CN114839696B - 一种多源数据融合传感三维隧道不良地质探测方法 - Google Patents

一种多源数据融合传感三维隧道不良地质探测方法 Download PDF

Info

Publication number
CN114839696B
CN114839696B CN202210776085.7A CN202210776085A CN114839696B CN 114839696 B CN114839696 B CN 114839696B CN 202210776085 A CN202210776085 A CN 202210776085A CN 114839696 B CN114839696 B CN 114839696B
Authority
CN
China
Prior art keywords
detection
dimensional
variable parameters
tunnel
data fusion
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
CN202210776085.7A
Other languages
English (en)
Other versions
CN114839696A (zh
Inventor
高军
王岭
另本春
孟国基
王峰
林晓
高宇馨
王伟
刘凯文
冯怀平
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.)
Anhui Zhongtie Engineering Technology Service Co ltd
Wuhan Kowloon Railway Passenger Dedicated Line Hubei Co ltd
Wuhan Institute of Rock and Soil Mechanics of CAS
China Tiesiju Civil Engineering Group Co Ltd CTCE Group
China Railway 11th Bureau Group Co Ltd
China Railway Southwest Research Institute Co Ltd
Original Assignee
Anhui Zhongtie Engineering Technology Service Co ltd
Wuhan Kowloon Railway Passenger Dedicated Line Hubei Co ltd
Wuhan Institute of Rock and Soil Mechanics of CAS
China Tiesiju Civil Engineering Group Co Ltd CTCE Group
China Railway 11th Bureau Group Co Ltd
China Railway Southwest Research Institute Co Ltd
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 Anhui Zhongtie Engineering Technology Service Co ltd, Wuhan Kowloon Railway Passenger Dedicated Line Hubei Co ltd, Wuhan Institute of Rock and Soil Mechanics of CAS, China Tiesiju Civil Engineering Group Co Ltd CTCE Group, China Railway 11th Bureau Group Co Ltd, China Railway Southwest Research Institute Co Ltd filed Critical Anhui Zhongtie Engineering Technology Service Co ltd
Priority to CN202210776085.7A priority Critical patent/CN114839696B/zh
Publication of CN114839696A publication Critical patent/CN114839696A/zh
Application granted granted Critical
Publication of CN114839696B publication Critical patent/CN114839696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种多源数据融合传感三维隧道不良地质探测方法，包括建立隧道三维几何模型，应用有限元分析软件对隧道掌子面及两侧进行多维传感器布设，以获取多维状态变量参数和多维检测变量参数；通过多个同质检测变量参数间的相关性，将三维几何模型划分出多个敏感区域，并融合得到每个敏感区域对应的综合检测变量参数；根据每个敏感区域内的状态变量参数计算自适应调节系数，并利用自适应调节系数校正综合检测变量参数，进而提取不良特征信息；每个敏感区域分别建立FCM分类器进行独立的初步诊断，并根据FCM分类器的识别率确定模糊测度，进而采用模糊积分算法进行融合诊断。通过本发明能够对隧道不良地质进行探测和诊断，准确性高。

Description

一种多源数据融合传感三维隧道不良地质探测方法
技术领域
本发明涉及隧道工程，地质探测技术领域，特别涉及一种多源数据融合传感三维隧道不良地质探测方法。
背景技术
随着我国经济飞速发展，在铁路公路交通、水利水电、能源矿山、市政工程以及其它领域需要修建大量隧道。隧道施工中经常遇到多种复杂地质条件和不良地质地段，涌水、岩爆、瓦斯突出、塌方等严重隧道地质灾害时有发生，轻则影响施工进度，重则引发重大工程事故，有时甚至会造成巨大的经济损失和人员伤亡。
由于地形复杂、隧道埋深大、地表勘察技术有限，使得隧道工程施工中，地质问题越来越复杂，安全隐患也丰富多变，对于隧道设计勘察、施工期地质探测的要求越来越高，现有的探测方法大多仅是在基于相关理论研究基础上，利用数值模拟等手段开展，通过对探测数据的处理好反演算法反馈探测信息，但这些方法往往推演结果不够精准、因素考虑较少、缺乏针对不同地质情况的适应性调整策略，导致探测准确率不高。
发明内容
本发明提供了一种多源数据融合传感三维隧道不良地质探测方法，通过在隧道掌子面及其两侧布设多维传感器，获取多维状态变量参数和多维检测变量参数，采用状态变量校正检测变量后，再进行融合识别，考虑因素较全面，能够对隧道不良地质进行探测和诊断，准确性高。
本发明的技术方案为：
一种多源数据融合传感三维隧道不良地质探测方法，包括：
建立隧道三维几何模型，应用有限元分析软件对隧道掌子面及两侧进行多维传感器布设，以获取多维状态变量参数和多维检测变量参数；
通过多个同质所述检测变量参数间的相关性，将三维几何模型划分出多个敏感区域，并融合得到每个敏感区域对应的综合检测变量参数；
根据每个敏感区域内的状态变量参数计算自适应调节系数，并利用自适应调节系数校正综合检测变量参数，进而提取不良特征信息；
每个敏感区域分别建立FCM分类器进行独立的初步诊断，并根据FCM 分类器的识别率确定模糊测度，进而采用模糊积分算法进行融合诊断。
优选的是，多维传感器布设包括：
对隧道三维几何模型进行有限元网格划分，并分别在掌子面及两侧划分多个检测站，检测站的布设间距为4-5米；
每个检测站具有多个异质传感器检测点，异质传感器布设间距为0.3-0.5米；
多个检测站和所述检测点均采用泰森多边形分布，且离地距离不小于1米。
优选的是，状态变量参数包括：温度、空气湿度、涌水量、不良气体浓度和总悬浮颗粒物浓度。
优选的是，检测变量参数包括：地震波数据、电流变化和激电参数。
优选的是，敏感区域划分通过下列步骤得到：
建立任意两组同质检测变量参数间的互相关函数；
根据互相关函数计算任意两组同质检测变量的相关系数，遍历同质检测变量参数；
确定相关性阈值，并通过阈值分割划分出多个敏感区域。
优选的是，综合检测变量参数的融合过程包括：
对敏感区域内的同质检测变量参数进行两两互相关运算得到检测变量参数间的互相关能量，进而得到任意检测变量参数与全部同质检测变量参数之间的总相关能量；
遍历同质检测变量参数，确定各检测变量参数的权值，并通过加权得到敏感区域对应的综合检测变量参数，遍历敏感区域。
优选的是，自适应调节系数的计算公式为：
Figure 995164DEST_PATH_IMAGE001
；
其中，
Figure 4708DEST_PATH_IMAGE002
表示自适应调节系数，
Figure 117021DEST_PATH_IMAGE003
表示不良气体平均浓度、
Figure 45663DEST_PATH_IMAGE004
表示平均涌水量、
Figure 509005DEST_PATH_IMAGE005
表示平均空气湿度、
Figure 682760DEST_PATH_IMAGE006
表示总悬浮颗粒物平均浓度，
Figure 649579DEST_PATH_IMAGE007
表示平均温度。
优选的是，校正综合检测变量参数包括：
Figure 155646DEST_PATH_IMAGE008
；
其中，
Figure 699760DEST_PATH_IMAGE009
表示地震波检测变量，
Figure 51107DEST_PATH_IMAGE010
表示修正后的地震波检测变量，
Figure 262645DEST_PATH_IMAGE011
表示电流变化检测变量，
Figure 674035DEST_PATH_IMAGE010
表示修正后的电流变化检测变量，
Figure 705445DEST_PATH_IMAGE012
表示激电参数变量，
Figure 860483DEST_PATH_IMAGE013
表示修正后的激电参数变量。
优选的是，初步诊断包括：
对不良特征信息进行小波包阈值去噪和多域特征提取；
采用局部保持投影算法进行特征降维，得到低维特征向量；
将低维向量和已知不良地质特征向量进行合并，并输入FCM 分类器，得到各分类器的分类识别率。
优选的是，融合诊断过程包括：
根据各分类器的分类识别率确定单一分类器及分类器间的模糊测度；
采用Choquet 积分对模糊测度进行融合诊断，得到各不良地质状态的平均识别率；
将平均识别率大于识别率阈值的分类结果作为融合诊断结果输出。
本发明的有益效果是：
1、本发明提供的一种多源数据融合传感三维隧道不良地质探测方法，通过在隧道掌子面及其两侧布设多维传感器，获取多维状态变量参数和多维检测变量参数，采用状态变量校正检测变量后，再进行融合识别，针对隧道内环境状态对检测变量进行自适应校正，充分考虑了多因素对于探测数据的影像，有利于提高不良地质探测的准确性。
2、本发明提供的一种多源数据融合传感三维隧道不良地质探测方法，不良地质的诊断过程采用FMC-模糊积分融合算法进行融合诊断，诊断的准确度高。
附图说明
图1为本发明提供的实施例中一种多源数据融合传感三维隧道不良地质探测方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，一种多源数据融合传感三维隧道不良地质探测方法，包括：
S110、建立隧道三维几何模型，应用有限元分析软件对隧道掌子面及两侧进行多维传感器布设，以获取多维状态变量参数和多维检测变量参数。
其中，多维传感器布设方案为：
对隧道三维几何模型进行有限元网格划分，并分别在掌子面及两侧划分多个检测站，检测站的布设间距为4-5米；
每个检测站具有多个异质传感器检测点，异质传感器布设间距为0.3-0.5米；
多个检测站和所述检测点均采用泰森多边形分布，且离地距离不小于1米。
进一步的，状态变量参数包括：温度、空气湿度、涌水量、不良气体浓度和总悬浮颗粒物浓度。
进一步的，检测变量参数包括：地震波数据、电流变化和激电参数。
S120、通过多个同质所述检测变量参数间的相关性，将三维几何模型划分出多个敏感区域，并融合得到每个敏感区域对应的综合检测变量参数。
其中，敏感区域划分通过下列步骤得到：
建立任意两组同质检测变量参数间的互相关函数，则两组同质检测变量参数
Figure 801894DEST_PATH_IMAGE014
和
Figure 13214DEST_PATH_IMAGE015
之间的互相关函数为：
Figure 672865DEST_PATH_IMAGE016
；
其中，
Figure 490648DEST_PATH_IMAGE017
表示互相关函数，
Figure 20987DEST_PATH_IMAGE018
表示数据个数。
根据互相关函数计算任意两组同质检测变量的相关系数，遍历同质检测变量参数；
则
Figure 39758DEST_PATH_IMAGE014
和
Figure 45760DEST_PATH_IMAGE015
之间的相关系数表示为：
Figure 542601DEST_PATH_IMAGE019
；
其中，
Figure 317659DEST_PATH_IMAGE020
表示先关系数，
Figure 241753DEST_PATH_IMAGE021
表示
Figure 236516DEST_PATH_IMAGE014
的能量，
Figure 271468DEST_PATH_IMAGE022
表示
Figure 166611DEST_PATH_IMAGE015
的能量，当
Figure 996027DEST_PATH_IMAGE014
和
Figure 117567DEST_PATH_IMAGE015
相等时，
Figure 80844DEST_PATH_IMAGE023
，当
Figure 440281DEST_PATH_IMAGE014
和
Figure 299652DEST_PATH_IMAGE015
相关时，
Figure 499DEST_PATH_IMAGE024
，当
Figure 642833DEST_PATH_IMAGE014
和
Figure 246989DEST_PATH_IMAGE015
无关时，
Figure 683787DEST_PATH_IMAGE025
。
确定相关性阈值，并通过阈值分割划分出多个敏感区域。
一个优选的实施方式是，相关阈值为0.8-0.9。
进一步的，综合检测变量参数的融合过程包括：
对敏感区域内的同质检测变量参数进行两两互相关运算得到检测变量参数间的互相关能量，假设获取的一组检测变量参数数据分别为
Figure 373394DEST_PATH_IMAGE026
，则变量参数间的互相关函数为：
Figure 147315DEST_PATH_IMAGE027
；
对参数数据进行两两互相关运算得到数据间的互相关能量为
Figure 481345DEST_PATH_IMAGE028
；
进而得到任意检测变量参数
Figure 715142DEST_PATH_IMAGE029
与全部同质检测变量参数之间的总相关能量为：
Figure 767412DEST_PATH_IMAGE030
；
遍历同质检测变量参数，确定各检测变量参数的权值，并通过加权得到敏感区域对应的综合检测变量参数，遍历敏感区域。
根据权值与相关能量成正比的原则得到
Figure 610603DEST_PATH_IMAGE031
则加权得到综合检测变量参数为：
Figure 330297DEST_PATH_IMAGE032
其中，
Figure 233531DEST_PATH_IMAGE033
表示第
Figure 773097DEST_PATH_IMAGE034
个检测变量参数数据的权值。
S130、根据每个敏感区域内的状态变量参数计算自适应调节系数，并利用自适应调节系数校正综合检测变量参数，进而提取不良特征信息。
其中，自适应调节系数的计算公式为：
Figure 419979DEST_PATH_IMAGE035
；
其中，
Figure 728600DEST_PATH_IMAGE036
表示自适应调节系数，
Figure 318849DEST_PATH_IMAGE037
表示不良气体平均浓度、
Figure 80132DEST_PATH_IMAGE038
表示平均涌水量、
Figure 530704DEST_PATH_IMAGE039
表示平均空气湿度、
Figure 693833DEST_PATH_IMAGE040
表示总悬浮颗粒物平均浓度，
Figure 673290DEST_PATH_IMAGE041
表示平均温度。
进一步的，校正综合检测变量参数包括：
Figure 453027DEST_PATH_IMAGE042
；
其中，
Figure 176132DEST_PATH_IMAGE043
表示地震波检测变量，
Figure 288707DEST_PATH_IMAGE044
表示修正后的地震波检测变量，
Figure 111170DEST_PATH_IMAGE045
表示电流变化检测变量，
Figure 237258DEST_PATH_IMAGE044
表示修正后的电流变化检测变量，
Figure 29633DEST_PATH_IMAGE046
表示激电参数变量，表示修正后的激电参数变量。
S140、每个敏感区域分别建立FCM分类器进行独立的初步诊断，并根据FCM 分类器的识别率确定模糊测度，进而采用模糊积分算法进行融合诊断。
其中，初步诊断包括：
对不良特征信息进行小波包阈值去噪和多域特征提取；
由于多维传感器布置在掌子面及两侧部不同部位，相互之间会存在一定的干扰，采集数据中可能存在大量干扰数据或噪声，因此在数据处理的初期必须进行降噪处理，本实施例采用小波包阈值去噪，提高数据的精度。
采用局部保持投影算法进行特征降维，得到低维特征向量；
对于特征向量
Figure 901774DEST_PATH_IMAGE047
，特征样本组数为
Figure 252728DEST_PATH_IMAGE048
，维数为
Figure 334953DEST_PATH_IMAGE049
，局部保持投影算法通过构造转化矩阵B，将高维特征向量经线性变化
Figure 540807DEST_PATH_IMAGE050
映射到低维特征空间
Figure 657667DEST_PATH_IMAGE051
，维数降维
Figure 556353DEST_PATH_IMAGE052
，且
Figure 125875DEST_PATH_IMAGE053
。
将低维向量和已知不良地质特征向量进行合并，并输入FCM 分类器，得到各分类器的分类识别率，其中分类识别率为各不良特征状态隶属度的平均值。
进一步的，融合诊断过程包括：
根据各分类器的分类识别率确定单一分类器及分类器间的模糊测度；
这里，将分类识别率作为对应分类器的模糊密度，进而计算模糊测度。
采用Choquet 积分对模糊测度进行融合诊断，得到各不良地质状态的平均识别率；
将平均识别率大于识别率阈值的分类结果作为融合诊断结果输出。
在本实施例中，识别率阈值为90%-95%。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明提供的一种多源数据融合传感三维隧道不良地质探测方法，通过在隧道掌子面及其两侧布设多维传感器，获取多维状态变量参数和多维检测变量参数，采用状态变量校正检测变量后，再进行融合识别，针对隧道内环境状态对检测变量进行自适应校正，充分考虑了多因素对于探测数据的影响，有利于提高不良地质探测的准确性。本发明提供的一种多源数据融合传感三维隧道不良地质探测方法，不良地质的诊断过程采用FCM-模糊积分融合算法进行融合诊断，诊断的准确度高。
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (10)

1.一种多源数据融合传感三维隧道不良地质探测方法，其特征在于，包括：
建立隧道三维几何模型，应用有限元分析软件对隧道掌子面及两侧进行多维传感器布设，以获取多维状态变量参数和多维检测变量参数；
通过多个同质所述检测变量参数间的相关性，将所述三维几何模型划分出多个敏感区域，并融合得到每个所述敏感区域对应的综合检测变量参数；
根据每个所述敏感区域内的所述状态变量参数计算自适应调节系数，并利用所述自适应调节系数校正所述综合检测变量参数，进而提取不良特征信息；
每个所述敏感区域分别建立FCM分类器进行独立的初步诊断，并根据所述FCM 分类器的识别率确定模糊测度，进而采用模糊积分算法进行融合诊断。
2.如权利要求1所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述多维传感器布设包括：
对所述隧道三维几何模型进行有限元网格划分，并分别在所述掌子面及两侧划分多个检测站，所述检测站的布设间距为4-5米；
每个所述检测站具有多个异质传感器检测点，所述异质传感器布设间距为0.3-0.5米；
所述多个检测站和多个所述检测点均采用泰森多边形分布，且离地距离不小于1米。
3.如权利要求2所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述状态变量参数包括：温度、空气湿度、涌水量、不良气体浓度和总悬浮颗粒物浓度。
4.如权利要求3所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述检测变量参数包括：地震波数据、电流变化和激电参数。
5.如权利要求4所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述敏感区域划分通过下列步骤得到：
建立任意两组同质检测变量参数间的互相关函数；
根据所述互相关函数计算任意两组同质检测变量的相关系数，遍历所述同质检测变量参数；
确定相关性阈值，并通过阈值分割划分出多个敏感区域。
6.如权利要求5所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述综合检测变量参数的融合过程包括：
对所述敏感区域内的同质检测变量参数进行两两互相关运算得到检测变量参数间的互相关能量，进而得到任意检测变量参数与全部同质检测变量参数之间的总相关能量；
遍历所述同质检测变量参数，确定各所述检测变量参数的权值，并通过加权得到所述敏感区域对应的综合检测变量参数，遍历所述敏感区域。
7.如权利要求6所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述自适应调节系数的计算公式为：
Figure 31597DEST_PATH_IMAGE001
；
其中，
Figure 542213DEST_PATH_IMAGE002
表示自适应调节系数，
Figure 587529DEST_PATH_IMAGE003
表示不良气体平均浓度、
Figure 451580DEST_PATH_IMAGE004
表示平均涌水量、
Figure 360893DEST_PATH_IMAGE005
表示平均空气湿度、
Figure 652197DEST_PATH_IMAGE006
表示总悬浮颗粒物平均浓度，
Figure 512705DEST_PATH_IMAGE007
表示平均温度。
8.如权利要求7所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述校正所述综合检测变量参数包括：
Figure 180447DEST_PATH_IMAGE008
；
其中，
Figure 442801DEST_PATH_IMAGE009
表示地震波检测变量，
Figure 905007DEST_PATH_IMAGE010
表示修正后的地震波检测变量，
Figure 987232DEST_PATH_IMAGE011
表示电流变化检测变量，
Figure 193085DEST_PATH_IMAGE010
表示修正后的电流变化检测变量，
Figure 808481DEST_PATH_IMAGE012
表示激电参数变量，
Figure 707167DEST_PATH_IMAGE013
表示修正后的激电参数变量。
9.如权利要求8所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述初步诊断包括：
对所述不良特征信息进行小波包阈值去噪和多域特征提取；
采用局部保持投影算法进行特征降维，得到低维特征向量；
将所述低维向量和已知不良地质特征向量进行合并，并输入所述FCM 分类器，得到各分类器的分类识别率。
10.如权利要求9所述的多源数据融合传感三维隧道不良地质探测方法，其特征在于，所述融合诊断过程包括：
根据所述各分类器的分类识别率确定单一分类器及分类器间的模糊测度；
采用Choquet 积分对所述模糊测度进行融合诊断，得到各不良地质状态的平均识别率；
将所述平均识别率大于识别率阈值的分类结果作为融合诊断结果输出。
CN202210776085.7A 2022-07-04 2022-07-04 一种多源数据融合传感三维隧道不良地质探测方法 Active CN114839696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776085.7A CN114839696B (zh) 2022-07-04 2022-07-04 一种多源数据融合传感三维隧道不良地质探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776085.7A CN114839696B (zh) 2022-07-04 2022-07-04 一种多源数据融合传感三维隧道不良地质探测方法

Publications (2)

Publication Number Publication Date
CN114839696A CN114839696A (zh) 2022-08-02
CN114839696B true CN114839696B (zh) 2022-09-13

Family

ID=82573985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776085.7A Active CN114839696B (zh) 2022-07-04 2022-07-04 一种多源数据融合传感三维隧道不良地质探测方法

Country Status (1)

Country Link
CN (1) CN114839696B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944416A (zh) * 2012-12-06 2013-02-27 南京匹瑞电气科技有限公司 基于多传感器信号融合技术的风电机组叶片故障诊断方法
CN107167852A (zh) * 2017-05-08 2017-09-15 广西大学 基于多源信息融合的隧道地质综合超前预报方法
CN109461359A (zh) * 2018-11-16 2019-03-12 高军 一种隧道含水地质构造超前探测方法
CN109989740A (zh) * 2019-04-10 2019-07-09 中煤科工集团西安研究院有限公司 基于多源信息融合的煤系地层钻进智能识别系统及其方法
CN110671153A (zh) * 2019-09-23 2020-01-10 山东大学 用于隧道及地下工程突涌水灾害的监测预警系统
CN111505733A (zh) * 2020-04-30 2020-08-07 山东科技大学 一种地下工程裂隙岩体赋存特殊地质体多源异构信息融合分析与动态预测方法
AU2021101951A4 (en) * 2021-04-15 2021-06-03 Guiyang Urban Rall Transit CO.,LTD Method of real-time safety warning of tunnel approaching construction based on data fusion
CN112965136A (zh) * 2021-02-05 2021-06-15 云南楚大高速公路投资开发有限公司 一种富水岩溶隧道的多手段超前探测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944416A (zh) * 2012-12-06 2013-02-27 南京匹瑞电气科技有限公司 基于多传感器信号融合技术的风电机组叶片故障诊断方法
CN107167852A (zh) * 2017-05-08 2017-09-15 广西大学 基于多源信息融合的隧道地质综合超前预报方法
CN109461359A (zh) * 2018-11-16 2019-03-12 高军 一种隧道含水地质构造超前探测方法
CN109989740A (zh) * 2019-04-10 2019-07-09 中煤科工集团西安研究院有限公司 基于多源信息融合的煤系地层钻进智能识别系统及其方法
CN110671153A (zh) * 2019-09-23 2020-01-10 山东大学 用于隧道及地下工程突涌水灾害的监测预警系统
CN111505733A (zh) * 2020-04-30 2020-08-07 山东科技大学 一种地下工程裂隙岩体赋存特殊地质体多源异构信息融合分析与动态预测方法
CN112965136A (zh) * 2021-02-05 2021-06-15 云南楚大高速公路投资开发有限公司 一种富水岩溶隧道的多手段超前探测方法
AU2021101951A4 (en) * 2021-04-15 2021-06-03 Guiyang Urban Rall Transit CO.,LTD Method of real-time safety warning of tunnel approaching construction based on data fusion

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂环境大断面隧道施工超前地质预报技术与工程应用;周建春 等;《中外公路》;20160804;第36卷(第04期);第238-241页 *

Also Published As

Publication number Publication date
CN114839696A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN111538076B (zh) 基于深度学习特征融合的地震震级快速估算方法
US20060190180A1 (en) Petroleum exploration and prediction apparatus and method
CN103293562B (zh) 一种碳酸盐岩储层地质储量的确定方法及设备
CN103456020B (zh) 基于treelet特征融合的遥感图像变化检测方法
CN104635269A (zh) 一种基于叠前方位角道集预测火成岩裂缝型储层的方法
CN107748825A (zh) 一种煤层采动裂隙场瓦斯压力测定系统
CN112749493A (zh) 基于全磁力梯度张量特征值的地质体边界检测方法及系统
CN116665067B (zh) 基于图神经网络的找矿靶区优选系统及其方法
CN104483700A (zh) 地层裂缝监测与预警系统及方法
CN109490985A (zh) 一种地球物理勘测系统和方法
CN110288227A (zh) 一种用于评价影响压裂效果主控因素的方法
CN115128663A (zh) 基于物联网的矿山安全生产检测系统及其检测方法
CN114839696B (zh) 一种多源数据融合传感三维隧道不良地质探测方法
CN116256803A (zh) 一种融合开采信息与地质信息的煤矿微震区域定位方法
CN115342814A (zh) 一种基于多传感器数据融合的无人船定位方法
CN116611592B (zh) 基于深度学习的铁路廊道沿线地热异常区预测方法
US6904367B2 (en) Petroleum exploration and prediction apparatus and method
CN107301255B (zh) 一种计算储层裂缝孔隙度的方法
CN115436998A (zh) 一种煤层底板下伏岩层中导水裂隙结构的探查方法
CN106405648B (zh) 绕射波的成像方法和装置
CN112927767B (zh) 基于图注意力自编码的多元地球化学异常识别方法
CN115542393A (zh) 基于多参数约束和结构校正的随掘巷道全波形反演方法
CN115019476A (zh) 一种基于多源信息融合的滑坡时空信息监测预警方法
CN109242770B (zh) 图像导引的地震速度插值方法及计算机可读存储介质
CN115618601B (zh) 一种基于检测结果的集输管线安全评估方法和系统

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