CN116432855A - 一种基于掘进数据的隧道塌方情况的预测方法 - Google Patents
一种基于掘进数据的隧道塌方情况的预测方法 Download PDFInfo
- Publication number
- CN116432855A CN116432855A CN202310484556.1A CN202310484556A CN116432855A CN 116432855 A CN116432855 A CN 116432855A CN 202310484556 A CN202310484556 A CN 202310484556A CN 116432855 A CN116432855 A CN 116432855A
- Authority
- CN
- China
- Prior art keywords
- tunneling
- data
- section
- collapse
- torque
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000001174 ascending effect Effects 0.000 claims abstract description 18
- 230000035515 penetration Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 4
- 239000011435 rock Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 208000022971 Tuberculous meningitis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000001223 meningeal tuberculosis Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明属于隧道掘进技术领域，且公开了一种基于掘进数据的隧道塌方情况的预测方法，S1.通过数据预处理，将TBM采集的原始数据以掘进段为单位划分为空推段、上升段、稳定段和下降段的数据集和对异常数据进行识别删除；S2.基于预处理后的数据，根据掘进上升段中扭矩和贯入度的相关关系，通过线性拟合计算特征参数，以扭矩和贯入度拟合直线的斜率作为TPI；本发明通过筛选“绝对健康”的训练模型数据，通过时间序列和神经网络相结合，以特征参数TPI的误差分析建立塌方风险判别标准，构建预测精度好、泛化性强的预测模型，从而为TBM的安全高效掘进提供保障。
Description
技术领域
本发明属于隧道掘进技术领域，具体为一种基于掘进数据的隧道塌方情况的预测方法。
背景技术
TBM(Tunnel Boring Machine，隧道掘进机)在地质条件良好的II类III类围岩洞段，日进尺可达几十米，效率是传统钻爆法是数十倍，人员伤亡的事故也相对较少。然而，TBM的地质适应性相对较差，对地质条件的变化极为敏感，应对地质灾害的能力不足，一旦地质灾害发生，将大幅度增加施工成本和时间成本，并可能产生人员伤亡。在TBM遭遇的地质灾害中，塌方和卡机占有相当大的比例。
但是在TBM工程中，由于开挖岩石表面通常光滑，有时难以准确获取判断围岩类别所需的全部条件，同时由于TBM的刀盘和护盾的遮挡，施工人员难以直接观察掌子面的地质信息。此外，受限于设计阶段地勘勘察的局限性，初勘的围岩情况与实际围岩情况可能存在一定的差异。这些因素的存在增加了TBM工程中识别围岩质量的难度，进而不能快速判断和识别掌子面处的塌方风险，因此亟待发明一种能够快速识别判断掌子面塌方风险的方法，为TBM的安全高效掘进服务。
发明内容
本发明的目的在于提供一种基于掘进数据的隧道塌方情况的预测方法，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明提供如下技术方案：一种基于掘进数据的隧道塌方情况的预测方法，包括：通过数据预处理，将TBM采集的原始数据进行划分和清理；
基于处理后的数据，根据掘进上升段中扭矩和贯入度的相关性分析，通过线性拟合计算特征参数，以扭矩和贯入度拟合直线的斜率作为TPI；
构建基于时间序列的神经网络模型，以历史掘进段的特征参数为输入，以相邻未来掘进段的特征参数为输出，并通过比选，确定最佳的输入参数数量；
基于正常掘进段建立训练数据库，通过拟合优度筛选训练数据，确保训练模型对应的围岩地质较好，通过特征预测值和实测值的误差分析识别塌方段，并基于误差指标确定掘进段塌方的判别准则。
优选的，通过数据预处理方法将原始数据进行划分和清理，包括判断掘进状态，将原始数据中的停机无效数据剔除，选取掘进数据；
根据掘进参数的变化规律，在掘进段内部划分不同的阶段；
以刀盘转速大于0r/min，刀盘转速设定值大于0r/min，且刀盘扭矩大于0kN·m作为掘进开始的判断依据；以总推进力大于摩擦推力，刀盘扭矩大于摩擦扭矩作为上升段开始的判断依据，其中摩擦推力和摩擦扭矩需要根据工程的实际情况确定，其数值为推力和扭矩第一次大幅度增长前的参数均值；以50s的推进速度标准差小于阈值作为稳定段的判断依据，其中阈值需要根据工程的实际情况确定，其数值为人为划分掘进段统计时上升段最后50s的推进速度的标准差；以推进速度等于0mm/min，总推进力等于0kN，刀盘转速等于0r/min，刀盘扭矩等于0kN·m作为掘进段的终点。
优选的，通过数据相关性分析，基于上升段掘进参数计算特征参数，包括将上升段的扭矩和贯入度进行线性拟合，以拟合直线的斜率作为特征参数TPI。
优选的，建立基于深度置信网络的时间序列预测模型，包括基于数据调试网络，确定合适的超参数；
以过去数段掘进段的TPI为输入，以相邻掘进段的TPI为输出，基于部分数据，以预测精度作为依据，通过比选确定，模型的输入层节点、隐藏层层数，隐藏层节点，学习率等超参数。
优选的，选择“绝对健康”的训练数据，通过TPI的预测值和实际值的误差分析识别判断塌方掘进段，包括基于拟合优度R2>0.6，在实际塌方掘进段前方300m～1300m处，选择训练模型所需的数据；
基于训练模型，在实际塌方掘进段前方300m处，选择数据作为模型预测精度的测试数据；
基于训练模型，对工程实际塌方掘进段进行预测，并进一步对全部塌方掘进段进行预测，通过对比分析，提出塌方掘进段的判别准则。
本发明的有益效果如下：
本发明通过筛选“绝对健康”的训练模型数据，通过时间序列和神经网络相结合，以特征参数TPI的误差分析建立塌方风险判别标准，构建预测精度好、泛化性强的预测模型，从而为TBM的安全高效掘进提供保障。
附图说明
图1为本发明实施例提供的一种隧道掘进段塌方情况的预测方法流程图；
图2为本发明实施例提供的一种典型未处理的原始掘进数据示意图；
图3为本发明实施例提供的一种典型处理后的掘进段参数变化的示意图；
图4为本发明具体实施方式中基于上升段扭矩和贯入度的相关性分析图；
图5为本发明具体实施方式中时间序列结构示意图；
图6为本发明具体实施方式中神经网络算法结构示意图；
图7为本发明具体实施方式中TPI预测图。
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。
如图1至图7所示，本发明实施例提供了一种基于掘进数据的隧道塌方情况的预测方法。
TBM掘进参数名词解释
上升段：对应刀盘接触岩体，滚刀逐步贯入岩体的过程。由于主司机增加了推进速度和刀盘转速，滚刀逐渐贯入并切削岩体，此时破岩阻力增大，对应设备的推力及扭矩增大。这一阶段的数据充分反应了围岩和设备的相互作用，该过程持续时间2～5min，掘进长度约20～50cm，岩性变化较小而参数变化较大。
稳定段：对应滚刀充分贯入岩体，在岩体内部形成贯通裂缝的过程。此阶段TBM破岩处于动态平衡中，此时掘进参数基本保持平稳波动，这一阶段通常占掘进段总长度的80～90％，为主要破岩阶段。
目前，在TBM掘进段地质条件预测方法中，主要以围岩分类为预测对象，这些方法对于数据充足、样本均衡的工程有较好的预测效果，但当工程数据本身存在不均衡分布时，针对小样本类别难以取得较好的预测效果。同时这些方法中缺乏以塌方为目标进行的研究，主要以应对塌方的处理方法的研究为主，缺少快速的识别技术研究。
本发明实施例提供的一种隧道掘进塌方情况的预测方法的处理流程图如图1所示，包括如下的处理步骤：
步骤S1：根据推力、扭矩、推进速度和刀盘转速的阈值划分，将原始掘进数据划分为以掘进段为单位的数据，且具体可分为空推段、上升段、稳定段和下降段的数据集。
对19.771km的引松工程3标段CREG-188“永吉号”TBM的原始掘进数据进行划分，以转速大于0r/min，转速设定值大于0r/min，扭矩大于0kN.m，同时推进速度小于120mm/min判断为空推段开始；以扭矩大于200kN.m，推力大于4000kN时，判断为上升段开始；以50s内推进速度的标准差小于0.12，判断为稳定段开始；以推进速度等于0mm/min，推力等于0kN，判断为下降段开始，以各项参数都等于0判断为掘进段结束。
基于“箱型图法”对上升段的异常数据进行识别和删除，同时以贯入度为尺度，将小于2的数据进行剔除，这部分数据对应滚刀未完全破岩阶段，规律性不强。“箱型图法”又称为盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图，因型状如箱子而得名。它能显示出一组数据的最大值、最小值、中位数、上四分位数(Q1)和下四分位数(Q3)。通常以Q1和Q3的差值作为四分位距(IQR),并将数据筛选的范围确定为(Q1-1.5IQR，Q3+1.5IQR)，对于该范围之外的数据均进行剔除。
进行上述数据预处理后，共基于引松工程得到13884个掘进段。
图2为本发明实施例提供的一种典型未处理的原始掘进数据示意图。
图3为本发明实施例提供的一种典型处理后掘进段的掘进数据示意图。
具体的掘进段各节点划分标准见表1。
表1掘进段各节点划分标准
步骤S2：基于上升段掘进数据，通过扭矩和贯入度的相关性分析计算特征参数TPI。
根据扭矩计算单刀扭矩，计算方法为刀盘扭矩除以滚刀数量。
以上升段的单刀扭矩为因变量，以贯入度为自变量，进行线性拟合，设置截距为0，以拟合直线的斜率为TPI，相应拟合优度为R2。
图4为本发明实施例提供的一种扭矩和贯入度的相关关系示意图。
步骤S3：在引松工程18段已记录塌方中，剔除距离工程起始桩号小于1km的2处塌方，对剩余16处塌方分别选取训练数据集，测试数据集和预测数据集。
训练数据集为塌方段前方1300m～300m范围内的掘进段对应的特征参数。为确保该段数据的“绝对健康”，以拟合优度R2大于0.6作为筛选标准。
测试数据集为塌方段前方300m范围内的掘进段的特征参数。
塌方数据集为塌方段范围内的掘进段的特征参数。
16处塌方段的情况选取情况表2所示
表2引松工程塌方段情况
步骤S4：基于12号至14号塌方段数据进行模型调参，确定合适的超参数，并对剩余塌方段进行识别，通过对比分析，总结塌方段判别标准。
选取12号塌方段前方1300m掘进段数据，对应桩号为64+832～66+350，其中64+832～65+901作为正常掘进段数据，用于训练模型，65+913～66+199作为塌方段前端数据，用于测试模型精度，66+200～66+350作为塌方段数据，用于验证预测效果。
为了确定网络超参数，首先基于训练数据进行预测，主要超参数为输入节点Ni，隐藏层数Nh，隐藏层节点数Nhd，学习率Nlr，根据TBM护盾的长度一般为5～10m，考虑掘进段普遍长度约为1.8m，选取输入节点为3、5、7，对应本掘进段前3个，5个和7个掘进段。参考以往研究中DBN网络架构，选取隐藏层数为1、2、3，隐藏层节点数为10、16、20，学习率为0.005、0.01、0.1，最终预测精度指标如表3所示。
表3超参数选取表
图5为本发明实施例提供的一种时间序列预测结构模型示意图。
图6为本发明实施例提供的一种深度智信网络结构示意图。
图7为12号塌方段各数据集的预测效果示意图。
表4为全部塌方段预测结果示意。
表4引松工程塌方段预测结果
根据表4确定判别标准为MRE>0.15、R'<0.8和R2<0.6，当满足上述条件时，即可判断遭遇了塌方地质段。
综上所述，本发明实施例方法建立了基于“绝对健康”的训练模型，通过特征参数TPI的误差分析，提出了在上升段即可预测掘进掌子面前方塌方风险的方法。本发明不仅可以很好的判断TBM掘进的塌方风险，且对于非塌方段的错误识别率较低。当误差指标增大时，即可提醒TBM司机改变刀盘转速或推进速度，避免因为激烈操作导致塌方，进而为TBM保驾护航。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于掘进数据的隧道塌方情况的预测方法，其特征在于：
S1.通过数据预处理，将TBM采集的原始数据以掘进段为单位划分为空推段、上升段、稳定段和下降段的数据集和对异常数据进行识别删除；
S2.基于预处理后的数据，根据掘进上升段中扭矩和贯入度的相关关系，通过线性拟合计算特征参数，以扭矩和贯入度拟合直线的斜率作为TPI；
S3.建立基于深度置信网络的时间序列预测模型，以历史掘进段的特征参数为输入，以相邻未来掘进段的特征参数为输出，并通过比选，确定最佳的输入参数数量；
S4.基于正常掘进段建立训练数据库，通过拟合优度筛选训练数据，确保训练模型对应的围岩地质较好，通过特征预测值和实测值的误差分析识别塌方段，并基于误差指标确定掘进段塌方的判别准则。
2.根据权利要求1所述的一种基于掘进数据的隧道塌方情况的预测方法，其特征在于：S1中，被删除的异常数据包括停机无效的数据，选取掘进数据，根据掘进参数的变化规律，在掘进段内部划分不同的阶段；
以刀盘转速大于0r/min，刀盘转速设定值大于0r/min，且刀盘扭矩大于0kN·m作为掘进开始的判断依据；
以总推进力大于摩擦推力，刀盘扭矩大于摩擦扭矩作为上升段开始的判断依据，其中摩擦推力和摩擦扭矩数值为推力和扭矩第一次大幅度增长前的参数均值；
以50s的推进速度标准差小于阈值作为稳定段的判断依据，其中阈值为人为划分掘进段统计时上升段最后50s的推进速度的标准差；
以推进速度等于0mm/min，总推进力等于0kN，刀盘转速等于0r/min，刀盘扭矩等于0kN·m作为掘进段的终点。
3.根据权利要求1所述的一种基于掘进数据的隧道塌方情况的预测方法，其特征在于：S3中，基于数据调试网络，确定合适的超参数；
以过去数段掘进段的TPI为输入，以相邻掘进段的TPI为输出，基于部分数据，以预测精度作为依据，通过比选确定，模型的输入层节点、隐藏层层数，隐藏层节点，学习率等超参数。
4.根据权利要求1所述的一种基于掘进数据的隧道塌方情况的预测方法，其特征在于：S4中，基于拟合度R2>0.6，在实际塌方掘进段前方300m～1300m处，选择训练模型所需的数据；
基于训练模型，在实际塌方掘进段前方300m处，选择数据作为模型预测精度的测试数据；
基于训练模型，对工程实际塌方掘进段进行预测，并进一步对全部塌方掘进段进行预测，通过对比分析，提出塌方掘进段的判别准则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310484556.1A CN116432855A (zh) | 2023-05-04 | 2023-05-04 | 一种基于掘进数据的隧道塌方情况的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310484556.1A CN116432855A (zh) | 2023-05-04 | 2023-05-04 | 一种基于掘进数据的隧道塌方情况的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432855A true CN116432855A (zh) | 2023-07-14 |
Family
ID=87083263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310484556.1A Pending CN116432855A (zh) | 2023-05-04 | 2023-05-04 | 一种基于掘进数据的隧道塌方情况的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432855A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992770A (zh) * | 2023-08-07 | 2023-11-03 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制爆破方法 |
-
2023
- 2023-05-04 CN CN202310484556.1A patent/CN116432855A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992770A (zh) * | 2023-08-07 | 2023-11-03 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制爆破方法 |
| CN116992770B (zh) * | 2023-08-07 | 2024-03-22 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制爆破方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291097B (zh) | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 | |
| RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
| CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
| Wang et al. | An integrated parameter prediction framework for intelligent TBM excavation in hard rock | |
| CN116432855A (zh) | 一种基于掘进数据的隧道塌方情况的预测方法 | |
| CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
| CN111828095B (zh) | 一种顶板来压动态预测方法 | |
| CN115329657A (zh) | 钻井参数优化方法及装置 | |
| CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
| Vrabie et al. | Digital twin for downhole pressure gauges: model and field case study | |
| CN116776717A (zh) | 基于改进nsga-iii算法的钻井参数多目标动态优化方法 | |
| CN111625916A (zh) | 井壁稳定性值计算方法及系统 | |
| CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
| CN112668872B (zh) | 一种基于相似度综合评价的钻井掉块深度还原的方法 | |
| US20220222239A1 (en) | Method to improve the accuracy of formation top picks | |
| Ziadat et al. | Real-Time Machine Learning Application for Formation Tops and Lithology Prediction | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
| CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
| Saini et al. | An automated physics-based workflow for identification and classification of drilling dysfunctions drives drilling efficiency and transparency for completion design | |
| CN114077861A (zh) | 一种钻井过程中实时识别岩性的方法和系统 | |
| RU2782505C2 (ru) | Способ и компьютерная система обработки скважинных данных | |
| WO2015153118A1 (en) | Bit performance analysis | |
| CN113869613B (zh) | 一种基于能谱信号的油井产量测量方法及设备 | |
| CN114200543B (zh) | 一种基于沉积速率估算的三角洲沉积微相定量划分方法 | |
| RU2735794C1 (ru) | Способ прогнозирования прихватов бурильных труб |
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 |