CN115563864A - 电缆隧道渗漏水智能预测方法 - Google Patents

电缆隧道渗漏水智能预测方法 Download PDF

Info

Publication number
CN115563864A
CN115563864A CN202211195162.6A CN202211195162A CN115563864A CN 115563864 A CN115563864 A CN 115563864A CN 202211195162 A CN202211195162 A CN 202211195162A CN 115563864 A CN115563864 A CN 115563864A
Authority
CN
China
Prior art keywords
leakage
cable tunnel
tunnel
water leakage
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.)
Pending
Application number
CN202211195162.6A
Other languages
English (en)
Inventor
王剑
刘彬
马潇
李丹煜
汉京善
杨加伦
张国强
刘毅
金欢
王轶
刘畅
李孟轩
古衡
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202211195162.6A priority Critical patent/CN115563864A/zh
Publication of CN115563864A publication Critical patent/CN115563864A/zh
Pending legal-status Critical Current

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Computing Systems (AREA)
  • Architecture (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供一种电缆隧道渗漏水智能预测方法，建立电缆隧道渗漏水智能预测模型，结合现场监测数据修正完善为三维数值仿真模型，应用模型输出建议施工参数或给出参数修改建议，该模型是基于DBN深度置信网络的深度学习模型，其输入层对应施工参数，隐含层是计算过程的中间量；输出层对应渗漏水流量。本发明可以实时感知电缆隧道运营过程中产生的渗漏水情况，同时判断其电缆隧道否满足安全要求，可避免因运行过程中渗漏水问题而产生的电缆隧道的安全隐患。

Description

电缆隧道渗漏水智能预测方法
技术领域
本发明涉及一种数据处理方法，具体涉及一种电缆隧道渗漏水智能预测方法。
背景技术
近年来，许多城市电缆隧道的修建数目以及修建规模逐步提升，电缆隧道可以更高效地利用土地资源，具有良好的经济效益和社会效应，电缆隧道通常只考虑作中高压电力通道，通常建于电缆线路较多和电缆线位不能或不易开挖的场所，近年来结合架空高压线改造入地而建的电缆隧道也不在少数。但与此同时，电缆隧道在运营过程中仍然存在着许多工程问题，其中最为严重的即电缆隧道的渗漏水问题，电缆隧道运营中产生的渗漏水问题不仅会使得隧道土壤坍塌形成孔洞，危害隧道整体结构安全，同时电缆隧道渗漏水还会导致电缆隧道内部存有积水，严重威胁电缆线路的安全运行。
目前，电缆隧道的渗漏检测技术已经广泛应用在电缆隧道的日常检测中，如采用红外线检测方法探测隧道渗漏情况，但此类方法均在渗漏产生之后方才检测，但为了保证电缆隧道的安全运行，需要进行电缆隧道渗漏水位置以及渗漏水流量的超前预测。但对于电缆隧道来说，影响电缆隧道产生渗漏的原因很多，例如气象条件，地层条件，地下水情况，电缆隧道的结构形式，状态，止水结构等。目前许多预测模型也只能对某些因素进行预测，所以正缺乏这样一种利用智能算法对电缆隧道中多种因素影响产生的渗漏水问题进行超前预测的途径与控制方法
发明人基于从事此类产品设计制造多年丰富的实务经验及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种新型结构的*，使其更具实用性。经过不断研究、设计，并经反复试作样品及改进后，终于创设出确具实用价值的本发明。
发明内容
发明目的：针对于目前电缆隧道在修建过程以及运营维护过程中出现的渗漏水问题，为了实现电缆隧道运营过程中渗漏水流量的预测，解决电缆隧道渗漏水问题无法进行超前计算和智能预测的难题，本发明提出了一种电缆隧道渗漏水智能预测与控制方法，旨在保证电缆隧道施工质量及运营阶段的渗漏水防控安全。
技术方案：为解决上述技术问题，本发明提供的电缆隧道渗漏水智能预测方法，建立电缆隧道渗漏水智能预测模型，结合现场监测数据修正完善为三维数值仿真模型，应用模型输出建议施工参数或给出参数修改建议。
具体地，电缆隧道渗漏水智能预测模型是基于DBN深度置信网络的深度学习模型，该模型包括输入层、隐含层与输出层，每层模型由若干神经元组成；
输入层神经元分别对应施工参数，所述施工参数包括土体埋深、土体压缩模量/弹性模量、粘聚力、内摩擦角、渗透系数、地下水位深度、接头张开量、混凝土结构弹模折减和渗漏位置；
隐含层主要作用为提升模型学习与计算能力，是计算过程的中间量，各个神经元无实际物理意义；
输出层神经元为渗漏水流量。
有益效果：本发明的方法的预测体系既可以实时感知电缆隧道运营过程中产生的渗漏水情况，又可以根据电缆隧道的实时状态，调整及修补产生的渗漏缝，保证电缆隧道渗漏水问题及时处理与解决；此外，该方法可以通过相关参数变化预测电缆隧道运行中的渗漏水变化，判断其是否满足安全要求，因此，该系统可避免因运行过程中渗漏水问题而产生的电缆隧道的安全隐患。
附图说明
图1是本发明实施例渗漏水智能预测模型建立流程图
图2是本发明实施例渗漏水智能预测模型工作流程图
具体实施方式
实施例：
本实施例的预测方法，使用电缆隧道渗漏水智能预测模型和电缆隧道渗漏水三维数值模拟模型。
电缆隧道渗漏水智能预测模型，为基于DBN深度置信网络的深度学习模型，该模型由输入层、隐含层与输出层组成。每层模型由若干神经元组成，其中输入层各个神经元分别对应土体埋深、土体压缩模量/弹性模量、粘聚力、内摩擦角、渗透系数、地下水位深度、接头张开量、混凝土结构弹模折减(结构腐蚀引起强度降低)、拱顶、拱墙、拱底等不同渗漏位置等施工参数，隐含层主要作用为提升模型学习与计算能力，是计算过程的中间量，各个神经元无实际物理意义，输出层神经元为渗漏流量。各层神经元之间的关系可按照以下公式计算。
Figure BDA0003867831420000031
Figure BDA0003867831420000032
式中，
Figure BDA0003867831420000033
是第(l-1)th层第ith个神经元的输出值(l可取2,3，i＝1，...，9)，其中
Figure BDA0003867831420000034
为输入层第1个神经元对应土体埋深，
Figure BDA0003867831420000035
为输入层第2个神经元对应土体压缩模量/弹性模量，
Figure BDA0003867831420000036
为输入层第3个神经元对应粘聚力，
Figure BDA0003867831420000037
为输入层第4个神经元对应内摩擦角，
Figure BDA0003867831420000038
为输入层第5个神经元对应渗透系数，
Figure BDA0003867831420000039
为输入层第6个神经元对应地下水位深度,
Figure BDA00038678314200000310
为输入层第7个神经元对应接头张开量,
Figure BDA00038678314200000311
为输入层第8个神经元对应混凝土结构弹模折减，
Figure BDA00038678314200000312
为输入层第9个神经元对应拱顶、拱墙、拱底等不同渗漏位置。
Figure BDA00038678314200000313
为隐含层(i＝1，...，9)，与输入层神经元数目相同，共9个神经元，为计算过程的中间量，无实际物理意义。
Figure BDA00038678314200000314
为输出层，输出层包含1个神经元，对应渗漏流量。m是第lth层中神经元的数目，
Figure BDA00038678314200000315
是第lth层第jth个神经元和第(l-1)th层第ith个神经元之间的连接权重，
Figure BDA00038678314200000316
是与第lth层第jth个神经元相关的偏差值，
Figure BDA00038678314200000317
和
Figure BDA00038678314200000318
可通过现场施工数据不断优化，
Figure BDA00038678314200000319
是第lth层第jth个神经元的初始线性值，g()是神经网络激励函数，选择双极性sigma函数
Figure BDA00038678314200000320
上述渗漏位置利用自加热温度光纤进行监测，渗漏流量利用水位计进行监测；在盾构法施工的隧道内，将自加热温度光纤平行隧道轴线布置，在隧道拱部、边墙和拱脚分别布设3条测线；在明挖法和顶管法施工的隧道内，将自加热温度光纤沿隧道结构接缝环向布置，每条环缝布置1条测线；水位计则布设于隧道排水边沟内，每间隔10m布置一个水位计。
根据不同位置处的温度差和水位变化控制自加热温度光纤加热模块的开启，当不同位置处的温度差异超过0.5℃时，启动自加热温度光纤的加热功能；当隧道排水边沟内的水位变化超过5mm时，启动自加热温度光纤的加热功能，自加热温度光纤的温升不宜高于10℃，且加热持续时间不宜低于10min。对比不同位置处温度监测值，判断隧道接缝渗漏水位置。利用相邻水位计监测的水位差，计算隧道接缝的渗漏量。
建立电缆隧道渗漏水三维数值仿真分析模型，隧道接缝处利用等效多孔介质模型表征，利用单元生死功能，模拟隧道渗漏位置。利用上述的渗漏水位置和渗漏量等现场监测数据，修改和完善仿真模型。
利用修正完善后的仿真分析模型，开展不同的土体埋深、土体压缩模量/弹性模量、粘聚力、内摩擦角、渗透系数、地下水位深度、接头张开量、混凝土结构弹模折减(结构腐蚀引起强度降低)、拱顶、拱墙、拱底等不同渗漏位置的渗漏量分析计算，渗透系数设置参数区间为10-6,10-5,10-4,10-3,0.01,0.1；弹性模量设置参数区间为10MPa-100MPa，步长为10MPa，孔隙率设置参数范围为0.3-0.6，步长为0.05。渗漏位置考虑拱顶、侧墙、拱底、上半环、右半环和整环。地下水位设置范围为3.25-6.25m，步长为0.25m；隧道结构接头张开量设置为1mm-5mm，步长为1mm；混凝土结构弹模折减系数为0.8、0.6、0.5、0.3、0.1。按上述参数设置范围，将参数输入电缆隧道渗漏水数值仿真模型，进行计算，可得出一组初始数据样本，经过不同初始条件下参数的代入，可获取DBN深度置信网络数据训练集。
DBN深度置信网络的学习样本来源除了包括通过电缆隧道渗漏水数值仿真模型建模的方法进行获得的，还应当有隧道前期的运营数据。作为优选，电缆隧道渗漏水智能预测模型的学习样本取自类似工程，取自电缆隧道渗漏水数值仿真模型，以及当前工程先行施工区段，可根据当前工程实时施工参数预测后续部分的渗漏水水流量，当预测的渗漏水流量处于非正常状态时，优化相关影响参数，直至预测渗漏水流量满足安全要求。
本发明为电缆隧道渗漏水智能预测提供了一种全新的思路与方法，具体实现该技术方案的方法和途径很多，以上仅是以示例的方式提供的优选实施方式。本领域技术人员可以在不偏离本发明的情况下想到许多更改、改变和替代。应当理解，在实践本发明的过程中可以采用对本文所描述的本发明实施方式的各种替代方案。所附权利要求旨在限定本发明的范围，并因此覆盖这些权利要求及其等效项的范围内的方法和结构。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (9)

1.一种电缆隧道渗漏水智能预测方法，其特征在于：建立电缆隧道渗漏水智能预测模型，结合现场监测数据修正完善为三维数值仿真模型，应用模型输出建议施工参数或给出参数修改建议。
2.根据权利要求1所述的电缆隧道渗漏水智能预测方法，其特征在于：所述电缆隧道渗漏水智能预测模型，是基于DBN深度置信网络的深度学习模型，该模型包括输入层、隐含层与输出层，每层模型由若干神经元组成；
输入层神经元分别对应施工参数，所述施工参数包括土体埋深、土体压缩模量/弹性模量、粘聚力、内摩擦角、渗透系数、地下水位深度、接头张开量、混凝土结构弹模折减和渗漏位置，所述渗漏位置包括拱顶、拱墙、拱底
隐含层主要作用为提升模型学习与计算能力，是计算过程的中间量；
输出层神经元为渗漏水流量。
3.根据权利要求2所述的电缆隧道渗漏水智能预测方法，其特征在于：各层神经元之间的关系表达为
Figure FDA0003867831410000011
Figure FDA0003867831410000012
式中，
Figure FDA0003867831410000013
是第(l-1)th层第ith个神经元的输出值(l可取2,3，i＝1，...，9)，其中
Figure FDA0003867831410000014
为输入层第1个神经元对应土体埋深，
Figure FDA0003867831410000015
为输入层第2个神经元对应土体压缩模量/弹性模量，
Figure FDA0003867831410000016
为输入层第3个神经元对应粘聚力，
Figure FDA0003867831410000017
为输入层第4个神经元对应内摩擦角，
Figure FDA0003867831410000018
为输入层第5个神经元对应渗透系数，
Figure FDA0003867831410000019
为输入层第6个神经元对应地下水位深度,
Figure FDA00038678314100000110
为输入层第7个神经元对应接头张开量,
Figure FDA00038678314100000111
为输入层第8个神经元对应混凝土结构弹模折减，
Figure FDA00038678314100000112
为输入层第9个神经元对不同渗漏位置；
Figure FDA00038678314100000113
为隐含层(i＝1，...，9)，与输入层神经元数目相同，共9个神经元，为计算过程的中间量；
Figure FDA00038678314100000114
为输出层，输出层包含1个神经元，对应渗漏水流量；m是第lth层中神经元的数目，
Figure FDA00038678314100000115
是第lth层第jth个神经元和第(l-1)th层第ith个神经元之间的连接权重，
Figure FDA00038678314100000116
是与第lth层第jth个神经元相关的偏差值，
Figure FDA0003867831410000021
和
Figure FDA0003867831410000022
可通过现场施工数据不断优化，
Figure FDA0003867831410000023
是第lth层第jth个神经元的初始线性值，g()是神经网络激励函数，选择双极性sigma函数
Figure FDA0003867831410000024
4.根据权利要求2所述的电缆隧道渗漏水智能预测方法，其特征在于：所述施工参数通过现场监测获得，渗漏位置利用自加热温度光纤进行监测，渗漏水流量利用水位计进行监测。
5.根据权利要求4所述的电缆隧道渗漏水智能预测方法，其特征在于：在盾构法施工的隧道内，将自加热温度光纤平行隧道轴线布置，在隧道拱部、边墙和拱脚分别布设3条测线；在明挖法和顶管法施工的隧道内，将自加热温度光纤沿隧道结构接缝环向布置，每条环缝布置1条测线；水位计则布设于隧道排水边沟内，每间隔10m布置一个水位计；根据不同位置处的温度差和水位变化控制自加热温度光纤加热模块的开启，当不同位置处的温度差异超过0.5℃时，启动自加热温度光纤的加热功能；当隧道排水边沟内的水位变化超过5mm时，启动自加热温度光纤的加热功能，自加热温度光纤的温升不宜高于10℃，且加热持续时间不宜低于10min。
6.根据权利要求5所述的电缆隧道渗漏水智能预测方法，其特征在于：对比不同位置处温度监测值，判断隧道接缝渗漏水位置，利用相邻水位计监测的水位差，计算隧道接缝的渗漏量。
7.根据权利要求1所述的电缆隧道渗漏水智能预测方法，其特征在于：
建立电缆隧道渗漏水三维数值仿真模型，隧道接缝处利用等效多孔介质模型表征，利用单元生死功能，模拟隧道渗漏位置，利用上述现场监测数据，包括渗漏水位置和渗漏量，修改和完善仿真模型；
分析修正完善后的仿真模型，开展不同的土体埋深、土体压缩模量/弹性模量、粘聚力、内摩擦角、渗透系数、地下水位深度、接头张开量、混凝土结构弹模折减、拱顶、拱墙、拱底等不同渗漏位置的渗漏量分析计算，渗透系数设置参数区间为10-6,10-5,10-4,10-3,0.01,0.1；弹性模量设置参数区间为10MPa-100MPa，步长为10MPa，孔隙率设置参数范围为0.3-0.6，步长为0.05；
渗漏位置考虑拱顶、侧墙、拱底、上半环、右半环和整环；
地下水位设置范围为3.25-6.25m，步长为0.25m；隧道结构接头张开量设置为1mm-5mm，步长为1mm；混凝土结构弹模折减系数为0.8、0.6、0.5、0.3、0.1；
按上述参数设置范围，将参数输入电缆隧道渗漏水数值仿真模型，进行计算，得出一组初始数据样本，经过不同初始条件下参数的代入，可获取DBN深度置信网络数据训练集。
8.根据权利要求1所述的电缆隧道渗漏水智能预测方法，其特征在于：DBN深度置信网络的学习样本来源，包括通过电缆隧道渗漏水数值仿真模型建模的方法进行获得的，还包括隧道前期的运营数据。
9.根据权利要求8所述的电缆隧道渗漏水智能预测方法，其特征在于：电缆隧道渗漏水智能预测模型的学习样本取自类似工程，取自电缆隧道渗漏水数值仿真模型，以及当前工程先行施工区段，可根据当前工程实时施工参数预测后续部分的渗漏水水流量，当预测的渗漏水流量处于非正常状态时，优化相关影响参数，直至预测渗漏水流量满足安全要求。
CN202211195162.6A 2022-09-27 2022-09-27 电缆隧道渗漏水智能预测方法 Pending CN115563864A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211195162.6A CN115563864A (zh) 2022-09-27 2022-09-27 电缆隧道渗漏水智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211195162.6A CN115563864A (zh) 2022-09-27 2022-09-27 电缆隧道渗漏水智能预测方法

Publications (1)

Publication Number Publication Date
CN115563864A true CN115563864A (zh) 2023-01-03

Family

ID=84742226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211195162.6A Pending CN115563864A (zh) 2022-09-27 2022-09-27 电缆隧道渗漏水智能预测方法

Country Status (1)

Country Link
CN (1) CN115563864A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390381A (zh) * 2023-09-11 2024-01-12 北京市政建设集团有限责任公司 基于深度学习的地下连续墙接头缝渗漏预测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390381A (zh) * 2023-09-11 2024-01-12 北京市政建设集团有限责任公司 基于深度学习的地下连续墙接头缝渗漏预测方法及装置

Similar Documents

Publication Publication Date Title
CN103455682B (zh) 一种预测高温高压井腐蚀套管剩余寿命的方法
CN104179514B (zh) 水下隧道破碎围岩突水预测与渗流控制的方法
CN108952807B (zh) 一种隧道断裂破碎带涌水的止水处置方法
CN113779835A (zh) 基于ai与智能监测系统的深大基坑安全预警方法
CN108984886B (zh) 一种反演多层油藏井间动态连通性的方法
CN106777460B (zh) 一种基于swmm水力模型确定城市雨水管网管径和坡度的方法
CN115563864A (zh) 电缆隧道渗漏水智能预测方法
CN111119902B (zh) 一种基于bp神经网络的隧道动态施工方法
US20230358123A1 (en) Reinforcement learning-based decision optimization method of oilfield production system
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN108921319B (zh) 一种用于岩溶隧道结构安全预警的监测方法
CN116306340A (zh) 一种模拟不同工况下的城市内涝风险分布的方法
CN106705928B (zh) 一种大直径盾构隧道变形监测预警方法
CN102003175A (zh) 放水试验法预测铁路岩溶隧道充水溶腔涌水量的方法
CN113605866B (zh) 一种矿井瓦斯抽采动态调控系统及方法
CN109902265B (zh) 一种基于隐马尔可夫模型的井下预警方法
CN117309060B (zh) 一种基于云计算的建筑幕墙结构性能监测系统
CN106761690A (zh) 用于气举工艺模拟的智能试验井
CN116756807A (zh) 耦合施工过程的线性地下工程涌水量数值预测方法
CN114413832B (zh) 一种基于光纤传感的道路监测系统及方法
CN114150718B (zh) 一种用于地下结构非均匀沉降病害的预警治理与检测工艺
CN112257154B (zh) 一种城市隧道透明施工监测方法及系统
CN115526114A (zh) 基于集合卡尔曼滤波法的水力裂缝形态反演方法及系统
CN105157664B (zh) 一种确定边坡施工期变形动态监控指标的方法
CN115355056A (zh) 市域铁路越江隧道复合衬砌结构受力性能自动化监测系统

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