CN114355447B - 一种隧道工程围岩等级快速划分方法及装置 - Google Patents
一种隧道工程围岩等级快速划分方法及装置 Download PDFInfo
- Publication number
- CN114355447B CN114355447B CN202210038315.XA CN202210038315A CN114355447B CN 114355447 B CN114355447 B CN 114355447B CN 202210038315 A CN202210038315 A CN 202210038315A CN 114355447 B CN114355447 B CN 114355447B
- Authority
- CN
- China
- Prior art keywords
- rock
- velocity
- tunnel engineering
- wave
- surrounding rock
- 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
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种隧道工程围岩等级快速划分方法,包括:向待测的地质区域激发发射电磁波和地震波,并采集经地质区域反馈的电磁波和地震波;根据反馈的地震波建立位移的拉梅方程推导和位移函数,并求得不同频率的地震波对应的纵波波速μp和横波波速μs;对所述纵波波速μp和横波波速μs进行预处理;对预处理后的纵波波速μp和横波波速μs进行数据融合,添加地质参数约束,并形成围岩类别和性质判断的标准模型;根据反馈的电磁波建立电磁波衰减系数,并采用模糊神经网络进行融合,得到融合后的数据模型;采用模糊层次分析法分析,并利用贝叶斯函数进行概率统计;结合标准模型和融合后的数据模型,利用U‑Net网络进行识别,得到隧道工程围岩等级。
Description
技术领域
本发明涉及隧道工程围岩等级划分技术领域,尤其是一种隧道工程围岩等级快速划分方法及装置。
背景技术
本文中的围岩分级是指根据岩体完整程度和岩石强度等指标将无限的岩体序列划分为具有不同稳定程度的有限个类别,即将稳定性相似的一些围岩划归为一类,将全部的围岩划分为若干类。目前,现有技术中的围岩分级技术是依靠实验设备在实验室进行强度、完整性等测试而进行的,而铁路、公路、水利等隧道工程的场地多远离城市,很难及时的对围岩进行等级判断以满足现场工作需要,所以需进行围岩快速识别划分技术的突破和装备的研制。
如专利申请号为“202010463681.0”、名称为“一种基于BIM图片识别的隧道围岩分级方法”的中国发明专利,其通过获取围岩断面的图像,通过对图像进行识别,完成图像到地质素描图的映射,基于人工智能方法,在不断学习样本的基础上,通过函数实现地质素描图信息作为输入、围岩信息作为输出的评价模型组实现对围岩的快速等级划分。
再如专利申请号为“202110214783.3”、名称为“隧道开挖风险预警及围岩分级评价方法”的中国发明专利,其利用最值标准化法将不同岩性的电阻率进行归一化处理,得到归一化后的卡尼亚电阻率,将归一化后得出的卡尼亚电阻率转换为岩体完整性系数,根据综合测井和地震折射得出速度与岩体完整性的对应关系,对岩体完整性系数进行修正,利用岩体完整性系数进行隧道围岩等级划分和风险预警;即利用电阻率、测井、地震波速与围岩完整性的对应关系进行围岩等级划分。
再如祁生文《基于模糊数学的TBM施工岩体质量分级研究》,其利用模糊数学的方法,建立石单轴抗压强度UCS和岩体完整性指标KV,分别建立UCS和KV关于TBM施工岩体质量4级分级的隶属度函数。构建UCS和KV的权重函数。如此一来,基于模糊数学的最大隶属度准则,实现围岩等级划分。
再如专利申请号为“201911233271.0”、名称为“一种基于大地电磁测深电阻率判定隧围岩等级的方法”的中国发明专利,其根据已知区域的隧道围岩等级与洞身电阻率数值通过建立隧道围岩等级与电阻率区间的对应关系模型,获取待分配区域的电阻率值,然后根据待分配区域的电阻率值在模型中寻找对应级别,得出待分配区域的围岩等级。
再如专利申请号为“202110428930.7”、名称为“用于围岩分级的方法、处理器及存储介质”的中国发明专利,其通对采集洞壁和洞顶的图像进行畸变校正、镶嵌,以生成底图,在底图上测量结构面产状,根据结构面产状测得岩体的体积节理数,根据体积节理数确定岩体的完整性系数,最后获得岩石的单轴饱和抗压强度。多样品采集、荷载实验,以完整性系数和岩石的单轴饱和抗压强度来确定等级。
再如专利申请号为“201910932756.2”、名称为“一种基于多源数据融合分析的隧洞围岩等级动态变更与决策方法”的中国发明专利,其利用已开挖段揭露围岩的先验分布信息及现场监控量测数据,完成掌子面围岩变形收敛值的响应预测。基于当前掌子面揭露岩体的地质信息对现场围岩质量进行评定,同步确定其围岩亚级分级。超前地质预报信息进行数据解译,对其地层结构、岩体破碎程度、地下水发育状况等进行基本判定。以预测收敛变形值为先导判据,结合超前预报信息进行信息融合分析,达到围岩等级动态预测。
上述技术存在以下缺点:
第一,上述技术需要采集样品并进行相关的力学实验进行测定,从取样到出结果需要等待一定的时间,并且采集样品具有一定的危险性。
第二,获取的图像可能存在分辨率较低、图像不清晰等缺点,给后续处理带来一定的麻烦。
因此,急需要提出一种逻辑简单、准确可靠的隧道工程围岩等级快速划分方法及装置。
发明内容
针对上述问题,本发明的目的在于提供一种隧道工程围岩等级快速划分方法及装置,本发明采用的技术方案如下:
一种隧道工程围岩等级快速划分方法,其包括以下步骤:
向待测的地质区域激发发射电磁波和地震波,并采集经地质区域反馈的电磁波和地震波;所述地震波先后激发两次、且两次地震波的频率不同;
根据反馈的地震波建立位移的拉梅方程推导和位移函数,并求得不同频率的地震波对应的纵波波速μp和横波波速μs;
对所述纵波波速μp和横波波速μs进行预处理;
对预处理后的纵波波速μp和横波波速μs进行数据融合,添加地质参数约束,并形成围岩类别和性质判断的标准模型;
根据反馈的电磁波建立电磁波衰减系数,结合地震波的围岩类别和性质判断的标准模型,并采用模糊神经网络进行融合,得到融合后的数据模型;
采用模糊层次分析法分析,并利用贝叶斯函数进行概率统计;
结合标准模型和融合后的数据模型,利用U-Net网络进行识别,得到隧道工程围岩等级。
进一步地,所述拉梅方程推导的表达式为:
进一步地,所述位移函数的表达式为:
优选地,所述纵波波速μp和横波波速μs进行预处理,包括数据滤波、频谱分析、信号提取、归一化处理。
进一步地,所述标准模型是采用数值模拟法建立的在相应地质条件下不同等级的围岩模型;利用发射相应频率下的地震波和电磁波,得到不同等级围岩的纵波波速范围、横波波速范围和电磁波衰减系数范围。
优选地,所述电磁波衰减系数的表达式为:
其中,β表示衰减系数;ω表示电磁波角频率;σ表示岩石电导率;μ表示岩石导磁率;ε表示岩石介电系数。
进一步地,采用U-Nnet网络建立端到端的映射,并获得电磁波和地震波的波速与岩石强度等级和完整性对应关系。
优选地,采用标准模型和融合后的数据模型进行训练样本选取。
优选地,所述电磁波的频率范围是1Hz-1000Hz;所述反馈的地震波的频率在1Hz~5000Hz。
一种隧道工程围岩等级划分装置,其采用隧道工程围岩等级快速划分方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地利用机械原理实现岩性划分物性参数的激发和采集,利用电磁波衰减与围岩的完整性、围岩强度建立第一组对应关系;使用微地震高精度数据的地震波能量衰减和波速变化与围岩的完整性、围岩强度建立第二组对应关系。两组对应关系通过数据融合、标准化处理和钻井等地质参数约束,形成围岩类别和性质判断的标准模型,对照岩性参数完成等级划分;
(2)本发明巧妙地采用模糊层次分析法分析,并利用贝叶斯函数进行概率统计,其好处在于,对要识别的围岩对比标准模型,其更接近于工程围岩等级的某个范畴就归于其中;
(3)本发明采用模糊神经网络进行数据融合,其好处在于,其能够快速准确的识别围岩等级;
(4)本发明巧妙地采用U-Nnet网络进行端到端的映射,并建立波速与岩石强度等级和完整性的对应关系,即电阻率与岩性对应关系,其好处在于,通过建立的电阻率与岩性的对应关系,通过大量的数据分析对比,提高了围岩分级的准确性。
(5)本发明建立电磁波、地震波与围岩性能对应的联系,并进行数据融合,再通过概率的概念建立统一的判断依据,以体现不同的性能差异;
(6)本发明采集不同岩石样品进行实验分析和力学性能测试是为了建立一个围岩识别的标注,当这个标准建立好之后,基于模型和现场实测数据融合进行快速的等级划分;
(7)本发明不需要获取图像,直接获取的是围岩的电阻率、波速等参数,通过物性参数建立起等级划分的标准;
综上所述,本发明具有逻辑简单、准确可靠等优点,在隧道工程围岩等级划分技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的U-Nnet网络的结构示意图。
图2为本发明的逻辑流程图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图2所示,本实施例提供了一种隧道工程围岩等级快速划分方法,其包括以下步骤:
第一步,在隧道内,向待测的地质区域激发发射电磁波和地震波,并采集经地质区域反馈的电磁波和地震波。其中,电磁波的频率范围是1Hz-1000Hz,且反馈的地震波的频率在1Hz~5000Hz。
第二步,对于地震波来说,其是一种在岩体中传播的弹性波,其在传播过程中各质点振动的物理状态可以用弹性波动控制方程来描述,其传播满足位移的微分方程(拉梅方程)推导:
本实施例根据反馈的地震波建立了位移的拉梅方程推导和位移函数,该位移函数的表达式为:
在本实施例中,地震波传播问题是建立在岩体的弹性性质前提下的,但实际的地质体不可能是完全弹性的,介质中各振动点之间是存在粘滞力的,使得地震波的能量降低且转换为热量,同时标量位其传播速度受介质特性的影响。本实施例采用不同的发生频率是因为地震波的传播还与其振动频率有关,高频地震波吸收衰减要比低频快。如此一来,在同次场源发射设备可以发射不同频率的信号,采集的信号有纵波波速μp和横波波速μs两种,而两种波速都直接反映了围岩的完整性KV和力学强度RC;
第三步,对采集的数据进行数字滤波、频谱分析、信号提取获取有利信息,利用归一化处理后的数据对纵、横波和岩体物理力学参数之间的关系建立第一组关系作出研究。在本实施例中通过数据融合、标准化处理和钻井等地质参数约束,形成围岩类别和性质判断的标准模型。其中,标准模型为通过数值模拟的方法建立的在相应地质条件下不同等级的围岩模型,并发射相应频率下的地震波和电磁波,得到不同等级围岩的纵波波速范围、横波波速范围和电磁波衰减系数范围。
在本实施例中,第一组关系的表达式为:
第四步,对于电磁波来说,电磁波在井下围岩中传播与地层和仪器结构关系密切,其传播幅度衰减或相移与地层电阻率ρ、地层介电常数ε、围岩湿度w等有密切关系。实验表明电磁波在隧道中传播时,由于电磁波波长远小于隧道截面尺寸,可以将隧道视作有损耗的介质披导,运用波导模型理论来研究。
岩石的相对介电常数变化范围一般取值为2-40,更经常的取值为2-10,岩石、矿物的电阻率是由连接矿物颗粒的胶结物质的电阻率和矿物颗粒的电阻率、形状及百分含量决定的,在发射电磁波时,电磁波的衰减直接反映了围岩的完整性、介电常数ε、电阻率ρ、电导率参数σ。根据电阻率ρ和电导率参数σ,并通过模糊融合实现电阻率和电导率与围岩强度的对应关系,即通过电磁波衰减与围岩完整性和获得的围岩电阻率、电导率与围岩强度、密度两种对应,建立第二组关系作出研究,其表达式为:
式中E为电场强度,H为磁场强度。
第五步,根据第一组关系和第二组关系,并进行基于模糊神经网络的融合,即完成模糊数学概念的参数统一标准。当完成统一标准后,各种物性参数在同一个数量级和标准下,根据工程钻井和测井对岩性进行的初步约束数据,对数据融合模型进行约束,使其更靠近真实岩性及等级,完成岩体基本质量指标(BQ法)进行围岩分级;
在水利水电围岩工程地质分类(hc分类),根据单轴饱和抗压强度Rc分为5级,即极硬岩(>60Mpa),其代表性岩石有花岗岩等岩浆石,硅岩、钙质胶结的朔岩及砂岩等沉积岩;硬质岩(30-60MPa)代表性岩石有片麻岩、石英岩、大理岩、板岩、片麻岩等变质岩;较软岩(15-30MPa)代表性岩石有凝灰岩等喷出岩;软岩(5-15MPa)代表性岩石有砂砾岩、泥质砂岩等沉积岩、极软岩(<5MPa)代表性岩石有云母片岩等变质。
第六步,采用模糊层次分析法分析,其先建立层次结构模型,然后构造出判断矩阵,随后需要检验是否能够通过层次的单排序和其一致性检验,用所测物性参数建立模糊集合,模糊集合是用来表达模糊概念的集合,模糊元素对集合的隶属程度可以取[0,1]中的任意值将描述事物的模糊性进行定量分析。模糊概念中含两组,设计两个模糊集合A和B,隶属函数分别为μA、μB。完成指标体系确定-评价指标分级-属性关系确定-模糊权重确定-建立隶属函数-构建模糊评价矩阵-逻辑运算-准则确定。
第七步,本发明利用贝叶斯函数进行概率统计,其是基于统计学的基本算法,假设采集的数据之间相互独立,可以得到朴素贝叶斯算法。本实施例将岩石的等级表示为H事件,将岩石的属性表示为X事件,岩石属性X和岩石等级H是发生在同一空间的两个事件,一个岩石属性的出现必然伴随着一个岩石等级的出现。
本实施例采用概率G(H/X)来表示建立的围岩识别关系,概率越大证明越靠近真实值,即越体现围岩分级标准的一个等级;用上述两组对应关系分布进行信息分析,选择样本训练后,若两组对应关系预测的概率差在拟定范围之类就认为识别和划分等级完全符合工程地质围岩等级划分标准,如果两组对应关系预测的概率差在拟定范围外,则识别和划分等级不符合工程地质围岩等级划分标准,需做进一步分析。
在本实施例中采用U-Nnet网络进行分析过程如下:
首先,本实施例通过端到端的映射(即输入:电阻率、波速等,输出:岩性。这个映射过程通过第二步和第四步进行建立,在此直接建立波速与岩石强度等级和完整性的对应关系、电阻率与岩性对应关系;建立训练数据集、验证集与测试集。
其次,将训练集和验证集电阻率、波速等输入到U-Nnet网络,对应的训练集和验证集的岩性为输出进行网络学习,得到深度学习网络权重模型。
最后,将新的测试电阻率和波速等输入深度学习网络权重模型,可预测得到岩性。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (10)
1.一种隧道工程围岩等级快速划分方法,其特征在于,包括以下步骤:
向待测的地质区域激发发射电磁波和地震波,并采集经地质区域反馈的电磁波和地震波;所述地震波先后激发两次、且两次地震波的频率不同;
根据反馈的地震波建立位移的拉梅方程推导和位移函数,并求得不同频率的地震波对应的纵波波速μp和横波波速μs;
对所述纵波波速μp和横波波速μs进行预处理;
对预处理后的纵波波速μp和横波波速μs进行数据融合,添加地质参数约束,并形成围岩类别和性质判断的标准模型;
根据反馈的电磁波建立电磁波衰减系数,结合地震波的围岩类别和性质判断的标准模型,并采用模糊神经网络进行融合,得到融合后的数据模型;
采用模糊层次分析法分析,并利用贝叶斯函数进行概率统计;
结合标准模型和融合后的数据模型,利用U-Net网络进行识别,得到隧道工程围岩等级。
4.根据权利要求1或2或3所述的一种隧道工程围岩等级快速划分方法,其特征在于,所述纵波波速μp和横波波速μs进行预处理,包括数据滤波、频谱分析、信号提取、归一化处理。
5.根据权利要求1或2或3所述的一种隧道工程围岩等级快速划分方法,其特征在于,所述标准模型是采用数值模拟法建立在相应地质条件下不同等级的围岩模型;利用发射相应频率下的地震波和电磁波,得到不同等级围岩的纵波波速范围、横波波速范围和电磁波衰减系数范围。
7.根据权利要求1所述的一种隧道工程围岩等级快速划分方法,其特征在于,采用U-Nnet网络建立端到端的映射,并获得电磁波和地震波的波速与岩石强度等级和完整性对应关系,以及电磁波的电阻率与岩性对应关系。
8.根据权利要求1所述的一种隧道工程围岩等级快速划分方法,其特征在于,采用标准模型和融合后的数据模型进行训练样本选取。
9.根据权利要求1或2或3或7或8所述的一种隧道工程围岩等级快速划分方法,其特征在于,所述电磁波的频率范围是1Hz-1000Hz;所述反馈的地震波的频率在1Hz~5000Hz。
10.一种隧道工程围岩等级划分装置,其特征在于,采用权利要求1~9任一项所述的隧道工程围岩等级快速划分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038315.XA CN114355447B (zh) | 2022-01-13 | 2022-01-13 | 一种隧道工程围岩等级快速划分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038315.XA CN114355447B (zh) | 2022-01-13 | 2022-01-13 | 一种隧道工程围岩等级快速划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114355447A CN114355447A (zh) | 2022-04-15 |
CN114355447B true CN114355447B (zh) | 2022-09-02 |
Family
ID=81109296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210038315.XA Active CN114355447B (zh) | 2022-01-13 | 2022-01-13 | 一种隧道工程围岩等级快速划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355447B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019171B (zh) * | 2022-06-09 | 2024-04-26 | 广西北投公路建设投资集团有限公司 | 非接触式围岩快速分区分级方法 |
CN115310184A (zh) * | 2022-08-23 | 2022-11-08 | 山东大学 | 一种隧道围岩稳定性非连续变形分析方法及系统 |
CN115511001B (zh) * | 2022-10-21 | 2023-07-18 | 中铁二院工程集团有限责任公司 | 一种基于空地井综合勘探资料的隧道围岩分级方法及设备 |
CN115469376A (zh) * | 2022-11-14 | 2022-12-13 | 四川省冶勘设计集团有限公司 | 基于非同源数据隧道超前地质预报综合探测方法及系统 |
CN115840984B (zh) * | 2023-02-17 | 2023-05-23 | 石家庄铁道大学 | 隧道结构损伤性能计算方法、装置和终端设备 |
CN117556291A (zh) * | 2023-09-25 | 2024-02-13 | 西南交通大学 | 基于随钻参数与波速信息融合的围岩级别判识方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185313B2 (en) * | 2009-02-25 | 2012-05-22 | Exxonmobil Upstream Research Company | Classifying potential hydrocarbon reservoirs using electromagnetic survey information |
CN102736124B (zh) * | 2012-06-14 | 2014-03-19 | 北京市市政工程研究院 | 基于综合参数的隧道开挖围岩动态细化分级方法 |
CN104749642B (zh) * | 2015-04-09 | 2017-05-31 | 中国科学院地质与地球物理研究所 | 一种判断隧道围岩类别的方法 |
CN109471169A (zh) * | 2018-11-07 | 2019-03-15 | 中国铁路设计集团有限公司 | 一种基于地震折射波法的岩体完整性评价方法 |
US11668853B2 (en) * | 2019-08-06 | 2023-06-06 | ExxonMobil Technology and Engineering Company | Petrophysical inversion with machine learning-based geologic priors |
CN110968840A (zh) * | 2019-12-05 | 2020-04-07 | 中国铁路设计集团有限公司 | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 |
CN113570139A (zh) * | 2021-07-28 | 2021-10-29 | 新疆建筑科学研究院(有限责任公司) | 以物探资料为基础的神经网络围岩分级预测方法及系统 |
-
2022
- 2022-01-13 CN CN202210038315.XA patent/CN114355447B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114355447A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114355447B (zh) | 一种隧道工程围岩等级快速划分方法及装置 | |
Ceryan et al. | Prediction of unconfined compressive strength of carbonate rocks using artificial neural networks | |
CN112505778B (zh) | 一种页岩生储性能非均质性的三维原位表征方法 | |
Kadkhodaie-Ilkhchi et al. | A review of reservoir rock typing methods in carbonate reservoirs: relation between geological, seismic, and reservoir rock types | |
Soleimani et al. | Integrated petrophysical modeling for a strongly heterogeneous and fractured reservoir, Sarvak Formation, SW Iran | |
CN115879648B (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
Marzán et al. | Joint interpretation of geophysical data: Applying machine learning to the modeling of an evaporitic sequence in Villar de Cañas (Spain) | |
EA016499B1 (ru) | Автоматизированная интерпретация изображения ствола скважины | |
Nouri‐Taleghani et al. | DETERMINING HYDRAULIC FLOW UNITS USING A HYBRID NEURAL NETWORK AND MULTI‐RESOLUTION GRAPH‐BASED CLUSTERING METHOD: CASE STUDY FROM SOUTH PARS GASFIELD, IRAN | |
Wang et al. | S-wave velocity inversion and prediction using a deep hybrid neural network | |
Ye et al. | A new method to predict brittleness index for shale gas reservoirs: Insights from well logging data | |
Bu et al. | A new advance classification method for surrounding rock in tunnels based on the set-pair analysis and tunnel seismic prediction system | |
da Rocha et al. | Permeability estimation and analysis of fracture networks using resistivity logs in an offshore Aptian carbonate reservoir pre-salt, in the Southeastern Santos Basin | |
Chen et al. | Modification of the BQ system based on the Lugeon value and RQD: a case study from the Maerdang hydropower station, China | |
Sfidari et al. | Prediction of pore facies using GMDH-type neural networks: a case study from the South Pars gas field, Persian Gulf basin | |
Feng et al. | Accurate determination of water saturation in tight sandstone gas reservoirs based on optimized Gaussian process regression | |
Munier et al. | Geological site descriptive model. A strategy for the model development during site investigations | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
Al-Jaberi et al. | Wireline logging response and true core analysis of the upper shale member of Zubair Formation, Rumaila oilfield, Southern Iraq | |
CN112862169B (zh) | 预测陆相泥页岩游离油含量的方法及装置 | |
Liu et al. | Formation Grain Size Profile Prediction Model Considering the Longitudinal Continuity of Reservoir Using Artificial Intelligence Tools | |
Kadhim et al. | Correlation between cementation factor and carbonate reservoir rock properties | |
Kadkhodaie et al. | Prediction of pore facies using GMDH-type neural networks: a case study from the South Pars gas field, Persian Gulf basin | |
Röshoff et al. | Strategy for a Rock Mechanics Site Descriptive Model. Development and testing of the empirical approach | |
CN117474340B (zh) | 用于地铁盾构施工沉降的风险评价方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |