CN116973550B - 一种基于超前地质钻探的爆破参数确定方法 - Google Patents
一种基于超前地质钻探的爆破参数确定方法 Download PDFInfo
- Publication number
- CN116973550B CN116973550B CN202311228540.0A CN202311228540A CN116973550B CN 116973550 B CN116973550 B CN 116973550B CN 202311228540 A CN202311228540 A CN 202311228540A CN 116973550 B CN116973550 B CN 116973550B
- Authority
- CN
- China
- Prior art keywords
- face
- blasting
- surrounding rock
- feature
- candidate
- 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.)
- Active
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004880 explosion Methods 0.000 title description 2
- 238000005422 blasting Methods 0.000 claims abstract description 107
- 239000011435 rock Substances 0.000 claims description 65
- 238000003062 neural network model Methods 0.000 claims description 21
- 239000003673 groundwater Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 7
- 239000004575 stone Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000008092 positive effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 8
- 238000009412 basement excavation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本申请提供了一种基于超前地质钻探的爆破参数确定方法,在本申请中,通过整合和分析图像识别结果和地质钻探数据,利用机器学习算法和数据分析对模型进行优化,以便为后续掌子面的爆破参数提供依据,进而得到合理的爆破参数,而合理的爆破参数对于提高爆破效果有积极作用,因此本申请的技术方案有利于提高爆破效果。
Description
技术领域
本申请涉及隧道挖掘技术领域,具体而言,涉及一种基于超前地质钻探的爆破参数确定方法。
背景技术
目前在挖掘隧道时一般采用隧道钻爆法开挖,在采用隧道钻爆法开挖的过程中会对开挖面进行爆破,在进行爆破时通常是根据经验设置爆破参数,但是由于开挖面的地质较为复杂,通过经验设置的爆破参数的爆破效果较差,在进行爆破后会出现超欠挖量大、钢拱架架立困难、围岩损伤严重、劣化围岩力学性能、破坏岩层承载力和稳定性等问题,从而提升了后续施工的难度。
发明内容
有鉴于此,本申请实施例提供了一种基于超前地质钻探的爆破参数确定方法,以提高爆破效果。
本申请实施例提供了一种基于超前地质钻探的爆破参数确定方法,所述方法包括:
采集当前利用隧道钻爆法开挖得到的第一掌子面的上一个掌子面的第一掌子面图像,以及获取当前利用隧道钻爆法开挖得到所述第一掌子面的过程中进行爆破时的第一爆破参数,以及在当前利用隧道钻爆法开挖得到所述第一掌子面的过程中使用三臂凿岩台车对围岩进行超前地质钻探时得到的第一机械工作数据,其中,所述第一掌子面图像是距离所述第一掌子面在预设距离上拍摄得到的,所述第一掌子面图像包含完整的所述第一掌子面;
针对预设的多个特征参数组合中的每组特征参数组合,根据该组特征参数组合中包括的目标特征参数,对所述第一掌子面图像中对应特征上的特征参数进行调整,得到该组特征参数组合对应的第二掌子面图像,以将所述第一掌子面图像和多个所述第二掌子面图像作为候选图像;
对于每个所述候选图像,对该候选图像的地质特征进行图像分析,得到该候选图像对应的第一围岩物理特征、第一围岩风化特征和第一地下水特征;
根据所述第一围岩物理特征、所述第一围岩风化特征和所述第一地下水特征各自对应的量化定级表,确定所述第一围岩物理特征包括的各围岩子物理特征对应的第一量化数值、所述第一围岩风化特征对应的第二量化数值,以及所述第一地下水特征对应的第三量化数值;
将所述第一量化数值、所述第二量化数值、所述第三量化数值、所述第一机械工作数据和所述第一爆破参数作为一训练样本输入到指定的神经网络模型中,得到用于表征该候选图像对应的块石度的第一数值,以及用于表征该候选图像对应的超欠挖量的第二数值;
在得到预设数量的候选图像对应的第一数值和第二数值后,计算预设数量的候选图像对应的第一数值的第一均方差和预设数量的候选图像对应的第二数值的第二均方差,并判断所述第一均方差和所述第二均方差是否均小于对应的预设数值,如果均不小于,则对所述神经网络模型中的权值矩阵、阈值矩阵和隐含层神经元的个数进行调节,直至神经网络模型输出的第一数值的第一均方差和第二数值的第二均方差均小于预设数值为止;
针对为所述第一掌子面设置的爆破参数进行正交设计实验得到的各第二爆破参数,将该第二爆破参数、第二机械工作数据,以及所述第一掌子面的第三掌子面图像的第二围岩物理特征包括的各围岩子物理特征对应的第四量化数值、所述第三掌子面图像的第二围岩风化特征对应的第五量化数值和所述第三掌子面图像的第二地下水特征对应的第六量化数值作为输入参数输入到调节后的神经网络模型中,得到候选石块度和候选超欠挖量,其中,所述第二机械工作数据为使用三臂凿岩台车对所述第一掌子面的围岩进行超前地质钻探时得到的;
根据每个第二爆破参数对应的候选石块度和候选超欠挖量,从所述第二爆破参数中选择满足预设石块度范围和预设超欠挖量范围的目标爆破参数,对所述第一掌子面进行爆破,以得到第二掌子面,所述第二掌子面是在所述第一掌子面的基础上将要利用隧道钻爆法开挖得到的下一个掌子面。
可选的,所述第一机械工作数据和所述第二机械工作数据均包括:
所述三臂凿岩台车的转速、扭矩和钻进速度。
可选的,所述特征参数组合包括以下特征中的至少一个:掌子面形状特征和掌子面色彩特征。
可选的,所述第一围岩物理特征包括的各围岩子物理特征和所述第二围岩物理特征包括的各围岩子物理特征均包括:岩层走向、节理统计数量和/或裂隙统计数量;
所述第一围岩风化特征和所述第二围岩风化特征均包括围岩风化程度;
所述第一地下水特征和所述第二地下水特征均包括是否干燥,以及出水状态。
可选的,所述第一爆破参数和所述第二爆破参数均包括:
炮眼深度、炮眼数量、不耦合系数、单孔耗药量。
本申请的实施例提供的技术方案可以包括以下有益效果:
在本申请中,通过整合和分析图像识别结果和地质钻探数据,利用机器学习算法和数据分析对模型进行优化,以便为后续掌子面的爆破参数提供依据,进而得到合理的爆破参数,而合理的爆破参数对于提高爆破效果有积极作用,因此本申请的技术方案有利于提高爆破效果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于超前地质钻探的爆破参数确定方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
关于隧道钻爆法开挖的说明如下:
隧道钻爆法开挖的大体过程包括:超前地质钻探和爆破两个基本过程,其中,先进行超前地质钻探然后在进行爆破,超前地质钻可用为后续的爆破提供爆破基础,在进行爆破时需要设置爆破参数,设置好了之后就会对开挖面进行爆破,爆破完毕后会得到一个掌子面,在得到一个掌子面后,继续采用隧道钻爆法开挖得到下一个掌子面,直至隧道完工,如果爆破效果较好,则超欠挖量和石块度都会相对较小,有利于降低后续的施工难度。
图1为本申请实施例提供的一种基于超前地质钻探的爆破参数确定方法的流程示意图,如图1所示,该方法包括以下步骤:
步骤101、采集当前利用隧道钻爆法开挖得到的第一掌子面的上一个掌子面的第一掌子面图像,以及获取当前利用隧道钻爆法开挖得到所述第一掌子面的过程中进行爆破时的第一爆破参数,以及在当前利用隧道钻爆法开挖得到所述第一掌子面的过程中使用三臂凿岩台车对围岩进行超前地质钻探时得到的第一机械工作数据,其中,所述第一掌子面图像是距离所述第一掌子面在预设距离上拍摄得到的,所述第一掌子面图像包含完整的所述第一掌子面。
步骤102、针对预设的多个特征参数组合中的每组特征参数组合,根据该组特征参数组合中包括的目标特征参数,对所述第一掌子面图像中对应特征上的特征参数进行调整,得到该组特征参数组合对应的第二掌子面图像,以将所述第一掌子面图像和多个所述第二掌子面图像作为候选图像。
步骤103、对于每个所述候选图像,对该候选图像的地质特征进行图像分析,得到该候选图像对应的第一围岩物理特征、第一围岩风化特征和第一地下水特征。
步骤104、根据所述第一围岩物理特征、所述第一围岩风化特征和所述第一地下水特征各自对应的量化定级表,确定所述第一围岩物理特征包括的各围岩子物理特征对应的第一量化数值、所述第一围岩风化特征对应的第二量化数值,以及所述第一地下水特征对应的第三量化数值。
步骤105、将所述第一量化数值、所述第二量化数值、所述第三量化数值、所述第一机械工作数据和所述第一爆破参数作为一训练样本输入到指定的神经网络模型中,得到用于表征该候选图像对应的块石度的第一数值,以及用于表征该候选图像对应的超欠挖量的第二数值。
步骤106、在得到预设数量的候选图像对应的第一数值和第二数值后,计算预设数量的候选图像对应的第一数值的第一均方差和预设数量的候选图像对应的第二数值的第二均方差,并判断所述第一均方差和所述第二均方差是否均小于对应的预设数值,如果均不小于,则对所述神经网络模型中的权值矩阵、阈值矩阵和隐含层神经元的个数进行调节,直至神经网络模型输出的第一数值的第一均方差和第二数值的第二均方差均小于预设数值为止。
步骤107、针对为所述第一掌子面设置的爆破参数进行正交设计实验得到的各第二爆破参数,将该第二爆破参数、第二机械工作数据,以及所述第一掌子面的第三掌子面图像的第二围岩物理特征包括的各围岩子物理特征对应的第四量化数值、所述第三掌子面图像的第二围岩风化特征对应的第五量化数值和所述第三掌子面图像的第二地下水特征对应的第六量化数值作为输入参数输入到调节后的神经网络模型中,得到候选石块度和候选超欠挖量,其中,所述第二机械工作数据为使用三臂凿岩台车对所述第一掌子面的围岩进行超前地质钻探时得到的。
步骤108、根据每个第二爆破参数对应的候选石块度和候选超欠挖量,从所述第二爆破参数中选择满足预设石块度范围和预设超欠挖量范围的目标爆破参数,对所述第一掌子面进行爆破,以得到第二掌子面,所述第二掌子面是在所述第一掌子面的基础上将要利用隧道钻爆法开挖得到的下一个掌子面。
具体的,为了得到足够多的样本对模型进行训练,在得到第一掌子面图像后,需要对第一掌子面图像的基础上进行变形,因此可以预先设置多个特征参数组合,然后通过每个特征参数组合对第一掌子面图像中对应特征上的参数进行调整,从而得到第二掌子面图像,在得到足够多的第二掌子面图像后,就会得到足够多的候选图像,以便得到多组训练样本,从而更好对模型进行训练。
由于在爆破过程中需要考虑的隧道的地质情况,因此在得到候选图像后,需要对候选图像进行分析,以得到每张候选图像对应的地质情况,包括但不限于围岩物理特征、围岩风化特征和地下水特征,然后对上述特征进行定量。
在对上述特征进行定量后,就可以利用定量后的数据,以及在得到第一掌子面的过程中使用三臂凿岩台车对围岩进行超前地质钻探时得到的第一机械工作数据和在得到第一掌子面的过程中进行爆破时的爆破参数作为训练样本对神经网络模型进行训练,每输入一组数据就会得到一组数值,该组数值包括用于表征该候选图像对应的块石度的第一数值,以及用于表征该候选图像对应的超欠挖量的第二数值,其中,第一掌子面为当前将要进行爆破和超前地质钻探的掌子面。
在得到一定组数的第一数值和第二数值后,计算目前得到的所有第一数值的第一均方差,以及目前得到的所有第二数值的第二均方差,并判断第一均方差和第二均方差是否都小于预设数值,例如:是否都小于0.1,如果均小于,则表示石块度和超欠挖量相对较小,且神经网络模型中的权值矩阵、阈值矩阵和隐含层神经元的个数与当前的隧道环境相匹配,如果均不小于,则需要对神经网络模型中的权值矩阵、阈值矩阵和隐含层神经元的个数进行调节,在调节完毕后,继续输入一定数量的训练样本,然后得到第二批第一数值和第二批第二数值,然后计算第二批中所有第一数值的第一均方差,以及第二批中所有第二数值的第二均方差,并判断第二批对应的第一均方差和第二均方差是否都小于预设数值,如果均小于,则停止训练,如果均不小于,则继续对神经网络模型中的权值矩阵、阈值矩阵和隐含层神经元的个数进行调节,直至神经网络模型输出的第一数值的第一均方差和第二数值的第二均方差均小于预设数值为止。
由于第一掌子面是在上一个掌子面的基础上进行利用隧道钻爆法开挖得到的,因此得到第一掌子面的过程可用作为得到第二掌子面的参考,进而可用利用第一掌子面的相关内容对神经网络模型训练,以便利用训练好的神经网络模型对第一掌子面的爆破参数进行预测,为了得到相对合理的爆破参数,对第一掌子面的爆破参数进行正交设计实现,从而得到多个第二爆破参数,然后将每个第二爆破参数、使用三臂凿岩台车对第一掌子面的围岩进行超前地质钻探时得到的第二机械工作数据,以及第一掌子面的第三掌子面图像的第二围岩物理特征包括的各围岩子物理特征对应的第四量化数值、第三掌子面图像的第二围岩风化特征对应的第五量化数值和第三掌子面图像的第二地下水特征对应的第六量化数值作为输入参数输入到调节后的神经网络模型中,从而得到各第二爆破参数对应的候选石块度和候选超欠挖量,为了确定哪个第二爆破参数更加合理,需要对各第二爆破参数对应的候选石块度和候选超欠挖量进行判断,即:对于一个第二爆破参数而言,该第二爆破参数对应的候选石块度是否位于预设石块度范围内,以及该第二爆破参数对应的候选超欠挖量是否位于设定的预设超欠挖量范围内,如果均满足,则将该第二爆破参数作为目标爆破参数,然后使用该目标爆破参数对第一掌子面进行爆破得到第二掌子面。
在得到第四量化数值、第五量化数值和第六量化数值时同样利用量化定级表得到的。
在本申请中,通过整合和分析图像识别结果和地质钻探数据,利用机器学习算法和数据分析对模型进行优化,以便为后续掌子面的爆破参数提供依据,进而得到合理的爆破参数,而合理的爆破参数对于提高爆破效果有积极作用,因此本申请的技术方案有利于提高爆破效果。
在一个可行的实施方案中,所述第一机械工作数据和所述第二机械工作数据均包括:
所述三臂凿岩台车的转速、扭矩和钻进速度。
在一个可行的实施方案中,所述特征参数组合包括以下特征中的至少一个:掌子面形状特征和掌子面色彩特征。
在一个可行的实施方案中,所述第一围岩物理特征包括的各围岩子物理特征和所述第二围岩物理特征包括的各围岩子物理特征均包括:岩层走向、节理统计数量和/或裂隙统计数量;所述第一围岩风化特征和所述第二围岩风化特征均包括围岩风化程度;所述第一地下水特征和所述第二地下水特征均包括是否干燥,以及出水状态。
在一个可行的实施方案中,所述第一爆破参数和所述第二爆破参数均包括:
炮眼深度、炮眼数量、不耦合系数、单孔耗药量。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于超前地质钻探的爆破参数确定方法,其特征在于,所述方法包括:
采集当前利用隧道钻爆法开挖得到的第一掌子面的上一个掌子面的第一掌子面图像,以及获取当前利用隧道钻爆法开挖得到所述第一掌子面的过程中进行爆破时的第一爆破参数,以及在当前利用隧道钻爆法开挖得到所述第一掌子面的过程中使用三臂凿岩台车对围岩进行超前地质钻探时得到的第一机械工作数据,其中,所述第一掌子面图像是距离所述第一掌子面在预设距离上拍摄得到的,所述第一掌子面图像包含完整的所述第一掌子面;
针对预设的多个特征参数组合中的每组特征参数组合,根据该组特征参数组合中包括的目标特征参数,对所述第一掌子面图像中对应特征上的特征参数进行调整,得到该组特征参数组合对应的第二掌子面图像,以将所述第一掌子面图像和多个所述第二掌子面图像作为候选图像;
对于每个所述候选图像,对该候选图像的地质特征进行图像分析,得到该候选图像对应的第一围岩物理特征、第一围岩风化特征和第一地下水特征;
根据所述第一围岩物理特征、所述第一围岩风化特征和所述第一地下水特征各自对应的量化定级表,确定所述第一围岩物理特征包括的各围岩子物理特征对应的第一量化数值、所述第一围岩风化特征对应的第二量化数值,以及所述第一地下水特征对应的第三量化数值;
将所述第一量化数值、所述第二量化数值、所述第三量化数值、所述第一机械工作数据和所述第一爆破参数作为一训练样本输入到指定的神经网络模型中,得到用于表征该候选图像对应的块石度的第一数值,以及用于表征该候选图像对应的超欠挖量的第二数值;
在得到预设数量的候选图像对应的第一数值和第二数值后,计算预设数量的候选图像对应的第一数值的第一均方差和预设数量的候选图像对应的第二数值的第二均方差,并判断所述第一均方差和所述第二均方差是否均小于对应的预设数值,如果均不小于,则对所述神经网络模型中的权值矩阵、阈值矩阵和隐含层神经元的个数进行调节,直至神经网络模型输出的第一数值的第一均方差和第二数值的第二均方差均小于预设数值为止;
针对为所述第一掌子面设置的爆破参数进行正交设计实验得到的各第二爆破参数,将该第二爆破参数、第二机械工作数据,以及所述第一掌子面的第三掌子面图像的第二围岩物理特征包括的各围岩子物理特征对应的第四量化数值、所述第三掌子面图像的第二围岩风化特征对应的第五量化数值和所述第三掌子面图像的第二地下水特征对应的第六量化数值作为输入参数输入到调节后的神经网络模型中,得到候选石块度和候选超欠挖量,其中,所述第二机械工作数据为使用三臂凿岩台车对所述第一掌子面的围岩进行超前地质钻探时得到的;
根据每个第二爆破参数对应的候选石块度和候选超欠挖量,从所述第二爆破参数中选择满足预设石块度范围和预设超欠挖量范围的目标爆破参数,对所述第一掌子面进行爆破,以得到第二掌子面,所述第二掌子面是在所述第一掌子面的基础上将要利用隧道钻爆法开挖得到的下一个掌子面。
2.如权利要求1所述的方法,其特征在于,所述第一机械工作数据和所述第二机械工作数据均包括:
所述三臂凿岩台车的转速、扭矩和钻进速度。
3.如权利要求1所述的方法,其特征在于,所述特征参数组合包括以下特征中的至少一个:掌子面形状特征和掌子面色彩特征。
4.如权利要求1所述的方法,其特征在于,所述第一围岩物理特征包括的各围岩子物理特征和所述第二围岩物理特征包括的各围岩子物理特征均包括:岩层走向、节理统计数量和/或裂隙统计数量;
所述第一围岩风化特征和所述第二围岩风化特征均包括围岩风化程度;
所述第一地下水特征和所述第二地下水特征均包括是否干燥,以及出水状态。
5.如权利要求1所述的方法,其特征在于,所述第一爆破参数和所述第二爆破参数均包括:
炮眼深度、炮眼数量、不耦合系数、单孔耗药量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228540.0A CN116973550B (zh) | 2023-09-22 | 2023-09-22 | 一种基于超前地质钻探的爆破参数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228540.0A CN116973550B (zh) | 2023-09-22 | 2023-09-22 | 一种基于超前地质钻探的爆破参数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116973550A CN116973550A (zh) | 2023-10-31 |
CN116973550B true CN116973550B (zh) | 2023-11-28 |
Family
ID=88475319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311228540.0A Active CN116973550B (zh) | 2023-09-22 | 2023-09-22 | 一种基于超前地质钻探的爆破参数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973550B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料爆破参数智能设计方法 |
RU2655009C1 (ru) * | 2017-03-10 | 2018-05-23 | ФГБОУ ВО "Тихоокеанский государственный университет" | Способ определения оптимальных параметров взрывного разрушения горных пород с учетом зоны предразрушения |
CN114547721A (zh) * | 2021-12-21 | 2022-05-27 | 沈阳工业大学 | 深埋隧道局部区域差异定向断裂控制爆破方法 |
CN116088033A (zh) * | 2023-02-15 | 2023-05-09 | 东北大学 | 一种时滞型极强岩爆地质判别方法 |
CN116452511A (zh) * | 2023-03-17 | 2023-07-18 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
-
2023
- 2023-09-22 CN CN202311228540.0A patent/CN116973550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料爆破参数智能设计方法 |
RU2655009C1 (ru) * | 2017-03-10 | 2018-05-23 | ФГБОУ ВО "Тихоокеанский государственный университет" | Способ определения оптимальных параметров взрывного разрушения горных пород с учетом зоны предразрушения |
CN114547721A (zh) * | 2021-12-21 | 2022-05-27 | 沈阳工业大学 | 深埋隧道局部区域差异定向断裂控制爆破方法 |
CN116088033A (zh) * | 2023-02-15 | 2023-05-09 | 东北大学 | 一种时滞型极强岩爆地质判别方法 |
CN116452511A (zh) * | 2023-03-17 | 2023-07-18 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
基于先验知识和BP网络的隧道爆破参数计算;肖清华;张继春;夏真荣;;西南交通大学学报(05);20-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN116973550A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10546072B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
Kulatilake et al. | Mean particle size prediction in rock blast fragmentation using neural networks | |
Ng et al. | Predictive model for uniaxial compressive strength for Grade III granitic rocks from Macao | |
US10102311B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
CN110805469B (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
CN110006568B (zh) | 一种利用岩芯获取三维地应力的方法及获取系统 | |
CN115017833B (zh) | 基于深度神经网络的高地应力软岩体地应力计算方法 | |
CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
CN112765791B (zh) | 一种基于数值样本和随机森林的tbm卡机风险预测方法 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
CN115329657A (zh) | 钻井参数优化方法及装置 | |
CN115577645A (zh) | 一种燃爆压裂破裂范围预测模型的构建方法及预测方法 | |
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 | |
CN116973550B (zh) | 一种基于超前地质钻探的爆破参数确定方法 | |
CN112883646A (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
CN113323676A (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 | |
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 | |
Javadi | Estimation of air losses in compressed air tunneling using neural network | |
Sen et al. | A genetic-algorithm approach for assessing the liquefaction potential of sandy soils | |
CN115840921B (zh) | 基于机器学习的岩体质量分级方法 | |
Liu et al. | Influence of geological conditions of rock mass ahead of tunnel face on the prediction performance of uniaxial compressive strength prediction model | |
CN110909402B (zh) | 一种基于神经网络技术的超前小导管设计方法 | |
CN116663120A (zh) | 一种隧道施工的振速与损伤双指标控制爆破方法 | |
CN114298594A (zh) | 一种深井煤层底板含水层注浆加固效果等级评价方法 | |
HALIM et al. | Analysis of Rock Failure Patterns in Mountain Tunnels Using Logistic Regression Modelling based on Geological Types |
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 |