。岩爆预测模型包括作为能够对预处理后的岩层参数进行分析处理的初始模型的第一模型、第二模型、第三模型以及在构建出的第一模型、第二模型和第三模型的基础上对三个模型输出结果进行二次整合和权重融合的第四模型。分析处理单元3能够对数据存储单元2存储的数据进行选择性地提取,且其还能够对初始数据进行标准化处理,从而确保处理后的数据结果的可靠性。分析处理单元3能够将岩爆预测模型最终输出的预测结果传输至反馈控制单元4进行预测结果展示和控制双护盾隧道掘进机的护盾开闭。施工人员还能够根据反馈控制单元 4展示预测结果对隧道掘进机的护盾进行针对性地加强加厚,使其能够适用于不同等级的岩爆状态下进行地下隧道挖掘。
优选地,数据存储平台2还连接有能够外部输入参考数据的数据接口,使得能够构建训练接和测试集的参考数据能够直接输入至数据存储平台2 中,方便分析处理单元3能够利用参考数据进行其构建的岩爆预测模型的训练和输出结果的验证,从而获取到准确、可靠的岩爆预测模型。优选地,分析处理单元3包括预处理模块31、岩爆等级预测模块32和预测结果分析判别模块33。预处理模块31能够利用数据的归一化处理方法将初始数据进行统一映射至[0,1]区间上。岩爆等级预测模块32对第一模型、第二模型和第三模型的聚类效果、分类效果和测试效果进行比较并根据对比结果进行第四模型的建立。优选地,第四模型的建立可以是在三个预测模型的基础上定义其不同输出值的占比不同进行输出数据的非平均整合的方式获取最终的分析结果数据,从而将不同模型的数据进行非均态整合,获取一个更加稳定且贴近实际岩层状况的结果数据。进一步优选地,岩爆等级预测模块32还能够分别选取偏差或异常度最小的死神经元、特有神经元和共有神经元作为最佳输出数据结果。预测结果分析判别模块33根据待测数据输入模型得到岩爆等级预测结果和通过训练得到的竞争层各神经元欧氏距离二维图形验证数据的可靠性。
实施例2
本实施例是对实施例1的进一步改进,重复的内容不再赘述。
优选地,分级方法进行岩爆等级分类时需要考虑以下四个因素:
一、从引起岩爆的内因出发,岩石的岩性是影响岩爆等级划分的一个因素,不同岩性岩石的力学性质各有不同,从而导致岩石变形不同,引发的岩爆规模不同,例如隧道掘进在均质岩石中进行,就容易引发弹射型岩爆,以此为依据可以对岩爆划分等级。
二、岩层的地质结构是影响岩爆等级划分的一个因素,例如在岩层的层理以及节理裂隙等结构不发育或者较为发育时,岩爆造成结果通常为岩块的剥落或者弹射,岩爆规模较小;在岩层的层理以及节理裂隙等结构过度发育时,岩爆造成的结果通常为崩坍,岩爆规模较大。
三、地质构造也是影响岩爆等级划分的一个因素,在穿越不良地质体时,如破碎带、层间带等,岩爆造成结果通常以崩塌的形式呈现,岩爆的规模较大,难以防范。
四、工程因素也会影响岩爆的等级划分,如隧道尺寸、几何关系、施工方法等因素。当隧道的直径越小,施工面为曲面,外部某一部分受到的压力便均匀地传给其余各部分,并且巧妙地相互抵消,发生岩爆的可能性就会降低;当隧道的直径越大,施工面为平面,岩爆发生可能性就会增加;隧道跨度越大,穿越的地质情况就约复杂,岩爆发生的可能性就会增加;另外隧道与构造带之间的夹角、构造带的厚度等几何因素都会影响到岩爆等级的划分;同时施工方法也是不可忽略的一个因素,如采用钻爆法与采用TBM施工法进行隧道掘进,若发生岩爆,其规模是不同的,等级划分需要考虑该因素。
基于上文的四条因素,本专利提出了一种用于TBM隧道施工的岩爆风险评估系统及方法。
双护盾TBM施工岩爆高风险隧道区段(或其他高地应力地下空间)时,由于开挖卸压,就可能产生岩爆。根据岩爆的发生剧烈程度、规模大小、危害效应,将岩爆分为三个等级,即Ⅰ级岩爆,剥落(Peel off):围岩卸载出现应力松弛,表面形成假层理,片状或薄饼状脱离母岩,脱离时没有初速度,呈剥落状态;Ⅱ级岩爆,弹射(Catapult):围岩卸载后应力释放形成裂纹,少数裂纹贯通,呈薄饼状带有一定初速度脱离母岩向外弹出,弹出方向通常垂直于掌子面或壁面,其主要特点是裂纹贯通时尺寸不大,因而弹出规模较小,但因其具有初速度,其伤害性往往较强,尤其对人体及设备威胁大;Ⅲ级岩爆,崩坍(Collapse):当TBM穿越层间带、构造带,隧道轴线与层理或构造弱面呈一定角度时,开挖卸载,可能形成非均匀变形而产生深部裂纹,若贯通形成该层间带(或构造带)断裂,与层面、隧道开挖壁面共同形成大规模楔形体。该楔形体若在贯通过程中产生脆性断裂,就会发生大规模弹性射出,造成大规模强烈岩爆,可能导致TBM卡机。如果是蠕变断裂,往往会形成大规模挤压变形,此时若TBM的掘进推力小于崩坍围岩与护盾之间的摩擦阻力,也可能导致TBM发生卡机事故。
如图2-4所示,岩爆的等级分类加上没有岩爆的情形,则可分为四个等级:0级,没有岩爆的发生(No rockburst);Ⅰ级,剥落(Peel off)。特征为应力释放导致脱离母岩的岩块无初速,因而除重力加速外,危害性相对不大;Ⅱ级,弹射(Catapult)。特征为岩爆产生的岩块有初速度,有冲量,但往往规模不大,虽然威胁性大,但双护盾的钢板可以有效防护;Ⅲ级,崩坍(Collapse)。特征为具备特殊地质条件,规模大,可造成双护盾TBM卡机。优选地,分级方法进行岩爆等级分类时还需要考虑以下两个因素:
1.地质结构因素(节理,层理,构造带等);
2.工程因素(隧道直径,跨度等尺寸因素,隧道与构造带夹角、构造带厚度、构造带岩性力学性质等)。
双护盾TBM的护盾分为三个部分,前护盾,伸缩护盾,后护盾。前护盾用厚度>40mm的优质钢板卷制而成,伸缩护盾用厚度>30mm的优质钢板卷制而成,后护盾也是用厚度>40mm的优质钢板卷制而成。
对于Ⅰ级岩爆,TBM常规厚度的双护盾基本能够抵挡住围岩剥落的冲击力,施工时安全系数较高。对于Ⅱ级岩爆,基础的护盾可能不能完全抵抗岩块弹射造成的冲击力,那么可以通过加厚双护盾的厚度进行防护。
Ⅱ级岩爆产生的最大冲量对护盾产生的冲击力计算:
pmax=mvmax
m=ρmaxVmax
vmax:Ⅱ级岩爆弹射岩块的速度一般为2~5m/s,这里取最大值5m/s。
ρmax:隧道掘进的岩石密度一般为2.2~3.5g/c,这里取最大值3.5g/c。
Vmax:Ⅱ级岩爆岩块体积不会超过1/3m3。
计算得出,Ⅱ级岩爆造成岩块弹射的最大冲量为5834N·s。
根据双护盾采用的钢板防护标准,1mm的钢板能抵挡100N·s的冲量,所以将护盾加厚至60mm则可抵挡住最大规模的Ⅱ级岩爆。
综上,防护最大规模的Ⅱ级岩爆,需加厚护盾至60mm。
对于Ⅲ级岩爆,通常发生在TBM进行不良地质环境掘进时,如岩性接触带、断层破碎带,发生Ⅲ级岩爆,会造成围岩坍塌,最终导致TBM卡机。TBM一旦卡机,会造成不可逆的伤害,如威胁人员安全、延误工期等。所以防治Ⅲ级岩爆,主要以超前地质预报,工程卸压,超前支护的预防措施为主。
超前地质预报是在前期施工基础上,进一步的对掌子面前围岩情况查明的方法。可以探测出地层岩性和不良地质体的情况,提供重要的资料,避免 TBM卡机。
超前地质预报主要包括地质调查法,超前钻探法,物探法,超前导坑预报法,数码成像技术。
地质调查法是通过已有的勘察资料,隧道的几何参数等,分析推测出前方地质情况的一种方法;超前钻探法是在隧道内安放水平钻机进行水平钻进,根据隧道中线水平方向上钻孔资料来推断隧道前方的地质情况的一种方法;物探法包括有电磁波反射法,地震波反射法,高分辨直流电法,瞬变电磁法,红外探测法。超前导坑法是通过在断面地方挖一导坑探明地质情况的方法;数码成像技术比较先进与智能,利用掌子面超前钻孔进行计算机模拟等处理,预测前方地质情况,但这项技术还不成熟,处于研究阶段。
工程卸压包括爆破卸压和钻孔卸压。爆破卸压就是用爆破松动围岩,实现卸压。钻孔卸压就是在围岩中打钻孔,通过钻孔变形实现卸压。在工程卸压前需进行地应力测试,如果地应力大于40MPa,采用爆破卸压的方法,如果地应力在20-40MPa区间,采用钻孔卸压的方法。
超前支护包括超前注浆与超前锚固两个方法。超前注浆是通过超前灌浆口将油脂或其他润滑材料注入护盾与围岩之间,达到降低坍塌岩石的摩擦。超前支护在特殊地质体围岩处布置锚杆、管棚、挑梁、插板等柔性材料,进行预支护工作。
实施例3
本申请还涉及一种用于TBM隧道施工的岩爆风险评估方法。优选地,用于TBM隧道施工的岩爆风险评估方法的岩爆预测模型的构建至少包括以下操作:
岩爆预测指标体系的建立。
预先输入的参考数据的预处理,数据的预处理至少包括对数据进行归一化处理,建立训练接和测试集。
建立岩爆等级预测模型,对不同预测模型的聚类效果、分类效果和测试效果进行比较并根据对比结果进行最优化处理和输出的第四模型的建立。优选地,第四模型的建立可以是在三个预测模型的基础上定义其不同输出值的占比不同进行输出数据的非平均整合的方式获取最终的分析结果数据,从而将不同模型的数据进行非均态整合,获取一个更加稳定且贴近实际岩层状况的结果数据。优选地,非平均整合和非均态整合即是对输出的结果数据以不同权重比的方式进行融合获取对应的一个最终的输出结果。
预测结果分析判别,将待测数据输入模型得到岩爆等级预测结果,并通过训练得到的竞争层各神经元欧氏距离二维图形验证数据的可靠性。
优选地,岩爆预测指标体系的建立即根据岩爆的发生剧烈程度、规模大小、危害效应等对岩爆进行等级划分。优选地,岩爆等级可以划分为三个等级,且岩爆的等级分类加上没有岩爆的情形,则可分为四个等级:0级,没有岩爆的发生(No rockburst);Ⅰ级,剥落(Peel off)。特征为应力释放导致脱离母岩的岩块无初速,因而除重力加速外,危害性相对不大;Ⅱ级,弹射(Catapult)。特征为岩爆产生的岩块有初速度,有冲量,但往往规模不大,虽然威胁性大,但双护盾的钢板可以有效防护;Ⅲ级,崩坍(Collapse)。特征为具备特殊地质条件,规模大,可造成双护盾TBM卡机。施工单元能够根据实际施工过程中预先获取的岩爆可能发生的具体情况和所属的岩爆等级而选择性地调节双护盾TBM的护盾开启状态和护盾厚度。
优选地,利用预先收集到的不同地质条件下的多组存在差异的参考数据进行数据预处理。进一步优选地,利用此部分初始输入的参考数据进行模型中的训练集和测试集的建立,依据设定的分类标准建立对应的岩爆等级预测模型,并利用初始输入的参考数据进行模型训练和测试,使得建立的预测模型能够根据将不同地质条件下的多组不同的地质数据与不同岩爆烈度进行关联匹配,从而后续能够利用采集到的最新地质数据进行该区域可能出现的岩爆的等级进行预测,方便使用者根据预测结果进行岩爆防治措施的采用。优选地,收集的参考数据可以为任意数量,为了保证训练和测试结果的有效性和准确性,参考数据的数量设为m,m大于等于30。优选地,m组参考数据中至少包括多种常见的施工地质环境所对应的数据,且每种地质环境对应的组数大致相等。优选地,m组参考数据样本中的80%作为训练集,样本剩余的20%作为测试集。
优选地,在进行岩爆预测模型建立过程中用于创建训练集和测试集的参考数据至少包括硐壁最大切向应力σθ、岩石单轴抗压强度σc、岩石单轴抗拉强度σt、岩体应力系数(σθ/σc)、岩石脆性系数(σc/σt)、弹性能量系数(φsp/φst)和岩爆实际等级。优选地,参考数据和采集数据的预处理操作包括数据的归一化处理。进一步优选地,归一化处理的公式如下:
Xi=(xi-xmin)/(xmax-xmin) (1)
式中:xi为任一指标的原值,Xi为对应指标归一化后映射至[0,1]区间上的值。
优选地,在对输入层与竞争层的神经元连接权值进行赋值,设置网络的神经元个数及学习步数。优选地,在进行岩爆预测模型建立时,通过将竞争层拓扑结构设置为包含有不同个数神经元的方式拓展建立出不同的岩爆等级预测模型。如图5-7所示,竞争层拓扑结构可以设置为3*3=9个神经元的第一模型、4*4=16个神经元的第二模型以及5*5=25个神经元的第三模型。优选地,硐壁最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度、岩体应力系数、岩石脆性系数以及弹性能量系数依次被定义为(x1,x2,x3,x4, x5,x6),则将每一组参考数据或采集数据中的上述指标归一化处理后的值 X=(x1,x2,x3,x4,x5,x6)T作为输入向量输送至输入层。优选地,在完成输入向量的获取后,并利用输入向量结合前述设置的具有不同神经元个数的竞争层拓扑结构对竞争层的第j个神经元与输入向量X之间的距离进行计算,其计算公式如下:
式中:dj为输入样本与竞争层第j个神经元间的欧氏距离,t为神经网络时间,wij(t)为t时刻输入层第i个神经元和竞争层第j个神经元之间的连接权值,Wj为竞争层第j个神经元的权值向量,m为输入层神经元个数,xi(t)为输入层第i个神经元的输入向量。
优选地,工程人员还能够利用训练后竞争层各神经元欧式距离的二维界面进行各级别岩爆的特征差异分析,并通过预测输出神经元及其他神经元欧式距离的远近及周围各级岩爆输出神经元的多少对模型预测结果进行人工验证和综合判断,从而保证了预测结果的合理性和可靠性。优选地,在完成模型中第j个神经元与输入向量X之间的欧式距离的计算的情况下,还需要进行权值学习及更新。进一步优选地,模型的更新迭代按照如下所示的公式进行:
Δwij=wij(t+1)-Δwij(t)=η(t)[xi-wij(t)] (3)
式中:η(t)为t时刻神经网络学习率,迭代步骤设置为1000步。
优选地,模型在根据预先设定的要求进行训练过程中,其所迭代的次数是以训练输出结果达到设定要求作为算法结束迭代循环的结束指令的判据。优选地,在岩爆预测模型完成训练后,从参考数据构成的测试集中选取不同的围岩及埋深特征的多组参考数据作为测试集对模型进行测试并验证岩爆预测模型输出的结果是否与参考数据中的岩爆等级相对应。
优选地,针对现有分类方法中在工程施工过程中可能存在的预测结果对应的岩爆烈度等级介于不同相邻两个等级之间的情况,本申请引入了是否具有岩块初速度进行输出结果的二次判断,使得能够更加准确地预测出指定岩层环境中岩爆等级。
优选地,第四模型是通过对三个具有不同数量神经元的竞争层拓扑结构的岩爆等级预测模型进行模型聚类效果、模型训练结果、模型测试结果等方面进行比较并对不同模型输出的结果进行非平均式的数据融合,即针对三个模型输出的同种参量选用不同的权重进行融合,从而获取能够将三个模型输出数据进行整合的第四模型,并利用权重融合的方式获取综合权重数据。
优选地,第一模型、第二模型和第三模型在利用训练集完成模型训练后,均能够通过下述公式进行各自模型聚类能力的计算:
式中:xi为第i个神经元聚类的样本数目,n为该模型竞争层神经元总数, m为被聚类的样本总数,y为模型聚类的样本方差。
优选地,训练后模型各神经元对应0-4级岩爆等级。根据各个神经元对应的岩爆烈度等级数目,将神经元分为3类:死神经元、特有神经元、共有神经元。优选地,死神经元指无对应岩爆烈度等级的神经元,死神经元占神经元总数量的比重与模型聚类能力正相关;特有神经元指其对应的岩爆烈度等级唯一,特有神经元占神经元总数量的比重与模型的精确分级能力正相关;共有神经元指其对应的岩爆烈度等级2个或多个,共有神经元占神经元总数量的比重与模型的模糊分级能力正相关。图8示出了第一模型、第二模型和第三模型各类神经元占比情况。第一模型的共有神经元占模型神经元总数的比重高于其特有神经元所占比重,并远远高于其他几个模型,说明该模型的模糊分级能力过强,导致模型预测结果过于泛化。第二模型和第三模型特有神经元占神经元总数量的比重都超过60%且相差不大,第三模型的死神经元占神经元总数量的比重稍高于第二模型,故第三模型聚类能力略好于第二模型。优选地,在具有最优结果输出的第四模型进行检测数据的计算分析时,第四模型是通过将第一模型、第二模型和第三模型在死神经元、特有神经元和共有神经元参数上进行权重融合的方式获取其预测结果的。优选地,第四模型即是在第一模型、第二模型和第三模型的基础上对三个模型输出的多个预测数据进行非平均整合的完成结果数据的权重融合,从而获取更加趋近于实际岩爆情况的预测结果。优选地,第四模型还可以是根据第一模型、第二模型和第三模型输出结果对应的岩爆预测结果进行整合获得最终的预测结果,即第四模型是根据三个模型的预测结果对应的岩爆等级占比最大的一个作为岩爆级数作为岩爆预测结果。例如,针对统一组监测数据,第一模型的预测结果为1-2级岩爆、第二模型预测的结果为2级岩爆、第三模型预测的结果为2级岩爆,则第四模型能够对上述的三个预测结果进行整合并取相对岩爆危险程度较大的2级岩爆作为最终的输出结果。还例如,针对统一组监测数据,第一模型的预测结果为2-4级岩爆、第二模型预测的结果为4 级岩爆、第三模型预测的结果为3-4级岩爆,则第四模型输出的最终预测结果为4级岩爆。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。在全文中,“优选地”所引导的特征仅为一种可选方式,不应理解为必须设置,故此申请人保留随时放弃或删除相关优选特征之权利。其他任何考虑了上述一条或几条因素的分级方法,都属于侵权。
Claims (10)
1.一种用于TBM隧道施工的岩爆风险评估系统,其至少包括能够获取待施工地域的岩层数据的采集单元(1),其特征在于,所述采集单元(1)采集的数据能够作为初始数据输入分析处理单元(3)所建立的岩爆预测模型中进行处理并输出对该区域岩层的岩爆风险进行预测的岩爆等级预测结果,其中,
所述分析处理单元(3)能够根据该区域围岩表现出的能够与不同岩爆风险进行关联的特征对岩爆进行等级划分;所述分析处理单元(3)的岩爆预测模型能够对其包含的若干初始预测模型的输出结果进行非平均整合的方式输出预测结果。
2.如权利要求1所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述分析处理单元(3)的岩爆预测模型至少包括作为初始预测模型的第一模型、第二模型、第三模型和对三个初始预测模型输出结果进行二次整合和权重融合的第四模型;
所述第四模型能够依据以不同数量的神经元构建竞争层拓扑结构的所述第一模型、第二模型、第三模型的死神经元、特有神经元和共有神经元的占比进行非平均整合。
3.如权利要求2所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述分析处理单元(3)将预测到的岩爆划分为以下四个等级:
0级岩爆,没有岩爆的发生,无明显的围岩裂纹的产生;
Ⅰ级岩爆,剥落:围岩卸载出现应力松弛,表面形成假层理,片状或薄饼状脱离母岩,脱离时没有初速度,呈剥落状态;
Ⅱ级岩爆,弹射:围岩卸载后应力释放形成裂纹,少数裂纹贯通,呈薄饼状带有一定初速度脱离母岩向外弹出;
Ⅲ级岩爆,崩坍:当双护盾隧道掘进设备穿越层间带、构造带,隧道轴线与层理或构造弱面呈一定角度时,双护盾隧道掘进设备的开挖卸载使得围岩形成非均匀变形而产生深部裂纹,从而以贯通的方式导致层间带(或构造带)断裂,并与层面、隧道开挖壁面共同形成大规模楔形体。
4.如权利要求2所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述采集单元(1)采集的岩层数据和预设的参考数据分区存储在所述数据存储单元(2)中,所述分析处理单元(3)能够选择性地选取所述数据存储单元(2)中的数据完成岩爆预测模型的训练、测试或岩爆等级预测。
5.如前述权利要求之一所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述分析处理单元(3)至少包括预处理模块(31)、岩爆等级预测模块(32)和预测结果分析判别模块(33)。
6.如前述权利要求之一所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述预处理模块(31)能够通过数据的归一化处理将所述数据存储单元(2)中存储的初始数据映射至设定区间上。
7.如前述权利要求之一所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述岩爆等级预测模块(32)能够利用所述预处理模块(31)预处理后的数据进行岩爆预测模型的训练、测试或岩爆等级预测。
8.如前述权利要求之一所述的用于TBM隧道施工的岩爆风险评估系统,其特征在于,所述预测结果分析判别模块(33)能够根据所述采集单元(1)采集的待测数据输入岩爆预测模型得到的岩爆等级预测结果和通过训练得到的竞争层各神经元欧氏距离二维图形进行预测结果的验证。
9.一种用于TBM隧道施工的岩爆风险评估方法,其特征在于,至少包括由以下步骤构成的岩爆预测模型:
岩爆预测指标体系的建立:对预先输入的参考数据的预处理并建立对应的训练集和测试集;
建立岩爆等级预测模型:对不同初始预测模型的聚类效果、分类效果和测试效果进行比较并根据对比结果进行优化处理和非平均整合的方式建立第四模型;以及
预测结果分析判别。
10.如前述权利要求之一所述的用于TBM隧道施工的岩爆风险评估方法,其特征在于,构成所述训练集和测试集的参考数据至少包括硐壁最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度、岩体应力系数、岩石脆性系数、弹性能量系数以及对应的岩爆实际等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111146982.1A CN113821977B (zh) | 2021-09-28 | 2021-09-28 | 一种用于tbm隧道施工的岩爆风险评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111146982.1A CN113821977B (zh) | 2021-09-28 | 2021-09-28 | 一种用于tbm隧道施工的岩爆风险评估系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821977A true CN113821977A (zh) | 2021-12-21 |
CN113821977B CN113821977B (zh) | 2023-04-18 |
Family
ID=78915815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111146982.1A Active CN113821977B (zh) | 2021-09-28 | 2021-09-28 | 一种用于tbm隧道施工的岩爆风险评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821977B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969902A (zh) * | 2022-03-04 | 2022-08-30 | 西南交通大学 | 一种高原铁路高地应力硬岩隧道主动支护设计方法 |
CN115408926A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
CN115541387A (zh) * | 2022-11-24 | 2022-12-30 | 中国矿业大学(北京) | 冲击与岩爆倾向性岩体模拟方法 |
CN116992694A (zh) * | 2023-09-21 | 2023-11-03 | 中铁开发投资集团有限公司 | 一种隧道爆破质量评价及优化方法 |
CN117557434A (zh) * | 2024-01-12 | 2024-02-13 | 四川省华地建设工程有限责任公司 | 基于人工智能的危岩崩塌评估方法及系统 |
CN118153456A (zh) * | 2024-04-18 | 2024-06-07 | 太原新欣微电科技有限公司 | 一种数码延期模块及控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180010452A1 (en) * | 2016-07-06 | 2018-01-11 | PoweChina Huadong Engineering Corporation Limited | Surrounding rock pretreatment method for tbm passing through round tunnel section with high rock-burst risk |
CN109740800A (zh) * | 2018-12-18 | 2019-05-10 | 山东大学 | 适用于隧道tbm掘进岩爆风险分级及预测方法与系统 |
CN110821501A (zh) * | 2019-11-22 | 2020-02-21 | 中国水利水电第十工程局有限公司 | 岩爆隧道的预卸压施工方法 |
CN111125872A (zh) * | 2019-11-11 | 2020-05-08 | 中铁隧道局集团有限公司 | 一种用于tbm掘进隧道的岩爆预测方法 |
-
2021
- 2021-09-28 CN CN202111146982.1A patent/CN113821977B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180010452A1 (en) * | 2016-07-06 | 2018-01-11 | PoweChina Huadong Engineering Corporation Limited | Surrounding rock pretreatment method for tbm passing through round tunnel section with high rock-burst risk |
CN109740800A (zh) * | 2018-12-18 | 2019-05-10 | 山东大学 | 适用于隧道tbm掘进岩爆风险分级及预测方法与系统 |
CN111125872A (zh) * | 2019-11-11 | 2020-05-08 | 中铁隧道局集团有限公司 | 一种用于tbm掘进隧道的岩爆预测方法 |
CN110821501A (zh) * | 2019-11-22 | 2020-02-21 | 中国水利水电第十工程局有限公司 | 岩爆隧道的预卸压施工方法 |
Non-Patent Citations (4)
Title |
---|
MENG WEI: "Prediction of TBM penetration rate based on Monte Carlo-BP neural network" * |
何怡帆;李天斌;曹海洋;: "隧道施工期岩爆危险性评价的属性识别模型及工程应用" * |
张俊峰;: "基于BP神经网络隧道施工岩爆预测研究" * |
陈卫忠;马池帅;田洪铭;杨建平;: "TBM隧道施工期岩爆预测方法探讨" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969902A (zh) * | 2022-03-04 | 2022-08-30 | 西南交通大学 | 一种高原铁路高地应力硬岩隧道主动支护设计方法 |
CN115408926A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
CN115541387A (zh) * | 2022-11-24 | 2022-12-30 | 中国矿业大学(北京) | 冲击与岩爆倾向性岩体模拟方法 |
CN116992694A (zh) * | 2023-09-21 | 2023-11-03 | 中铁开发投资集团有限公司 | 一种隧道爆破质量评价及优化方法 |
CN116992694B (zh) * | 2023-09-21 | 2024-03-08 | 中铁开发投资集团有限公司 | 一种隧道爆破质量评价及优化方法 |
CN117557434A (zh) * | 2024-01-12 | 2024-02-13 | 四川省华地建设工程有限责任公司 | 基于人工智能的危岩崩塌评估方法及系统 |
CN117557434B (zh) * | 2024-01-12 | 2024-03-19 | 四川省华地建设工程有限责任公司 | 基于人工智能的危岩崩塌评估方法及系统 |
CN118153456A (zh) * | 2024-04-18 | 2024-06-07 | 太原新欣微电科技有限公司 | 一种数码延期模块及控制方法 |
CN118153456B (zh) * | 2024-04-18 | 2024-08-30 | 太原新欣微电科技有限公司 | 一种数码延期模块及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113821977B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113821977B (zh) | 一种用于tbm隧道施工的岩爆风险评估系统及方法 | |
Dong et al. | Discrimination of mine seismic events and blasts using the fisher classifier, naive bayesian classifier and logistic regression | |
Zhou et al. | Evaluation method of rockburst: state-of-the-art literature review | |
Yin et al. | Real-time prediction of rockburst intensity using an integrated CNN-Adam-BO algorithm based on microseismic data and its engineering application | |
Dong et al. | Prediction of rockburst classification using Random Forest | |
Niu et al. | Types and occurrence time of rockbursts in tunnel affected by geological conditions and drilling & blasting procedures | |
Wang et al. | Effect of structural planes on rockburst distribution: case study of a deep tunnel in Southwest China | |
Zhao et al. | Classification of mine blasts and microseismic events using starting-up features in seismograms | |
CN114757266B (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
CN101770038A (zh) | 矿山微震源智能定位方法 | |
CN106407493A (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
Wang et al. | Rock burst evaluation using the CRITIC algorithm-based cloud model | |
Li et al. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
Shi et al. | Geology prediction based on operation data of TBM: Comparison between deep neural network and soft computing methods | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
Wang et al. | Rock burst monitoring and early warning under uncertainty based on multi-information fusion approach | |
Li et al. | Rockburst tendency prediction based on an integrating method of combination weighting and matter-element extension theory: A case study in the Bayu Tunnel of the Sichuan-Tibet Railway | |
Mao et al. | Analysis of rockburst mechanism and warning based on microseismic moment tensors and dynamic Bayesian networks | |
Xie et al. | Research on rockburst prediction classification based on GA-XGB model | |
Hu et al. | Hazard degree identification of goafs based on scale effect of structure by RS-TOPSIS method | |
Xu et al. | Accurate identification of microseismic waveforms based on an improved neural network model | |
CN116044501A (zh) | 一种超前地质预报动态监测预警系统及方法 | |
Li et al. | Waveform recognition and process interpretation of microseismic monitoring based on an improved LeNet5 convolutional neural network | |
Wang et al. | Investigating a three-dimensional convolution recognition model for acoustic emission signal analysis during uniaxial compression failure of coal | |
CN112329255A (zh) | 基于倾向度和未确知测度的岩爆预测方法 |
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 |