CN115929406A - 基于神经网络的围岩稳定性预测方法、系统及存储介质 - Google Patents
基于神经网络的围岩稳定性预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115929406A CN115929406A CN202211578838.XA CN202211578838A CN115929406A CN 115929406 A CN115929406 A CN 115929406A CN 202211578838 A CN202211578838 A CN 202211578838A CN 115929406 A CN115929406 A CN 115929406A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- stability
- tunnel
- neural network
- predicting
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Devices Affording Protection Of Roads Or Walls For Sound Insulation (AREA)
Abstract
本发明公开了一种基于神经网络的围岩稳定性预测方法、系统及存储介质，涉及隧洞围岩监测技术领域。步骤为：应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；在关键承载区布设多个监测点，获取监测点数据信息；将监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；根据预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。本发明通过神经网络算法提高了确定隧道围岩稳定性的效率，并且根据警报信息的判识及时采取相对措施，加强了隧道围岩的管理，保证了后续工程实施安全。
Description
技术领域
本发明涉及隧洞围岩监测技术领域，更具体的说是涉及一种基于神经网络的围岩稳定性预测方法、系统及存储介质。
背景技术
对隧洞围岩进行监测是隧道工程中必不可少的一个环节，通过对隧洞围岩的监测可以判断隧洞围岩的安全性，进而保障隧道的安全施工。在现有技术中，采用静态观测的方法对隧洞围岩进行变形监测，例如将扫描设备固定在隧道内，对隧道围岩变形进行监测，或者，在隧道内预先安装轨道，使扫描设备在预先安装的轨道上行走，通过作业人员的协助进行工作，完成数据的采集，从而对隧道围岩的稳定性进行分析。但通过上述传统方法对围岩进行监测时会影响隧道内的施工，且确定围岩稳定性或变形的效率较低。因此，对本领域技术人员来说，如何高效准确地对围岩稳定性情况进行预测是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种基于神经网络的围岩稳定性预测方法、系统及存储介质，以解决背景技术中存在的问题。
为了实现上述目的，本发明采用如下技术方案：一种基于神经网络的深埋隧洞围岩稳定性预测方法，具体步骤包括如下：
应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
在所述关键承载区布设多个监测点，获取监测点数据信息；
将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
可选的，训练所述围岩稳定性预测神经网络模型的步骤为：
S1、采集影响围岩稳定性的相关数据，包括岩体结构、围岩应力状态以及围岩变性数据；
S2、将S1采集到的相关数据进行归一化处理，构造训练集；
S3、构造基于注意力神经网络的围岩稳定性预测模型；
S4、将所述训练集输入到所述围岩稳定性预测模型中进行训练，得到训练好的围岩稳定性预测神经网络模型。
在S3中，构造双向LSTM神经网络模型和前馈注意力模型，将二种模型构造为基于注意力神经网络的围岩稳定性预测模型。
可选的，还包括在所述预测结果大于预设阈值时，向服务端发送围岩变形信息和警报信息。
可选的，采集终端向服务端发送围岩变形信息和警报信息时，包括对信息进行加密的步骤。
可选的，根据所述预测结果通过聚类算法对围岩稳定性情况进行分级。
可选的，还包括：通过无人机机载三维激光扫描仪获取目标隧道断面的点云数据；根据所述目标隧道断面的点云数据，获取目标隧道断面包括的多个隧道断面的断面模型；将所述目标隧道断面包括的多个隧道断面的断面模型与隧道三维模型进行重叠，确定隧道围岩的变形趋势。
另一方面，提供一种基于神经网络的深埋隧洞围岩稳定性预测系统，利用一种基于神经网络的深埋隧洞围岩稳定性预测方法进行分析，包括围岩承载区确定模块、监测模块、预测模块、支护模块；其中，
所述围岩承载区确定模块，用于应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
所述监测模块，用于在所述关键承载区布设多个监测点，获取监测点数据信息；
所述预测模块，用于将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
所述支护模块，用于根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
最后，提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于神经网络的围岩稳定性预测方法、系统及存储介质，具有以下有益的技术效果：通过神经网络算法提高了确定隧道围岩稳定性的效率，并且根据警报信息的判识及时采取相对措施，加强了隧道围岩的管理，保证了后续工程实施安全，根据不同的稳定性等级采取不同的支护措施，对围岩起到了良好的支撑作用，可有效防止围岩的变形。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的监测点布置示意图；
图3为本发明的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明实施例公开了一种基于神经网络的深埋隧洞围岩稳定性预测方法，如图1所示，具体步骤包括如下：
步骤一、应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
步骤二、在关键承载区布设多个监测点，获取监测点数据信息；
步骤三、将监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
步骤四、根据预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
如图2所示，为监测点布置示意图，采集监测点位数据信息。
围岩破坏严重影响隧洞施工及运营的安全，其破坏形式多样，而且是多因素的综合影响的结果。在不同影响因素作用下，围岩的变形机理是不同的，针对隧洞围岩破坏模式的影响因素，基本上可以归纳为三类地质因素，包括(1)地质因素：岩体性质、岩体构造、地下水作用等；(2)工程因素：包括險道埋深、断面的形状、大小、高跨比等；(3)施工因素：包括隧洞施工方法和手段、支护时间和方式等。其中地质因素是影响围岩稳定性和破坏模式的最主要因素。在本发明实施例中，选取三方面的主要因素进行分析。
进一步的，训练围岩稳定性预测神经网络模型的步骤为：
S1、采集影响围岩稳定性的相关数据，包括岩体结构、围岩应力状态以及围岩变性数据；
S2、将S1采集到的相关数据进行归一化处理，构造训练集；
S3、构造基于注意力神经网络的围岩稳定性预测模型；
S4、将训练集输入到所述围岩稳定性预测模型中进行训练，得到训练好的围岩稳定性预测神经网络模型。
在S3中，构造双向LSTM神经网络模型和前馈注意力模型，将二种模型构造为基于注意力神经网络的围岩稳定性预测模型。
进一步的，还包括在预测结果大于预设阈值时，向服务端发送围岩变形信息和警报信息。采集终端向服务端发送围岩变形信息和警报信息时，还包括对信息进行加密的步骤。
进一步的，根据预测结果通过聚类算法对围岩稳定性情况进行分级。
进一步的，还包括：通过无人机机载三维激光扫描仪获取目标隧道断面的点云数据；根据目标隧道断面的点云数据，获取目标隧道断面包括的多个隧道断面的断面模型；将目标隧道断面包括的多个隧道断面的断面模型与隧道三维模型进行重叠，确定隧道围岩的变形趋势。
围岩状态的控制主要是围岩应力的控制，而作用在围岩上的应力大小主要受围岩的埋深和围岩应力释放的程度决定，围岩埋深固定后，需要对围岩应力释放进行控制，围岩应力释放程度高，围岩的岩土受力大，围岩变形就大，围岩结构就容易被破坏，围岩应力释放的程度小，围岩的岩土受力小，围岩变形就小，围岩就不容易被破坏。软弱围岩的结构可以承受的破坏力较小，很容易被破坏，所以必须控制围岩因隧道开挖而释放的应力程度。本发明基于上述思想，在隧道开挖并安装完初支钢架后，立即通过施力装置对初支钢架施背离围岩的预应力，同时对围岩施加背离初支钢架的应力，即朝向围岩的应力，这样可以对围岩进行应力补充，减少围岩的应力释放。
另一方面，提供一种基于神经网络的深埋隧洞围岩稳定性预测系统，利用一种基于神经网络的深埋隧洞围岩稳定性预测方法进行分析，如图3所示，包括围岩承载区确定模块、监测模块、预测模块、支护模块；其中，
围岩承载区确定模块，用于应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
监测模块，用于在关键承载区布设多个监测点，获取监测点数据信息；
预测模块，用于将监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
支护模块，用于根据预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
最后，提供一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现一种基于神经网络的深埋隧洞围岩稳定性预测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，具体步骤包括如下：
应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
在所述关键承载区布设多个监测点，获取监测点数据信息；
将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
2.根据权利要求1所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，训练所述围岩稳定性预测神经网络模型的步骤为：
S1、采集影响围岩稳定性的相关数据，包括岩体结构、围岩应力状态以及围岩变性数据；
S2、将S1采集到的相关数据进行归一化处理，构造训练集；
S3、构造基于注意力神经网络的围岩稳定性预测模型；
S4、将所述训练集输入到所述围岩稳定性预测模型中进行训练，得到训练好的围岩稳定性预测神经网络模型。
在S3中，构造双向LSTM神经网络模型和前馈注意力模型，将二种模型构造为基于注意力神经网络的围岩稳定性预测模型。
3.根据权利要求1所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，还包括在所述预测结果大于预设阈值时，向服务端发送围岩变形信息和警报信息。
4.根据权利要求3所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，采集终端向服务端发送围岩变形信息和警报信息时，包括对信息进行加密的步骤。
5.根据权利要求1所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，根据所述预测结果通过聚类算法对围岩稳定性情况进行分级。
6.根据权利要求1所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，还包括：通过无人机机载三维激光扫描仪获取目标隧道断面的点云数据；根据所述目标隧道断面的点云数据，获取目标隧道断面包括的多个隧道断面的断面模型；将所述目标隧道断面包括的多个隧道断面的断面模型与隧道三维模型进行重叠，确定隧道围岩的变形趋势。
7.一种基于神经网络的深埋隧洞围岩稳定性预测系统，其特征在于，利用权利要求1-6任一所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法进行分析，包括围岩承载区确定模块、监测模块、预测模块、支护模块；其中，
所述围岩承载区确定模块，用于应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
所述监测模块，用于在所述关键承载区布设多个监测点，获取监测点数据信息；
所述预测模块，用于将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
所述支护模块，用于根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
8.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578838.XA CN115929406B (zh) | 2022-12-07 | 2022-12-07 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578838.XA CN115929406B (zh) | 2022-12-07 | 2022-12-07 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115929406A true CN115929406A (zh) | 2023-04-07 |
| CN115929406B CN115929406B (zh) | 2023-08-18 |
Family
ID=86698812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211578838.XA Active CN115929406B (zh) | 2022-12-07 | 2022-12-07 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115929406B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116906125A (zh) * | 2023-09-06 | 2023-10-20 | 四川高速公路建设开发集团有限公司 | 基于数据同步传输算法的软岩隧道安全监测方法及系统 |
| CN117574781A (zh) * | 2024-01-15 | 2024-02-20 | 国网湖北省电力有限公司经济技术研究院 | 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1162465A (ja) * | 1997-08-25 | 1999-03-05 | Ohbayashi Corp | 岩盤掘削における地山安定性評価システム及び方法 |
| CN102155231A (zh) * | 2011-03-18 | 2011-08-17 | 大连海事大学 | 一种隧道施工过程的快速反馈分析系统 |
| CN102610055A (zh) * | 2011-12-19 | 2012-07-25 | 大连海事大学 | 隧道自动监测多元信息无线智能报警系统 |
| CN104182622A (zh) * | 2014-08-12 | 2014-12-03 | 大连海事大学 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
| CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
| CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
| CN108830012A (zh) * | 2018-06-29 | 2018-11-16 | 上海勘察设计研究院(集团)有限公司 | 一种基于全要素挖掘的结构变形预测方法 |
| CN112258049A (zh) * | 2020-10-26 | 2021-01-22 | 西南交通大学 | 一种针对复杂地质条件区域隧道的安全控制方法 |
| CN112529330A (zh) * | 2020-12-24 | 2021-03-19 | 东南大学 | 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法 |
| CN113408190A (zh) * | 2021-05-28 | 2021-09-17 | 中交第一公路勘察设计研究院有限公司 | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 |
| CN114810100A (zh) * | 2022-06-28 | 2022-07-29 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构掘进姿态预测方法 |
| CN115263432A (zh) * | 2022-09-02 | 2022-11-01 | 河海大学 | 一种深埋隧洞稳定性和安全性监测分析系统 |
-
2022
- 2022-12-07 CN CN202211578838.XA patent/CN115929406B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1162465A (ja) * | 1997-08-25 | 1999-03-05 | Ohbayashi Corp | 岩盤掘削における地山安定性評価システム及び方法 |
| CN102155231A (zh) * | 2011-03-18 | 2011-08-17 | 大连海事大学 | 一种隧道施工过程的快速反馈分析系统 |
| CN102610055A (zh) * | 2011-12-19 | 2012-07-25 | 大连海事大学 | 隧道自动监测多元信息无线智能报警系统 |
| CN104182622A (zh) * | 2014-08-12 | 2014-12-03 | 大连海事大学 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
| CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
| CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
| CN108830012A (zh) * | 2018-06-29 | 2018-11-16 | 上海勘察设计研究院(集团)有限公司 | 一种基于全要素挖掘的结构变形预测方法 |
| CN112258049A (zh) * | 2020-10-26 | 2021-01-22 | 西南交通大学 | 一种针对复杂地质条件区域隧道的安全控制方法 |
| CN112529330A (zh) * | 2020-12-24 | 2021-03-19 | 东南大学 | 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法 |
| CN113408190A (zh) * | 2021-05-28 | 2021-09-17 | 中交第一公路勘察设计研究院有限公司 | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 |
| CN114810100A (zh) * | 2022-06-28 | 2022-07-29 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构掘进姿态预测方法 |
| CN115263432A (zh) * | 2022-09-02 | 2022-11-01 | 河海大学 | 一种深埋隧洞稳定性和安全性监测分析系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈军;: "软弱围岩隧道施工过程围岩参数反演及仿真分析", 交通科技, no. 06 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116906125A (zh) * | 2023-09-06 | 2023-10-20 | 四川高速公路建设开发集团有限公司 | 基于数据同步传输算法的软岩隧道安全监测方法及系统 |
| CN116906125B (zh) * | 2023-09-06 | 2023-12-29 | 四川高速公路建设开发集团有限公司 | 基于数据同步传输算法的软岩隧道安全监测方法及系统 |
| CN117574781A (zh) * | 2024-01-15 | 2024-02-20 | 国网湖北省电力有限公司经济技术研究院 | 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统 |
| CN117574781B (zh) * | 2024-01-15 | 2024-04-16 | 国网湖北省电力有限公司经济技术研究院 | 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115929406B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115929406B (zh) | 基于神经网络的围岩稳定性预测方法、系统及存储介质 | |
| CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN110858334A (zh) | 道路安全评估方法、装置及道路安全预警系统 | |
| CN110927821A (zh) | 一种基于bim+gis的隧道施工超前地质预报信息系统 | |
| CN114238543A (zh) | 一种排水管网地理信息系统 | |
| CN109543870B (zh) | 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法 | |
| CN117010217B (zh) | 基于模型分析的地下水污染可视化方法及系统 | |
| CN118013268B (zh) | 一种桥梁支座监测系统设计方法及装置 | |
| CN113852615A (zh) | 一种在多级dns环境中失陷主机监测方法及装置 | |
| CN111241660B (zh) | 一种基于云计算技术的土木工程实验检测系统及方法 | |
| CN211123324U (zh) | 一种基于bim+gis的隧道施工超前地质预报信息系统 | |
| CN117119496A (zh) | 一种lte无线网络的评估方法及服务器 | |
| CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
| CN118094375A (zh) | 一种四位一体的采动地表沉陷时空连续感知方法 | |
| CN110275896B (zh) | 光缆入侵施工事件识别方法、装置、设备及可读存储介质 | |
| Betti et al. | Offshore platform structural damage identification versus robustness | |
| Ogweno et al. | Earthquake early warning feasibility study for the New Madrid seismic zone | |
| CN118038633A (zh) | 一种滑坡地质灾害监测预警方法及装置 | |
| CN114186312B (zh) | 基于隧道变形特征的涉隧滑坡类型辨识方法 | |
| CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
| CN111764963B (zh) | 基于Faster-RCNN的冲击地压预测方法 | |
| CN112349056B (zh) | 一种电缆通道防外破智能前端监控及预警系统 | |
| Mishra et al. | Comprehensive seismic hazard assessment for Guwahati City, Northeast India: Insights from probabilistic and deterministic seismic hazard analysis | |
| Gao et al. | Dynamic cooperation and mutual feedback network for shield machine | |
| CN115829121B (zh) | 一种深埋隧洞稳定性预测方法及系统 |
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 |