CN115046516A - 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 - Google Patents
基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 Download PDFInfo
- Publication number
- CN115046516A CN115046516A CN202210599466.2A CN202210599466A CN115046516A CN 115046516 A CN115046516 A CN 115046516A CN 202210599466 A CN202210599466 A CN 202210599466A CN 115046516 A CN115046516 A CN 115046516A
- Authority
- CN
- China
- Prior art keywords
- displacement
- displacement rate
- sliding
- sliding surface
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法,本发明属于滑坡检测技术领域。本发明的主要步骤如下:1)绘制钻孔深部累计位移‑时间曲线图;2)计算不同深度处的土体在监测期内的位移速率;3)绘制钻孔不同深度处的位移速率‑时间曲线图;4)提取关键日数据,以深度为横坐标,位移速率为纵坐标绘制位移速率‑深度散点图;5)DBSCAN数据聚类,确定滑动面所在的滑动区间及该区间的大小;6)离散点数学计算,识别离散点的分布类型,准确计算滑动面所在的具体位置。本发明根据坡体变形过程中不同深度处土体位移速率的变化特点与滑动面位置之间的关系,引入机器学习算法DBSCAN对数据进行分类,快速准确地获取滑动面位置。
Description
技术领域
本发明属于滑坡监测技术领域,具体涉及一种基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法。
背景技术
在滑坡稳定性研究中,滑坡位移监测是重要的研究方向。通过滑坡位移监测,不仅可以得到坡体变形位移速率、方向等数据,且通过分析监测资料,可深化滑坡变形机制及变形特征的认识,为失稳斜坡整治提供重要依据。滑坡位移监测中,确定滑坡滑动面的准确位置是评价斜坡稳定性并对其进行有效整治的前提。
滑动面辨识方法分为非确定性方法和确定性方法。非确定性方法主要有简易力学判识法﹑物探法﹑数值模拟法等;非确定性方法辨识的滑面为推测性滑面,需确定性方法进行验证;此外,非确定性方法一般为辅助手段或进行初步研究的手段。而滑坡治理工程勘查、设计和施工阶段则采用确定性方法进行滑动面识别,确定性方法主要有野外地质判识法、勘探识别法和深层位移观测法。
目前,深层位移观测法是主要的滑动面判识方法,该方法根据钻孔在监测期内土体的深部累计位移曲线变形特征直观判断滑动面所在位置。常见的滑坡深孔测斜曲线(即深部累积位移-时间曲线)主要有“V”型、“B”型、“r”型、“钟摆”型及“复合”型等。
在“r”型深孔测斜曲线的滑动面位置识别上,深层位移观测法存在一些明显的缺陷:一方面,该方法只能粗略地判断滑动面位置,并不能精准地获取滑动面位置数据;另一方面,深部累计位移-时间曲线图的横纵坐标观测尺度也会极大地影响滑动面位置的识别,观测尺度过小曲线中的无关变形特征被放大,不利于滑面特征捕捉;观测尺度过大,累计位移曲线变化特征不明显,难以确定滑动面的准确位置。
发明内容
本发明根据滑坡体的变形速率特征结合机器学习算法,提出了一种基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法,能够充分运用钻孔深部累计位移数据、快速精准确定“r”型深孔测斜曲线滑动面位置,本发明的详细技术方案如下:
一种基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法,包括以下步骤:
1)导入深孔测斜仪传感器的位移监测数据,依据监测数据绘制各传感器对应的钻孔深部累计位移-时间曲线图,判断曲线图的变形特征是否为r型,若为r型则继续执行以下步骤;
2)取步骤1)的深孔测斜仪,采用公式①计算该深孔测斜仪各位置传感器数据,计算各传感器在监测期内土体的位移速率:
式①中:
t i 为深部位移采集时间;
t i+1 为与t i 相邻的下一次深部位移采集时间;
s i 为t i 期限内的累计位移;
s i+1 为t i+1 期限内的累计位移;
v i 为t i 至t i+1 期限内内的位移速率;
计算得到该传感器在各个监测期内的位移速率值,并绘制该传感器对应的位移速率-时间曲线图;再依次计算其余传感器的位移速率值,并绘制各传感器对应的位移速率-时间曲线图;由此得到不同深度处土体在监测期内的位移速率值,再绘制不同深度处的位移速率-时间曲线图;
3)通过步骤2)绘制的不同深度处的位移速率-时间曲线图,确定曲线图上分簇特征最显著的数据点对应的日期;提取步骤2)所述日期内各传感器的土体位移速率值;
4)以步骤3)得到的位移速率值为纵坐标,以传感器布设深度为横坐标,绘制位移速率-深度散点图;根据散点图的分布特征,识别散点图中不同簇之间的阶跃阶段,阶跃阶段的水平区间对应的范围即为滑动面所在的区间范围;
5)散点图中阶跃阶段上簇数据点和下簇数据点呈水平链式分布,采用DBSCAN算法设置相应的邻域半径(Eps)和邻域中数据对象数目阈值(MinPts),对数据进行聚类;
根据聚类结果,取上簇数据点与阶跃阶段相邻的端部数据点,取下簇数据点与阶跃阶段相邻的端部数据点,两个端部数据点对应的深度值形成的区间范围,即为滑动面所在区间范围;
6)根据阶跃阶段内离散点的位置,识别离散点的分布类型为单点分布或多点分布;根据离散点的具体分布类型,选择与分布类型对应的数学计算方法,将步骤5)得到的两个端部数据点和离散点的数值代入数学计算方法,计算得到滑动面的准确位置。
基本原理:DBSCAN是一种基于密度的聚类算法,这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本,彼此之间的紧密相连,即在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类,这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别,则得到最终的所有聚类类别结果。DBSCAN算法基本原理及其计算流程如下:
其中,ρ为点(x2,y2)与(x1,y1)之间的欧式距离;|X|为点(x2,y2)到原点的欧式距离。
输出:簇划分C
2)对于j=1,2,...m,按以下步骤找出所有核心对象:
本发明根据滑坡体的运动变形特点,构建了阶跃阶段内不同离散点分布情况所对应的数学计算方法,具体推导过程如下:
“r”型测斜曲线是具有完整且贯通的滑动面,滑动体(图1a中的上部区域)和不动体(图1a中下部区域)之间的运动变形可以简化为图1a所示的力学模型。其变形过程如图1b所示,进而可将这种运动变化过程简化为两根杆件由滑动铰支座相连接的力学模型图1c,杆件的变形曲线图1d与“r”型测斜曲线相似。
其中,滑动面位于滑动区间(图1c中中部方框)内,滑动区间内的土体一般为均质的滑带土。则可以假设滑动区间内的土体位移速率沿深度自上而下线性变化。滑动区间顶部位移速率等于阶跃阶段左端散点的位移速率,滑动区间底部位移速率等于阶跃阶段右端散点位移速率,则滑动区间位移速率中点值(V中)对应的深度即为滑动面所在位置,且该深度应为滑动区间的中点位置。然而,实际数据采集受采样深度间隔的影响,滑动区间中点位置对应的速率值并非区间位移速率中点值(V中):
1)当中点位置对应的实际速率(V测)大于V中时,滑动面在V测对应深度处(h测)的右侧(即更深处);
2)V测小于V中时,滑动面在V测对应深度处(h测)的左侧(即更浅处);
根据以上的假设条件和分析准则,分别构建单点分布和多点分布对应的数学计算方法。
I 单点分布:
阶跃阶段内离散点的分布类型,可进一步划分为“阶段内”和“阶段外”。
①阶段内
阶跃阶段内根据V中与V测的大小,分为V中<V测和V中>V测两种情况。
其中,V中=(V上+V下)/2;(V上和V下分别为滑动区间的上下端位移速率;V测为滑动区间内离散点位移速率)。
a.若V中<V测,关系如图2所示,计算过程如下:
V中=(V上+V下)/2
tanθ=( V上-V下)/(h下-h上)
L1= V测-V中
L1/L2= tanθ
h滑=h测+L2
则,滑动面所在的深度为h滑。
b.若V中>V测,关系如图3所示,计算过程如下:
V中=(V上+V下)/2
tanθ=( V上-V下)/(h下-h上)
L1= V中- V测
tanθ=L1/L2
h滑=h测-L2
则,滑动面所在的深度为h滑。
②阶段外
V中<V测有一种特殊情况,离散点落在了阶跃阶段之外,这是由于滑动区间的位移速率大于上部滑动体的位移速率所致。考虑对称性,以V上为水平对称轴将离散点转换为阶跃阶段内的离散点,则V测就变为V*测。如图4所示:
V中=(V上+V下)/2
tanθ=( V上-V下)/(h下-h上)
L0=V测-V上
L1= (V上-V中)- L0
L1/L2= tanθ
h滑=h测+L2
则,滑动面所在的深度为h滑。
II 多点分布:
阶跃阶段内多个离散点的分布类型,可划分为“两点分布”和“三点分布”。这是由于滑动区间较大、传感器间隔较小,使得多个传感器落在滑动区间内,进而导致阶跃阶段出现多个离散点;而r型测斜曲线的土体滑动区间的范围一般较小,小则几厘米大则几米,实际勘察设计中传感器间隔为0.5m,使得阶跃阶段内离散点的数量一般不超过三个。
①两点分布
根据等效位移速率(Ve)与V中的大小可分为两种计算情况:Ve>V中和Ve<V中。其中,V1和V2为阶跃阶段内的两个离散点,Ve为这两个离散点的等效离散点,即:将多点分布转化为单点分布。
a. 若Ve>V中,计算过程如下,如图5所示:
Ve=(V1+V2)/2
he=(h1+h2)/2
V中=(V上+V下)/2
tanθ=( V上-V下)/(h下-h上)
L1= Ve-V中
L1/L2= tanθ
因为Ve>V中,滑动面位置应在he的右侧,则h滑=he+L2;
则,滑动面所在的深度为h滑。
b.若Ve<V中,计算过程如下,如图6所示:
Ve=(V1+V2)/2
he=(h1+h2)/2
V中=(V上+V下)/2
tanθ=( V上-V下)/(h下-h上)
L1= V中-Ve
L1/L2= tanθ
因为Ve<V中,滑动面位置应在he的左侧,则h滑=he-L2;
则,滑动面所在的深度为h滑。
②三点分布
根据等效位移速率(Ve)与V中的大小同样可分为两种计算情况:
Ve<V中和Ve>V中。其中,V1、V2和V3为阶跃阶段内的三个离散点,Ve为这三个离散点的等效离散点。
a.若Ve<V中,计算过程如下,如图7所示:
Ve=(V1+V3)/2
tanθ1=( V1-V3)/(h3-h1)
L1=V2-Ve
L1/L2= tanθ1
若V2>Ve,则he=h2+L2;
若V2<Ve,则he=h2-L2;
故等效离散点的坐标为(he,Ve);
V中=(V上+V下)/2
tanθ2=( V上-Ve)/(he-h上)
L3=V中-Ve
L3/L4= tanθ2
因为V中>Ve,则h滑=he-L4;
故,滑动面所在的深度为h滑。
b.若Ve>V中,如图8所示,计算过程如下:
Ve=(V1+V3)/2
tanθ1=( V1-V3)/(h3-h1)
L1=V2-Ve
L1/L2= tanθ1
若V2>Ve,则he=h2+L2;
若V2<Ve,则he=h2-L2;
故等效离散点的坐标为(he,Ve);
V中=(V上+V下)/2
tanθ2=( V上-Ve)/(he-h上)
L3=V中-Ve
L3/L4= tanθ2
因为V中<Ve,则h滑=he+L4;
故,滑动面所在的深度为h滑。
本发明的有益效果在于:
1.本发明根据滑坡变形特征,以“r”型深孔测斜曲线作为研究对象,挖掘坡体变形过程中不同深度处土体位移速率的变化特点与滑动面位置之间的关系,引入DBSCAN对数据进行分类,快速准确地获取坡体滑动区间的位置信息,并通过构建滑坡运动力学模型得到阶跃阶段离散点在不同分布类型下对应的数学计算方法,进而代入实际数据完成滑动面位置的精准确定。
2.本发明通过对坡体位移速率的深入探索分析,提出以位移速率变化特征作为滑动面位置识别的依据,发现位移速率在滑坡体与不动体的之间存在明显的阶跃阶段,并基于阶跃阶段内离散点的分布特征构建了相应的数学计算方法,提出了一套完整的且能够精准确定滑动面位置的方法。
3.本发明对钻孔深部位移监测数据进行了深入挖掘,提高了数据的利用程度;另一方面,引入了算法DBSCAN识别数据特征、准确提取滑动区间的位置信息,可为滑动面位置的准确识别提供依据和参考。
4.相比于传统方法,本发明基于实际监测数据采用更为高效的数据处理方法,能够快速准确地确定滑动面位置,极大地提高了工作效率,并且有效避免了人为主观判识滑动面位置导致误差偏大的情况。
附图说明
图1是滑动体模型简化示意图;
图2是单点分布阶段内计算关系图1;
图3是单点分布阶段内计算关系图2;
图4是单点分布阶段外计算关系图;
图5是两点分布计算关系图1;
图6是两点分布计算关系图2;
图7是三点分布计算关系图1;
图8是三点分布计算关系图2;
图9是本发明实施例累计位移-时间曲线图;
图10是本发明实施例不同传感器的位移速率-时间曲线图;
图11是本发明实施例第461.5天各传感器位移速率-深度曲线图;
图12是本发明实施例第461.5天各传感器位移速率-深度聚类图;
图13是本发明散点坐标图;
图14是本发明实施例的计算关系图;
图15是本发明计算结果展示图;
图16是本发明的系统原理图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步说明,该实施例为云南某滑坡位置的深孔位移监测数据:
1)导入数据,绘制深部累计位移-时间曲线,如图9。图中纵坐标为监测时间,横坐标为各传感器的位移值;本实施例中,监测时间为2018/5/15至2020/1/10,共采集了29次数据。
从图9可以发现,曲线呈“r”型,坡体的滑动面已经形成,位置大致在24m处。为了进一步确定滑动面的准确位置,继续执行以下步骤。
2)由公式①可以计算得到监测期内不同深度处土体的位移速率,绘制不同传感器的位移速率-时间曲线,如图10所示:
由位移速率-时间曲线图10可以发现,土体的速率变化特征显著,初期速率波动显著,随着时间推移逐渐平缓。由于滑动面已经成形,位移速率将在某一天出现明显的分簇特征。由图10可以发现,第461.5天时分簇特征显著,可提取该日不同深度处的位移速率数据进行后续分析。
3)提取第461.5天各传感器的位移速率数据,以深度为横坐标、位移速率为纵坐标,绘制位移速率-深度曲线图如图11所示。
由图11可以发现,当日位移速率-深度散点图明显分为两簇,两簇散点数据之间的存在一明显的阶跃阶段,且该阶跃阶段内有一显著的离散点。阶跃阶段的水平区间对应的范围即为滑动面所在的区间范围,离散点对应的传感器深度则为滑动面所在的位置。
4)采用DBSCAN算法,根据各点簇中点与点之间、簇与簇之间的距离大小设置Eps和MinPts。本案例中设定Eps=0.500675,MinPts=1,算法聚类结果如图12所示:
由图12可以发现,DBSCAN将散点数据分为三簇,此处分别记为“上蔟”、“中簇”和“下簇”。其中上蔟右端点对应的深度为23m;中簇只有一个数据点,其对应的深度为23.5m;下簇左端点对应的深度为24m。
因此,可以知道滑动区间位于地下23m至24m的范围内。
5)由图12可知阶跃阶段内只有一个散点,且该点位于阶跃阶段上下簇散点之间,属于单点分布中的阶段内类型。分别提取上簇散点最右侧散点坐标、离散点坐标、下簇散点最左侧散点的坐标(如图13),代入单点分布阶段内的数学计算方法:
V测=0.15190,
V中=(V上+V下)/2=(0.17810+0.01780)/2=0.09795
V测> V中,故选用单点分布阶段内V中<V测的数学模型,如图14所示:
则将数据代入计算公式:
V中=(V上+V下)/2= 0.09795
tanθ=( V上-V下)/(h下-h上)=(0.17810−0.01780)/(24−23)= 0.1603
L1= V测-V中= 0.15190−0.09795 = 0.05395
L2=L1/ tanθ=0.05395/0.1603 = 0.3365
h滑=h测+L2= 23.5+0.3365 = 23.8365
故,滑动面所在的深度为23.8365m。
计算结果展示如图15所示,黑色水平线(-23.8365m)为计算所得的滑动面位置。
Claims (1)
1.一种基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法,其特征在于,包括以下步骤:
1)导入深孔测斜仪传感器的位移监测数据,依据监测数据绘制各传感器对应的钻孔深部累计位移-时间曲线图,判断曲线图的变形特征是否为r型,若为r型则继续执行以下步骤;
2)取步骤1)的深孔测斜仪,采用公式①计算该深孔测斜仪各位置传感器数据,计算各传感器在监测期内土体的位移速率:
式①中:
t i 为深部位移采集时间;
t i+1 为与t i 相邻的下一次深部位移采集时间;
s i 为t i 期限内的累计位移;
s i+1 为t i+1 期限内的累计位移;
v i 为t i 至t i+1 期限内内的位移速率;
计算得到该传感器在各个监测期内的位移速率值,并绘制该传感器对应的位移速率-时间曲线图;再依次计算其余传感器的位移速率值,并绘制各传感器对应的位移速率-时间曲线图;由此得到不同深度处土体在监测期内的位移速率值,再绘制不同深度处的位移速率-时间曲线图;
3)通过步骤2)绘制的不同深度处的位移速率-时间曲线图,确定曲线图上分簇特征最显著的数据点对应的日期;提取步骤2)所述日期内各传感器的土体位移速率值;
4)以步骤3)得到的位移速率值为纵坐标,以传感器布设深度为横坐标,绘制位移速率-深度散点图;根据散点图的分布特征,识别散点图中不同簇之间的阶跃阶段,阶跃阶段的水平区间对应的范围即为滑动面所在的区间范围;
5)散点图中阶跃阶段上簇数据点和下簇数据点呈水平链式分布,采用DBSCAN算法设置相应的邻域半径和邻域中数据对象数目阈值,对数据进行聚类;
根据聚类结果,取上簇数据点与阶跃阶段相邻的端部数据点,取下簇数据点与阶跃阶段相邻的端部数据点,两个端部数据点对应的深度值形成的区间范围,即为滑动面所在区间范围;
6)根据阶跃阶段内离散点的位置,识别离散点的分布类型为单点分布或多点分布;根据离散点的具体分布类型,选择与分布类型对应的数学计算方法,将步骤5)得到的两个端部数据点和离散点的数值代入数学计算方法,计算得到滑动面的准确位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210599466.2A CN115046516A (zh) | 2022-05-30 | 2022-05-30 | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210599466.2A CN115046516A (zh) | 2022-05-30 | 2022-05-30 | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115046516A true CN115046516A (zh) | 2022-09-13 |
Family
ID=83159675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210599466.2A Pending CN115046516A (zh) | 2022-05-30 | 2022-05-30 | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115046516A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026267A (zh) * | 2022-12-12 | 2023-04-28 | 中铁西北科学研究院有限公司 | 基于多滑面b型深孔测斜曲线的滑动面位置精准确定方法 |
-
2022
- 2022-05-30 CN CN202210599466.2A patent/CN115046516A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026267A (zh) * | 2022-12-12 | 2023-04-28 | 中铁西北科学研究院有限公司 | 基于多滑面b型深孔测斜曲线的滑动面位置精准确定方法 |
CN116026267B (zh) * | 2022-12-12 | 2023-09-08 | 中铁西北科学研究院有限公司 | 基于多滑面b型深孔测斜曲线的滑动面位置精准确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
CN110060173B (zh) | 一种深部金矿床成矿找矿方法 | |
CN107038505B (zh) | 基于机器学习的找矿模型预测方法 | |
CN106777585B (zh) | 一种区域浅表滑坡时空分异规律的esda分析法 | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
CN115046516A (zh) | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 | |
CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
CN102539194B (zh) | 梯度地球化学勘探方法 | |
CN113779880B (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
CN117454256A (zh) | 基于人工智能的地质勘测方法及系统 | |
CN110968840A (zh) | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 | |
CN109656906A (zh) | 一种基于大数据的勘查资料的处理方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN106033126B (zh) | 一种油气单元勘探程度的定量划分方法 | |
CN1187626C (zh) | 多元素优化集合控制找矿勘查方法 | |
CN115046515A (zh) | 基于单滑面d型深孔测斜曲线的滑动面位置精准确定方法 | |
Blouin et al. | Automated facies prediction in drillholes using machine learning | |
CN116026267B (zh) | 基于多滑面b型深孔测斜曲线的滑动面位置精准确定方法 | |
Kazemi et al. | Application of genetic and K-means algorithms in clustering Babakoohi Anticline joints north of Shiraz, Iran | |
CN106846480B (zh) | 一种不确定性概率场属性分布建模方法与系统 | |
CN112906242B (zh) | 一种基于朴素贝叶斯法与邻近分类法相结合的地球物理建模方法 | |
Yang et al. | Research on intelligent identification technology of lithology wireless remote transmission based on element measurement | |
CN116047598B (zh) | 一种基于人工智能的石油勘探方法及系统 |
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 |