CN116628886A - 基于有限工程数据的盾构机穿越施工参数实时优化方法 - Google Patents
基于有限工程数据的盾构机穿越施工参数实时优化方法 Download PDFInfo
- Publication number
- CN116628886A CN116628886A CN202310619889.0A CN202310619889A CN116628886A CN 116628886 A CN116628886 A CN 116628886A CN 202310619889 A CN202310619889 A CN 202310619889A CN 116628886 A CN116628886 A CN 116628886A
- Authority
- CN
- China
- Prior art keywords
- parameters
- shield
- construction
- value
- fitness
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 72
- 230000005641 tunneling Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于有限工程数据的盾构机穿越施工参数实时优化方法，包括：获取地层参数、隧道参数、盾构机历史施工参数以及地表建筑变形参数，对所述数据进行归一化处理后形成数据集，并将所述数据集划分为训练集及测试集；建立SVM模型，对SVM模型进行训练；基于得到的SVM模型，采用EAIW‑IPSO算法对盾构施工参数进行实时优化，得到最优盾构穿越施工参数，以控制临近地表建筑沉降为最小。该优化方法基于SVM模型构建可描述盾构施工参数、地层参数、隧道参数和变形参数之间的非线性关系，再运用EAIW‑IPSO算法对盾构施工参数进行寻优，得到最优的盾构施工参数，以此指导盾构机施工，并根据环境变化能够实施修正。
Description
技术领域
本发明涉及一种基于有限工程数据的盾构机穿越施工参数实时优化方法，属于盾构机控制技术领域。
背景技术
目前盾构机已广泛应用于地铁隧道的施工建设。在利用盾构机进行施工时，不同环境下施工参数的设定严重依赖于人工经验，然而盾构机穿越施工过程中受外界影响的因素较多，复杂地层和既有建筑极易导致盾构施工参数存在非线性、时变性等不确定性因素，很难通过人工经验设定合理的盾构机穿越施工参数。
目前的研究主要集中在两个方面，一方面建立掘进参数与掘进参数的联系，即将盾构机的掘进参数划分为输入参数和输出参数，并利用机器学习算法实现输出参数的预测，或者根据初始掘进段掘进参数实现平稳掘进段参数的预测，这些仅仅根据掘进参数进行的预测没有充分考虑到地质状况的改变，往往只适合某个地质状况，应用范围不大。另一方面是根据地层参数实现掘进参数的预测，目前在进行地层参数的量化处理上过于简单，复合地层用加权平均计算对应地层参数，厚度较小的地层由于权重较小而无法在整体中得到体现；此外，现有方法预测掘进参数时没有考虑临近结构的影响，即盾构机穿越既有结构的施工参数特性无法得到体现；最后，现有方法在建立预测模型时，需要采集大量的盾构机掘进历史数据，当地层变异或盾构机选型变化时，由于缺少足够的历史数据往往无法建立精度较高的预测模型。
针对盾构施工参数优化的研究仍存在无系统化研究、研究方法单一、预测参数算法精度低、无法实时为工程提供优化参数等问题。因此，如何提供一种能够解决上述问题的盾构机穿越施工参数的实时优化方法是本领域技术人员亟需解决的问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于有限工程数据的盾构机穿越施工参数实时优化方法，适用于可获取工程数据量有限的条件下，对盾构穿越掘进过程中总推力、土舱压力、推进速度、刀盘扭矩等多个施工参数的实时优化。
为解决以上技术问题，本发明包括如下技术方案：
基于有限工程数据的盾构机穿越施工参数实时优化方法，包括如下步骤：
步骤一、获取地层参数、隧道参数、盾构机历史施工参数以及地表建筑变形参数，对所述数据进行归一化处理后形成数据集，并将所述数据集划分为训练集及测试集；将参数变量的种类数量为m，xi表示其中第i个变量种类，i＝1,2,…,m；将第j组所有变量值的集合表示为其中，/>表示其中第j组数据中第i个变量种类中的所有参数变量的变量值；将X(j)对应的地表建筑沉降值表示为y(j)；
步骤二、采用训练集中的X作为SVM模型训练的输入向量，y作为输出值，将构建可描述盾构施工参数、地层参数、隧道参数和变形参数之间的非线性关系的SVM模型，然后运用测试集检测该SVM模型的预测效果；
步骤三、基于得到的SVM模型，采用EAIW-IPSO算法对盾构施工参数进行实时优化，得到最优盾构穿越施工参数，以控制临近地表建筑沉降为最小。
进一步，所述SVM模型的表达式为：
其中，X是所有参数变量值归一化后的数据集，n是数据集的总组数，k是测试集的组数，K(X(j),X(i))是将X(i)和X(j)映射到高维空间后的内积，和αj是非负拉格朗日乘子，/>是偏置项的平均值。
进一步，步骤三具体包括：
步骤A1，EAIW-IPSO算法中粒子的位置表达向量由所述m个参数变量组成，算法的种群规模取值设为N，将N组地层参数、隧道参数和施工参数作为算法中各粒子的初始位置值 同时初始化各参数变量的变化值/>
步骤A2，根据所述SVM模型计算EAIW-IPSO算法中各粒子的适应度值fitness(r)；
步骤A3，算法中每个粒子的初始位置作为其本身的初始个体极值P(r)，把适应度函数值最大的第g组参数变量值作为群体极值 并更新各粒子的位置和速度，若满足约束条件，则计算更新后各粒子的适应度值fitness(r)，再更新两个极值；
步骤A4，初始化另外N个粒子，并计算其fitness(r)值和设置个体极值；
步骤A5，将两个种群共2N个粒子按照fitness(r)值排序，保留fitness(r)值较大的N个粒子作为下一代群体，再次更新群体极值，循环迭代过程直达次数结束，得到最后一代群体极值fitness(g)；
步骤A6，最后一代群体极值fitness(g)的倒数为寻优的目标函数最值，即最优盾构穿越施工参数。
进一步，在步骤三之后还包括：
步骤四、通过实际盾构施工数据进行训练和测试，依次随机减少一组训练样本，得到不同训练样本下SVM模型泛化测试的相对误差平均值。
进一步，考虑获取样本的有限性，在满足SVM测试相对误差平均值为3％～10％的条件时，盾构穿越施工参数优化所需训练集的组数为28～49组。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：本发明提供的基于有限工程数据的盾构机穿越施工参数实时优化方法，基于SVM模型构建可描述盾构施工参数、地层参数、隧道参数和变形参数之间的非线性关系，再运用EAIW-IPSO算法对盾构施工参数进行寻优，得到使地表建筑沉降最小时的盾构施工参数，以此指导盾构机施工，并在施工中根据环境条件的变化，实施修正施工参数。该优化方法充分考虑了地层的复杂程度和既有建筑的影响，有效克服了依靠人工经验判断类似工况的局限性。此外采用SVM模型可以减小对样本数量的依赖性，采用EAIW-IPSO算法进行优化计算时具有更高的准确性、稳定性和即时性，能够避免实际工程中因工程数据样本量有限而盲目选择盾构穿越施工参数值，为操作人员提供更为全面和准确的分析与优化结果，辅助盾构穿越施工过程中的参数调节，提高施工参数值选取的效率。
附图说明
图1为基于有限工程数据的盾构机穿越施工参数实时优化方法的流程图；
图2为本发明不同训练样本数的SVM模型泛化测试结果。
具体实施方式
以下结合附图和具体实施例对本发明提供的基于有限工程数据的盾构机穿越施工参数实时优化方法作进一步详细说明。结合下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示，本实施例公开基于有限工程数据的盾构机穿越施工参数实时优化方法，通过收集数量有限的训练样本，基于SVM模型构建可描述盾构施工参数、地层参数、隧道参数和变形参数之间的非线性关系，再运用EAIW-IPSO算法对盾构施工参数进行寻优，得到使地表建筑沉降最小时的盾构施工参数。
流程图如图1所示，包括以下步骤：
步骤一、获取地层参数、隧道参数、盾构机历史施工参数以及地表建筑变形参数，对所述数据进行归一化处理后形成数据集，并将所述数据集划分为训练集及测试集。
其中，地层参数可通过地质勘察数据获取，所述地层参数包括内摩擦角、粘聚力、压缩模量、泊松比、土密度、渗透系数、静止侧压力系数。盾构机历史施工参数可根据以往工程，或本工程已施工部分进行获取。所述隧道参数包括隧道埋深和隧道开挖面与临近建筑的相对距离。所述施工参数包括总推力、土舱压力、推进速度、刀盘扭矩。
将参数变量的种类数量为m，xi表示其中第i个变量种类，i＝1,2,…,m。第j组所有变量值的集合表示为xi表示其中第j组数据中第i个变量种类中的所有参数变量的变量值。y(j)表示对应的地表建筑沉降值。
步骤二、采用训练集中的X作为SVM模型训练的输入向量，y作为输出值，将构建可描述盾构施工参数、地层参数、隧道参数和变形参数之间的非线性关系的SVM模型，然后运用测试集检测该SVM模型的预测效果。
SVM是SupportVectorMachine的简称，又称作支持向量机，是一种二类分类模型。本申请中，SVM模型的表达式为：
其中，X是所有参数变量值归一化后的数据集，n是数据集的总组数，k是测试集的组数，K(X(j),X(i))是将X(i)和X(j)映射到高维空间后的内积，和αj是非负拉格朗日乘子，/>是偏置项的平均值。
步骤三、基于得到的SVM模型，采用EAIW-IPSO算法对盾构施工参数进行实时优化，得到最优盾构穿越施工参数，以控制临近地表建筑沉降为最小。
EAIW-IPSO英文全称为exponential adjustment inertia weight immuneparticle swarm optimization，又称为指数递减免疫粒子群算法。
上述步骤三，具体包括如下步骤：
步骤A1，EAIW-IPSO算法中粒子的位置表达向量由所述m个参数变量组成，算法的种群规模取值设为N，将N组地层参数、隧道参数和施工参数作为算法中各粒子的初始位置值 同时要初始化各参数变量的变化值/>
步骤A2，根据所述SVM模型计算EAIW-IPSO算法中各粒子的适应度值fitness(r)。因为所优化的变形参数是以最小值为目标，所以计算所述适应度值的方法为fitness(r)＝1/mapminmax(‘reverse’,f(Q(r)),outputps)，其中mapminmax()采用MATLAB软件中的函数工具箱。
步骤A3，算法中每个粒子的初始位置作为其本身的初始个体极值P(r)，把适应度函数值最大的第g组参数变量值作为群体极值 并更新各粒子的位置和速度，若满足约束条件，则计算更新后各粒子的适应度值fitness(r)，再更新两个极值。
步骤A4，初始化另外N个粒子，并计算其fitness(r)值和设置个体极值。
步骤A5，将两个种群共2N个粒子按照fitness(r)值排序，保留fitness(r)值较大的N个粒子作为下一代群体，再次更新群体极值，循环迭代过程直达次数结束，得到最后一代群体极值fitness(g)。
步骤A6，最后一代群体极值fitness(g)的倒数为寻优的目标函数最值，即最优盾构穿越施工参数。
进一步，在步骤三之后还包括：
步骤四、通过实际盾构施工数据进行训练和测试，依次随机减少一组训练样本，得到不同训练样本下SVM模型泛化测试的相对误差平均值，其结果如图2所示。考虑获取样本的有限性，在满足SVM测试相对误差平均值为3％～10％的条件时，建议盾构穿越施工参数优化所需训练集的组数为28～49组。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.基于有限工程数据的盾构机穿越施工参数实时优化方法，其特征在于，包括如下步骤：
步骤一、获取地层参数、隧道参数、盾构机历史施工参数以及地表建筑变形参数，对所述数据进行归一化处理后形成数据集，并将所述数据集划分为训练集及测试集；将参数变量的种类数量为m，xi表示其中第i个变量种类，i＝1,2,…,m；将第j组所有变量值的集合表示为其中，/>表示其中第j组数据中第i个变量种类中的所有参数变量的变量值；将X(j)对应的地表建筑沉降值表示为y(j)；
步骤二、建立SVM模型，采用训练集中的X作为SVM模型训练的输入向量，y作为输出值，对SVM模型进行训练，然后运用测试集检测该SVM模型的预测效果，当预测效果达到要求时，转入步骤三；
步骤三、基于得到的SVM模型，采用EAIW-IPSO算法对盾构施工参数进行实时优化，得到最优盾构穿越施工参数，以控制临近地表建筑沉降为最小。
2.如权利要求1所述的，其特征在于，
所述SVM模型的表达式为：
其中，X是所有参数变量值归一化后的数据集，n是数据集的总组数，k是测试集的组数，K(X(j),X(i))是将X(i)和X(j)映射到高维空间后的内积，和αj是非负拉格朗日乘子，/>是偏置项的平均值。
3.如权利要求1所述的基于有限工程数据的盾构机穿越施工参数实时优化方法，其特征在于，
步骤三具体包括：
步骤A1，EAIW-IPSO算法中粒子的位置表达向量由所述m个参数变量组成，算法的种群规模取值设为N，将N组地层参数、隧道参数和施工参数作为算法中各粒子的初始位置值 同时初始化各参数变量的变化值/>
步骤A2，根据所述SVM模型计算EAIW-IPSO算法中各粒子的适应度值fitness(r)；
步骤A3，算法中每个粒子的初始位置作为其本身的初始个体极值P(r)，把适应度函数值最大的第g组参数变量值作为群体极值 并更新各粒子的位置和速度，若满足约束条件，则计算更新后各粒子的适应度值fitness(r)，再更新两个极值；
步骤A4，初始化另外N个粒子，并计算其fitness(r)值和设置个体极值；
步骤A5，将两个种群共2N个粒子按照fitness(r)值排序，保留fitness(r)值较大的N个粒子作为下一代群体，再次更新群体极值，循环迭代过程直达次数结束，得到最后一代群体极值fitness(g)；
步骤A6，最后一代群体极值fitness(g)的倒数为寻优的目标函数最值，即最优盾构穿越施工参数。
4.如权利要求1所述的基于有限工程数据的盾构机穿越施工参数实时优化方法，其特征在于，
在步骤三之后还包括：
步骤四、通过实际盾构施工数据进行训练和测试，依次随机减少一组训练样本，得到不同训练样本下SVM模型泛化测试的相对误差平均值。
5.如权利要求1所述的基于有限工程数据的盾构机穿越施工参数实时优化方法，其特征在于，
考虑获取样本的有限性，在满足SVM测试相对误差平均值为3％～10％的条件时，盾构穿越施工参数优化所需训练集的组数为28～49组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310619889.0A CN116628886A (zh) | 2023-05-30 | 2023-05-30 | 基于有限工程数据的盾构机穿越施工参数实时优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310619889.0A CN116628886A (zh) | 2023-05-30 | 2023-05-30 | 基于有限工程数据的盾构机穿越施工参数实时优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116628886A true CN116628886A (zh) | 2023-08-22 |
Family
ID=87636428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310619889.0A Pending CN116628886A (zh) | 2023-05-30 | 2023-05-30 | 基于有限工程数据的盾构机穿越施工参数实时优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628886A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435595A (zh) * | 2023-12-21 | 2024-01-23 | 上海建工集团股份有限公司 | 建筑施工过程中工艺数据的存储和分析的方法 |
-
2023
- 2023-05-30 CN CN202310619889.0A patent/CN116628886A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435595A (zh) * | 2023-12-21 | 2024-01-23 | 上海建工集团股份有限公司 | 建筑施工过程中工艺数据的存储和分析的方法 |
| CN117435595B (zh) * | 2023-12-21 | 2024-03-08 | 上海建工集团股份有限公司 | 建筑施工过程中工艺数据的存储和分析的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239439B (zh) | 盾构施工地表沉降预测系统及方法 | |
| CN110490100A (zh) | 基于深度学习的岩土自动识别定名方法及系统 | |
| Jan et al. | Neural network forecast model in deep excavation | |
| KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
| CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN109948198B (zh) | 一种基于非线性函数的围岩分级可靠性评价方法 | |
| CN105735370B (zh) | 基于瑞雷波的基础沉降变形预测方法 | |
| CN116628886A (zh) | 基于有限工程数据的盾构机穿越施工参数实时优化方法 | |
| US9708899B2 (en) | Optimization of a multi-period model for valuation applied to flow control valves | |
| CN106991509A (zh) | 基于径向基函数神经网络模型的测井曲线预测方法 | |
| CN116861347B (zh) | 一种基于深度学习模型的磁力异常数据计算方法 | |
| CN103454677A (zh) | 基于粒子群与线性加法器结合的地震数据反演方法 | |
| CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
| CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
| CN115526096A (zh) | 盾构机施工掘进参数的预测方法、装置及可存储介质 | |
| CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
| CN113323676B (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
| CN116881676B (zh) | 一种露天坑涌水量的预测方法 | |
| CN113836812B (zh) | 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法 | |
| CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
| Lee et al. | Quick prediction of tunnel displacements using Artificial Neural Network and field measurement results | |
| CN113128108A (zh) | 一种基于差异进化人工智能的旋喷桩直径的确定方法 | |
| LU502946B1 (en) | Real-time prediction method of groundwater seepage field in cultural site areas | |
| CN111625901A (zh) | 一种面向翼型的压力系数曲线智能生成方法 | |
| CN110488350B (zh) | 基于卷积神经网络的地震反演大数据生成方法 |
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 |