CN116824163A - 掌子面局部瞬时形态特征定量提取方法 - Google Patents

掌子面局部瞬时形态特征定量提取方法 Download PDF

Info

Publication number
CN116824163A
CN116824163A CN202310633365.7A CN202310633365A CN116824163A CN 116824163 A CN116824163 A CN 116824163A CN 202310633365 A CN202310633365 A CN 202310633365A CN 116824163 A CN116824163 A CN 116824163A
Authority
CN
China
Prior art keywords
face
sounding
prediction model
tunnel face
dimensional
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
CN202310633365.7A
Other languages
English (en)
Inventor
李彤
韩爱民
施烨辉
张宁
荣雪宁
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.)
Nanjing Kentop Civil Engineering Technology Co ltd
Nanjing Tech University
Original Assignee
Nanjing Kentop Civil Engineering Technology Co ltd
Nanjing Tech University
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 Nanjing Kentop Civil Engineering Technology Co ltd, Nanjing Tech University filed Critical Nanjing Kentop Civil Engineering Technology Co ltd
Priority to CN202310633365.7A priority Critical patent/CN116824163A/zh
Publication of CN116824163A publication Critical patent/CN116824163A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20Finite element generation, e.g. wire-frame surface description, tesselation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/28Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

掌子面局部瞬时形态特征定量提取方法,涉及掘进机械装备设计与岩体形态定量测绘分析技术,属于地下工程技术领域。包括实测掌子面三维形态、掌子面测深表分层二值化、提取分层特征、提取层间突变特征、掌子面局部瞬时形态特征量化表达五个步骤,从实测数据出发,通过数据降维、统计分析、模型训练,得到掌子面局部瞬时的分层特征和层间突变特征,并以矩阵形式量化表达掌子面局部瞬时形态特征,样本获取方法可靠,各类形态特征模型物理意义明确,掌子面局部瞬时形态特征量化表达形式简洁高效且可解释性强。

Description

掌子面局部瞬时形态特征定量提取方法
技术领域
本发明涉及掘进机械装备设计与岩体形态定量测绘分析,特别是涉及掌子面局部瞬时形态特征定量提取方法,属于地下工程技术领域。
背景技术
掘进机掘进中,掌子面与掘进机之间的接触,是掘进机所受荷载的主要来源,掌子面与掘进机之间接触的几何形态是分析掌子面与掘进机之间接触受力的重要依据。目前对复杂物体表面形态定量描述的方法有:
(肖军华,郭佳奇,张德等.铁路道砟形态特征的统计分析与几何重构[J].同济大学学报(自然科学版),2020,48(12):1758-1769.)采用3D激光扫描获取道砟颗粒点云数据,引入道砟整体形态特征指标(长轴、中轴、短轴、球度指数),提出道砟局部形态特征指标(曲率指数)。
(李嘉,林辉.基于数字图像处理的粗集料棱角性量化研究[J].公路交通科技,2008,No.148(07):27-31.)从单个颗粒的棱角性定义出发,建立了4个粗集料棱角性量化指标:AR、ARmax、AP、APc。
(李洛克,刘海明,张镇国等.路用集料三维形貌的定量表征方法研究[J].公路交通科技,2021,38(02):16-23.)采用由(T.Belem;F.Homand-Etienne;M.Souley.Quantitative Parameters for Rock Joint Surface Roughness[J].2000,33(4),217–242.)提出的三维粗糙度系数对岩石表面几何特征进行定量分析。
(ISO 21920-2:2021(en)Geometrical product specifications(GPS)—Surfacetexture:Profile—Part 2:Terms,definitions and surface texture parameters)中表面形态描述方法的国际标准,以表面法向截面所得折线或其包络曲线的几何参数作为定量分析表面形态的指标。
然而,现有方法中,尚缺少适应定量描述复杂、多变三维形态特征的量化分析方法,难以通过显式方法精准表述掌子面局部瞬时形态特征的三维属性,导致掌子面局部瞬时形态特征在外部环境改变时的演化规律难以被量化表达。
本发明的有益效果:以矩阵形式量化表达掌子面局部瞬时形态特征,样本获取方法可靠,各类形态特征模型物理意义明确,掌子面局部瞬时形态特征量化表达形式简洁高效且可解释性强。
发明内容
为了解决上述技术问题,本发明提出了掌子面局部瞬时形态特征定量提取方法,从而实现对掌子面复杂、多变的三维特征形态进行定量描述和表达。
其特征在于,包括如下步骤:
步骤一、实测掌子面三维形态,根据实测掌子面三维形态得到掌子面测深表;
步骤二、对掌子面测深表进行分层二值化的处理;
步骤三、提取分层特征,得到分层特征非参数预测模型;
步骤四、提取层间突变特征,得到突变特征预测模型;
步骤五、掌子面局部瞬时形态特征量化表达。
进一步地,步骤一具体包括:
单具滚刀造成的掌子面瞬时损伤破碎区域投影内划分正交网格,各单个网格单元矩形区域重心沿z轴方向在掌子面表面上的投影点与基准面的距离即掌子面单点测深,网格内各掌子面单点测深按照网格单元方位顺次汇总得到掌子面测深表。
进一步地,步骤二具体包括:
根据实测得到的掌子面测深表将复杂崎岖三维表面简化成阶梯状三维实体,设定测深方向上的等距切片间距spc,对掌子面测深表所反映的阶梯状三维实体在掘进轴线z轴方向上等距切片,得到掌子面测深表所反映的阶梯状三维实体在z轴不同刻度处的剖面,剖面总数为H;对各剖面中的尚未剥离掌子面的地层实体、已破碎剥落留下缺损空间所对应的网格单元分别赋值为1、0,得到掘进轴线z轴方向上单个掌子面测深表对应的单个实测布尔矩阵族。
进一步地,步骤三具体包括:
对于同一实测布尔矩阵族,获取实测布尔矩阵族中在z轴负方向上第h层位布尔矩阵的代表值σh,代表值可为最大奇异值;根据σh和与σh相对应的布尔矩阵在z轴上的层位次序h之间的映射关系,采用非参数回归方法,以{(z,σ)|z=h×spc,σ=σh,h=1,2,...H}为第一训练集,求解以测深z为自变量、测深z处布尔矩阵最大奇异值σ为应变量的分层特征非参数预测模型,从而预测任意测深处布尔矩阵的最大奇异值的估计值θ(z)为关于z的非线性多项式,如式(1):
进一步地,步骤四具体包括:
对于z轴上紧邻层位的一对实测布尔矩阵,当i、j一定时,若紧邻层位中单个网格单元由“1”突变为“0”,则记录已由“1”突变为“0”的网格单元所归属的布尔矩阵的所在层位h的相应测深zm,并记录该已由“1”突变为“0”的网格单元所归属的布尔矩阵中的该已由“1”突变为“0”的网格单元所在的行列位置im、jm
以{(x,y,z)|x=im,y=jm,z=zm,zm∈[0,Z],im∈[1,I],jm∈[1,J]}为第二训练集;
定义x为以布尔矩阵行的排序方向为正方向的一维连续变量,y为以布尔矩阵列的排序方向为正方向的一维连续变量,z为z轴所对应的一维连续变量;
如式(2),在第二训练集范围内,当x为单值时以z、y*分别为应变量、自变量并得到对应的应变量集合、自变量集合,从概率密度函数池中选择对从自变量集合到应变量集合的映射拟合精度最高的概率密度函数作为z的x单值条件下在(z,y*)二维空间中的估计概率密度函数池包含均匀分布、正态分布、指数分布、t分布、伽玛分布、贝塔分布、F分布、韦伯分布,y*为以y为自变量的初等函数,/>的所有参数构成参数集合PRM(y*)|(i=im),拟合精度可取与在x为单值时对从自变量集合到应变量集合的映射拟合所对应的决定系数;/>
进一步地,步骤四还包括:
在[1,I]内对i穷举,当单个i所对应的PRM(y*)|(i=im)不是空集时,构建以x=i和与i所对应的PRM(y*)|(i=im)所构成的第三训练集,第三训练集可展开为样本矩阵,样本矩阵的列向量元素为的单个参数在各x值条件下的取值。
以样本矩阵单个列向量中元素和与元素相应的的x取值构成第四训练集,以的单个参数为应变量,以x为自变量,对第四训练集采用非参数回归方法,求解/>的单参数预测模型。
各参数均进行/>的单参数预测模型求解,汇总得到/>的参数模型族。
将式(2)中参数逐个替换为的单参数预测模型,得到(z,y*,x)三维空间中的突变特征预测模型/>进一步地,步骤五包括:
对于单台掘进设备,将设备上的各破岩刀具在掌子面上的所在位置处进行分层特征非参数预测模型汇总和进行突变特征预测模型汇总,提取分层特征非参数预测模型系数和提取突变特征预测模型系数并按照系数所对应的变量、破岩刀具编号进行排列,得到全截面分层特征非参数预测模型系数矩阵和全截面突变特征预测模型系数矩阵,从而量化表达掌子面三维形态实测瞬时破岩刀具在掌子面上的所在位置处的分层形态特征和层间突变形态特征。
具体实施方式
本发明掌子面局部瞬时形态特征定量提取方法,具体包括如下步骤:
步骤一实测掌子面三维形态
以刀盘平面圆心为原点、刀盘中心轴线为z轴建立非惯性参考系,z轴的正方向为掘进方向。
在z轴的法平面上单具滚刀造成的掌子面瞬时损伤破碎区域投影内划分正交网格,各单个网格单元矩形区域重心沿z轴方向在掌子面表面上的投影点与基准面的距离即掌子面单点测深,基准面为已掘进空间内z轴的一个法平面。
网格内各掌子面单点测深按照网格单元方位顺次汇总得到掌子面测深表。
定义瞬时单具滚刀刃部距离刀盘最远点在基准面上投影点为单具滚刀瞬时作用投影点。
定义滚刀运行轨迹在基准面上投影圆周为滚刀运行轨迹投影。
对于单具滚刀,瞬时掌子面测深表的行的排列方向与该时刻滚刀运行轨迹投影上单具滚刀瞬时作用投影点处切线方向平行。
步骤二 掌子面测深表分层二值化
根据实测得到的掌子面测深表将复杂崎岖三维表面简化成阶梯状三维实体,设定测深方向(z轴)上的等距切片间距spc,对掌子面测深表所反映的阶梯状三维实体在掘进轴线z轴方向上等距切片,得到掌子面测深表所反映的阶梯状三维实体在z轴不同刻度处的剖面,剖面总数为H;对各剖面中的尚未剥离掌子面的地层实体、已破碎剥落留下缺损空间所对应的网格单元分别赋值为1、0,得到掘进轴线z轴方向上单个掌子面测深表对应的单个实测布尔矩阵族,即完成对掌子面测深表进行分层二值化的处理。
对于同一实测布尔矩阵族,最大测深为Z,对其中各单个布尔矩阵中元素对应的网格单元的行列位置进行编号,行号i取值范围为[1,I],列号j取值范围为[1,J],I、J分别为单个布尔矩阵的总行数、总列数。
定义x为以布尔矩阵行的排序方向为正方向的一维连续变量,y为以布尔矩阵列的排序方向为正方向的一维连续变量,z为z轴所对应的一维连续变量。
步骤三 提取分层特征
对于单具破岩刀具在掌子面上产生的瞬时损伤表面形态,对于同一实测布尔矩阵族,获取实测布尔矩阵族中在z轴负方向上第h层位布尔矩阵的代表值σh,代表值可为最大奇异值;根据σh和与σh相对应的布尔矩阵在z轴上的层位次序h之间的映射关系,采用非参数回归方法,以{(z,σ)|z=h×spc,σ=σh,h=1,2,...H}为第一训练集,求解以测深z为自变量、测深z处布尔矩阵最大奇异值σ为应变量的分层特征非参数预测模型,从而预测任意测深处布尔矩阵的最大奇异值的估计值θ(z)为关于z的非线性多项式,如式(1):
步骤四提取层间突变特征
对于单具破岩刀具在掌子面上产生的瞬时损伤表面形态,对于z轴上紧邻层位的一对实测布尔矩阵,当i、j一定时,若紧邻层位中单个网格单元由“1”突变为“0”,则记录已由“1”突变为“0”的网格单元所归属的布尔矩阵的所在层位h的相应测深zm,并记录该已由“1”突变为“0”的网格单元所归属的布尔矩阵中的该已由“1”突变为“0”的网格单元所在的行列位置im、jm
以{(x,y,z)|x=im,y=jm,z=zm,zm∈[0,Z],im∈[1,I],jm∈[1,J]}为第二训练集。
如式(2),在第二训练集范围内,当x为单值时以z、y*分别为应变量、自变量并得到对应的应变量集合、自变量集合,从概率密度函数池中选择对从自变量集合到应变量集合的映射拟合精度最高的概率密度函数作为z的x单值条件下在(z,y*)二维空间中的估计概率密度函数池包含均匀分布、正态分布、指数分布、t分布、伽玛分布、贝塔分布、F分布、韦伯分布,y*为以y为自变量的初等函数,/>的所有参数构成参数集合PRM(y*)|(i=im),拟合精度可取与在x为单值时对从自变量集合到应变量集合的映射拟合所对应的决定系数。/>
在[1,I]内对i穷举,当单个i所对应的PRM(y*)|(i=im)不是空集时,构建以x=i和与i所对应的PRM(y*)|(i=im)所构成的第三训练集,第三训练集可展开为样本矩阵,样本矩阵的列向量元素为的单个参数在各x值条件下的取值。
以样本矩阵单个列向量中元素和与元素相应的的x取值构成第四训练集,以的单个参数为应变量,以x为自变量,对第四训练集采用非参数回归方法,求解/>的单参数预测模型。
各参数均进行/>的单参数预测模型求解,汇总得到/>的参数模型族。
将式(2)中参数逐个替换为的单参数预测模型,得到(z,y*,x)三维空间中的突变特征预测模型/>步骤五掌子面局部瞬时形态特征量化表达
对于单台掘进设备,将设备上的各破岩刀具在掌子面上的所在位置处分层特征非参数预测模型汇总,提取分层特征非参数预测模型系数值并按照该系数所对应的变量、破岩刀具编号进行排列,得到全截面分层特征非参数预测模型系数矩阵,全截面分层特征非参数预测模型系数矩阵的列向量元素为各破岩刀具对应的分层特征非参数预测模型中同一变量的系数值,全截面分层特征非参数预测模型系数矩阵的行向量元素为同一破岩刀具的分层特征非参数预测模型中各变量的系数值,从而量化表达掌子面三维形态实测瞬时破岩刀具在掌子面上的所在位置处的分层形态特征。
对于单台掘进设备,将设备上的各破岩刀具在掌子面上的所在位置处突变特征预测模型汇总,提取突变特征预测模型系数值并按照该系数所对应的变量、破岩刀具编号进行排列,得到全截面突变特征预测模型系数矩阵,全截面突变特征预测模型系数矩阵的列向量元素为各破岩刀具对应的突变特征预测模型中同一变量的系数值,全截面突变特征预测模型系数矩阵的行向量元素为同一破岩刀具的突变特征预测模型中各变量的系数值,从而量化表达掌子面三维形态实测瞬时破岩刀具在掌子面上的所在位置处的层间突变形态特征。
与现有技术相比
将本发明的技术方案与背景技术中的几何单元体多尺寸描述(长轴、中轴、短轴、球度指数)、几何单元体多尺寸描述(AR、ARmax、AP、APc)、三维粗糙度系数、ISO 21920-2:2021方法,这四种现有技术依次在:能否表达岩体局部表面不同层位的破损或未破损分布情况,能否表达岩体局部表面不同层位之间有突变事件(由未破损变为破损)的分布情况,能否以有限个方程模型形式表达三维几何形态这三个方面进行对比,得到表1。
表1效果对比表

Claims (7)

1.掌子面局部瞬时形态特征定量提取方法,其特征在于,包括如下步骤:
步骤一、实测掌子面三维形态,根据实测掌子面三维形态得到掌子面测深表;
步骤二、对掌子面测深表进行分层二值化的处理;
步骤三、提取分层特征,得到分层特征非参数预测模型;
步骤四、提取层间突变特征,得到突变特征预测模型;
步骤五、掌子面局部瞬时形态特征量化表达。
2.根据权利要求1所述的掌子面局部瞬时形态特征定量提取方法,其特征在于:步骤一具体包括:
单具滚刀造成的掌子面瞬时损伤破碎区域投影内划分正交网格,各单个网格单元矩形区域重心沿z轴方向在掌子面表面上的投影点与基准面的距离即掌子面单点测深,网格内各掌子面单点测深按照网格单元方位顺次汇总得到掌子面测深表。
3.根据权利要求1所述的掌子面局部瞬时形态特征定量提取方法,其特征在于:步骤二具体包括:
根据实测得到的掌子面测深表将复杂崎岖三维表面简化成阶梯状三维实体,设定测深方向上的等距切片间距spc,对掌子面测深表所反映的阶梯状三维实体在掘进轴线z轴方向上等距切片,得到掌子面测深表所反映的阶梯状三维实体在z轴不同刻度处的剖面,剖面总数为H;对各剖面中的尚未剥离掌子面的地层实体、已破碎剥落留下缺损空间所对应的网格单元分别赋值为1、0,得到掘进轴线z轴方向上单个掌子面测深表对应的单个实测布尔矩阵族。
4.根据权利要求1所述的掌子面局部瞬时形态特征定量提取方法,其特征在于:步骤三具体包括:
对于同一实测布尔矩阵族,获取实测布尔矩阵族中在z轴负方向上第h层位布尔矩阵的代表值σh,代表值可为最大奇异值;根据σh和与σh相对应的布尔矩阵在z轴上的层位次序h之间的映射关系,采用非参数回归方法,以{(z,σ)|z=h×spc,σ=σh,h=1,2,...H}为第一训练集,求解以测深z为自变量、测深z处布尔矩阵最大奇异值σ为应变量的分层特征非参数预测模型,从而预测任意测深处布尔矩阵的最大奇异值的估计值θ(z)为关于z的非线性多项式,如式(1):
5.根据权利要求1所述的掌子面局部瞬时形态特征定量提取方法,其特征在于:步骤四具体包括:
对于z轴上紧邻层位的一对实测布尔矩阵,当i、j一定时,若紧邻层位中单个网格单元由“1”突变为“0”,则记录已由“1”突变为“0”的网格单元所归属的布尔矩阵的所在层位h的相应测深zm,并记录该已由“1”突变为“0”的网格单元所归属的布尔矩阵中的该已由“1”突变为“0”的网格单元所在的行列位置im、jm
以{(x,y,z)|x=im,y=jm,z=zm,zm∈[0,Z],im∈[1,I],jm∈[1,J]}为第二训练集;
定义x为以布尔矩阵行的排序方向为正方向的一维连续变量,y为以布尔矩阵列的排序方向为正方向的一维连续变量,z为z轴所对应的一维连续变量;
如式(2),在第二训练集范围内,当x为单值时以z、y*分别为应变量、自变量并得到对应的应变量集合、自变量集合,从概率密度函数池中选择对从自变量集合到应变量集合的映射拟合精度最高的概率密度函数作为z的x单值条件下在(z,y*)二维空间中的估计概率密度函数池包含均匀分布、正态分布、指数分布、t分布、伽玛分布、贝塔分布、F分布、韦伯分布,y*为以y为自变量的初等函数,/>的所有参数构成参数集合PRM(y*)|(i=im),拟合精度可取与在x为单值时对从自变量集合到应变量集合的映射拟合所对应的决定系数;/>
6.根据权利要求1所述的掌子面局部瞬时形态特征定量提取方法,其特征在于:步骤四还包括:
在[1,I]内对i穷举,当单个i所对应的PRM(y*)|(i=im)不是空集时,构建以x=i和与i所对应的PRM(y*)|(i=im)所构成的第三训练集,第三训练集可展开为样本矩阵,样本矩阵的列向量元素为的单个参数在各x值条件下的取值。
以样本矩阵单个列向量中元素和与元素相应的的x取值构成第四训练集,以的单个参数为应变量,以x为自变量,对第四训练集采用非参数回归方法,求解/>的单参数预测模型。
各参数均进行/>的单参数预测模型求解,汇总得到/>的参数模型族。
将式(2)中参数逐个替换为的单参数预测模型,得到(z,y*,x)三维空间中的突变特征预测模型/>
7.根据权利要求1所述的掌子面局部瞬时形态特征定量提取方法,其特征在于:步骤五包括:
对于单台掘进设备,将设备上的各破岩刀具在掌子面上的所在位置处进行分层特征非参数预测模型汇总和进行突变特征预测模型汇总,提取分层特征非参数预测模型系数和提取突变特征预测模型系数并按照系数所对应的变量、破岩刀具编号进行排列,得到全截面分层特征非参数预测模型系数矩阵和全截面突变特征预测模型系数矩阵,从而量化表达掌子面三维形态实测瞬时破岩刀具在掌子面上的所在位置处的分层形态特征和层间突变形态特征。
CN202310633365.7A 2023-05-31 2023-05-31 掌子面局部瞬时形态特征定量提取方法 Pending CN116824163A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310633365.7A CN116824163A (zh) 2023-05-31 2023-05-31 掌子面局部瞬时形态特征定量提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310633365.7A CN116824163A (zh) 2023-05-31 2023-05-31 掌子面局部瞬时形态特征定量提取方法

Publications (1)

Publication Number Publication Date
CN116824163A true CN116824163A (zh) 2023-09-29

Family

ID=88119573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310633365.7A Pending CN116824163A (zh) 2023-05-31 2023-05-31 掌子面局部瞬时形态特征定量提取方法

Country Status (1)

Country Link
CN (1) CN116824163A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461456A (zh) * 2020-04-16 2020-07-28 中煤科工集团重庆研究院有限公司 一种基于瓦斯监控数据瞬时变化特征预警突出危险的方法
WO2020155929A1 (zh) * 2019-02-01 2020-08-06 中国铁建重工集团股份有限公司 一种岩体完整性判识方法
CN113049326A (zh) * 2021-03-01 2021-06-29 宁波大学 结构面形貌频谱成分定量可控的制样方法
CN114382544A (zh) * 2022-01-12 2022-04-22 中国矿业大学 一种工作面覆岩断裂特征定量化分析方法
CN115511852A (zh) * 2022-09-29 2022-12-23 成都理工大学 一种基于图像的掌子面岩体完整程度评价方法和装置
CN115546113A (zh) * 2022-09-15 2022-12-30 山东大学 掌子面裂隙图像与前方三维结构参数预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020155929A1 (zh) * 2019-02-01 2020-08-06 中国铁建重工集团股份有限公司 一种岩体完整性判识方法
CN111461456A (zh) * 2020-04-16 2020-07-28 中煤科工集团重庆研究院有限公司 一种基于瓦斯监控数据瞬时变化特征预警突出危险的方法
CN113049326A (zh) * 2021-03-01 2021-06-29 宁波大学 结构面形貌频谱成分定量可控的制样方法
CN114382544A (zh) * 2022-01-12 2022-04-22 中国矿业大学 一种工作面覆岩断裂特征定量化分析方法
CN115546113A (zh) * 2022-09-15 2022-12-30 山东大学 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN115511852A (zh) * 2022-09-29 2022-12-23 成都理工大学 一种基于图像的掌子面岩体完整程度评价方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘亚南 等: "煤矿掘进工作面影像地质编录系统研究与开发", 地理空间信息, vol. 15, no. 12, 31 December 2017 (2017-12-31) *

Similar Documents

Publication Publication Date Title
Li et al. Identifying asphalt pavement distress using UAV LiDAR point cloud data and random forest classification
CN109087396B (zh) 一种基于混凝土ct图像像素特征的细观结构重构方法
CN107784165B (zh) 基于光伏电站的地表温度场多尺度资料同化方法
Flisch et al. Industrial computed tomography in reverse engineering applications
KR100831932B1 (ko) 오일러 해를 이용한 지하공동의 3차원 중력역산 방법 및이를 이용한 3차원 영상화 방법
CN109871633B (zh) 一种碾压混凝土压实质量实时可视化馈控方法
CN103205972B (zh) 一种分析基坑变形与坑外地面沉降关系的方法
CN102760309A (zh) 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法
CN107807961B (zh) 一种基于Spark计算引擎的配电网大数据分区处理方法
CN116011291A (zh) 一种隧道洞口多源信息融合的边坡稳定性数字化评估平台
CN116596321B (zh) 基于神经网络的建筑风险监测与评估方法和系统
CN114565313A (zh) 一种地质灾害隐患判识以及分析评估方法及系统
CN111539904B (zh) 一种基于降雨量的灾害易发性预测方法
CN114330144B (zh) 一种边坡危石预警方法、装置、设备及可读存储介质
CN116363524A (zh) 一种公路地质灾害高风险区域监测预警方法及装置
CN107122522A (zh) 一种基于填挖方分析的数字高程模型精度评价方法
Fanos et al. Multi-scenario rockfall hazard assessment using LiDAR data and GIS
Ji et al. An automated method to build 3D multi-scale geological models for engineering sedimentary layers with stratum lenses
CN116824163A (zh) 掌子面局部瞬时形态特征定量提取方法
Dong et al. The method for accurate acquisition of pavement macro-texture and corresponding finite element model based on three-dimensional point cloud data
CN108956392B (zh) 一种潮滩沉积物类型的无人机识别方法
CN107273703B (zh) 一种路面使用性能分布情况预测方法
CN116502748A (zh) 融合多影响因素的滑坡空间风险性预警决策机制研究方法
JP5189704B1 (ja) 山地河川流域の流量推定用回帰関数の演算方法、同関数の選定方法、および山地河川流域の年平均流量推定方法
Wu et al. Visual monitoring technology of the tunnel 3D laser scanning and engineering applications

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