CN117236197B - 岩体弹性模量随钻测试方法与系统 - Google Patents
岩体弹性模量随钻测试方法与系统 Download PDFInfo
- Publication number
- CN117236197B CN117236197B CN202311491954.2A CN202311491954A CN117236197B CN 117236197 B CN117236197 B CN 117236197B CN 202311491954 A CN202311491954 A CN 202311491954A CN 117236197 B CN117236197 B CN 117236197B
- Authority
- CN
- China
- Prior art keywords
- rock mass
- elastic modulus
- drilling
- sample
- parameters
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 205
- 238000005553 drilling Methods 0.000 title claims abstract description 104
- 238000010998 test method Methods 0.000 title claims description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 14
- 230000006835 compression Effects 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000011065 in-situ storage Methods 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
Classifications
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明涉及弹性模量测试技术领域，本发明公开了岩体弹性模量随钻测试方法与系统，包括：获取岩体的随钻参数；基于所述随钻参数，计算得到岩体切削强度理论解后，与随钻参数一起输入岩体弹性模量预测模型，得到岩体弹性模量；其中，岩体弹性模量预测模型的训练过程为：获取岩体试样的随钻参数，并计算岩体试样切削强度理论解；对岩体试样进行压缩实验，得到岩体试样的弹性模量；将岩体试样切削强度理论解和随钻参数作为输入变量，将岩体试样的弹性模量作为期望输出值，对岩体弹性模量预测模型进行训练。无需对岩体钻心取样，即可在原位条件下获取岩体的弹性模量，提高了岩体弹性模量测试的准确性。
Description
技术领域
本发明涉及弹性模量测试技术领域，具体的说，是涉及岩体弹性模量随钻测试方法与系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着浅部煤炭资源趋于枯竭，煤矿开采转向深部。同时，交通隧道、水利隧洞等地下工程也逐渐向千米以深发展。深部岩体体在高应力条件下，受开挖、爆破等地下工程活动的影响，其力学特性较浅部岩体更为复杂。深部岩体中蕴藏着巨大的弹性能，当其突然释放时，会对地下工程造成极大的破坏。但，目前难以对岩体的能量储存状态进行直接测试，只能根据岩体受力情况以及岩体的弹性模量等物理参量来间接估算岩体其能量储存状态。因此，准确测定岩体的弹性模量，对判断岩体的能量储存状况、评价岩体的稳定性起着关键作用。
通常，采用室内压缩实验来测试岩体的应力与应变，进而获取岩体的弹性模量，但，由于室内压缩实验需要钻取现场岩体岩芯，加工处理达到标准试件尺寸要求后才能进行室内实验。实验过程不仅破坏了岩体的原位应力，在岩芯的获取、送样、加工和实验过程中也浪费了大量的时间。
发明内容
本发明为了解决上述问题，本发明提供岩体弹性模量随钻测试方法与系统，可通过随钻参数得到岩体切削强度理论解，将随钻参数与岩体切削强度理论解代入岩体弹性模量预测模型，获取现场岩体的弹性模量，无需对岩体钻心取样，即可在原位条件下获取岩体的弹性模量，提高了岩体弹性模量测试的准确性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供岩体弹性模量随钻测试方法，其包括：
获取岩体的随钻参数；
基于所述随钻参数，计算得到岩体切削强度理论解后，将随钻参数和岩体切削强度理论解输入岩体弹性模量预测模型，得到岩体弹性模量；
其中，岩体弹性模量预测模型的训练过程为：获取岩体试样的随钻参数，并计算岩体试样切削强度理论解；对岩体试样进行压缩实验，得到岩体试样的弹性模量；将岩体试样切削强度理论解和随钻参数作为输入变量，将岩体试样的弹性模量作为期望输出值，对岩体弹性模量预测模型进行训练。
进一步地，所述随钻参数包括：钻速、推力、转速、扭矩、水压和振动。
进一步地，所述岩体弹性模量预测模型采用反向传播神经网络。
进一步地，所述反向传播神经网络的隐藏层神经元个数通过试错法得到，且所述反向传播神经网络的隐藏层采用双曲正切函数。
进一步地，所述岩体弹性模量预测模型的训练过程中，将输入变量乘以第一权重加上第一偏置变量，代入隐藏层进行非线性运算，经过若干个隐藏层的线性和非线性运算后，乘以第二权重加上第二偏置变量得到输出变量，离差标准化处理后的岩体试样的弹性模量作为期望输出值，将输出变量与期望输出值进行对比，通过计算误差不断更新第一权重、第一偏置变量、第二权重和第二偏置变量，得到岩体弹性模量预测模型。
进一步地，所述岩体切削强度理论解和随钻参数通过离差标准化处理后，输入岩体弹性模量预测模型。
进一步地，所述岩体试样切削强度理论解、随钻参数和岩体试样的弹性模量均通过离差标准化处理后，用于对岩体弹性模量预测模型进行训练。
本发明的第二个方面提供岩体弹性模量随钻测试系统，其包括：
数据获取模块，其被配置为：获取岩体的随钻参数；
测试模块，其被配置为：基于所述随钻参数，计算得到岩体切削强度理论解后，输入岩体弹性模量预测模型，得到岩体弹性模量；
其中，岩体弹性模量预测模型的训练过程为：获取岩体试样的随钻参数，并计算岩体试样切削强度理论解；对岩体试样进行压缩实验，得到岩体试样的弹性模量；将岩体试样切削强度理论解和随钻参数作为输入变量，将岩体试样的弹性模量作为期望输出值，对岩体弹性模量预测模型进行训练。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述所述的岩体弹性模量随钻测试方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的岩体弹性模量随钻测试方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了岩体弹性模量随钻测试方法，其可通过随钻参数代入到岩体切削强度理论解公式得到岩体切削强度理论解，将其代入BP神经网络岩体弹性模量预测模型，获取现场岩体的弹性模量，无需对岩体钻心取样，即可在原位条件下获取岩体的弹性模量，提高了岩体弹性模量测试的准确性。
本发明提供了岩体弹性模量随钻测试方法，其可以直接对巷道不限于巷道直接进行弹性模量测试，解决了传统室内压缩实验只受限与时间、空间条件，所测弹性模量非原位岩体弹性模量，并且耗时长，扰动大，测试成本高的问题。
附图说明
构成本发明的一部分说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1为本发明的实施例一的岩体弹性模量随钻测试方法的流程图；
图2为本发明的实施例一的BP神经网络的算法流程图；
图3为本发明的实施例一的BP神经网络的基础架构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
术语解释：
BP神经网络：反向传播（Back Propagation，BP）神经网络，是一种按误差逆传播算法训练的多层前馈网络。
实施例一
本实施例一的目的是提供岩体弹性模量随钻测试方法。
岩体随钻原位测试技术为岩体弹性模量的现场快速获取提供了新途径，其中建立岩体弹性模量随钻快速测试模型与方法是关键。
本实施例提供的岩体弹性模量随钻测试方法，可实现现场岩体弹性模量的快速测试，具有效率高、误差小等特点。
本实施例提供的岩体弹性模量随钻测试方法，如图1所示，具体步骤如下：
步骤一、利用钻探设备对岩体试样进行室内岩体钻进试验，实时采集钻进岩体过程中的随钻参数。
其中，钻探设备包括钻进系统、加载系统及采集控制系统，钻进过程中可以实时采集随钻参数。
其中，随钻参数包括：钻速、推力、转速、扭矩、水压和振动。
步骤二、对岩体切削过程进行力学分析，得到岩体试样切削强度理论解。
其中，岩体试样切削强度理论解公式如下：
，
式中，β为岩体试样切削强度理论解与随钻参数的函数关系，ξ为岩体试样切削强度理论解，V t为钻速，F t为推力，N r为转速，M r为扭矩，P w为水压，T r为振动。
步骤三、对钻进试验岩体试样进行室内压缩实验，获取岩体试样的弹性模量。
步骤四、建立BP神经网络模型。
其中，如图2所示，BP神经网络模型的输入变量为离差标准化处理后的岩体试样切削强度理论解和随钻参数，将输入变量乘以对应的第一权重λ i加上第一偏置变量δ i后，即，λ i x i ′+δ i，其中x i ′表示输入变量x中第i个进行离差标准化处理后的数据；代入隐藏层进行非线性运算，经过m个隐藏层（每个隐藏层包括n个神经元）的线性和非线性运算后，乘以对应的第二权重ρ j加上第二偏置变量μ j得到输出变量，即ρ j t (m-1)j+μ j，其中t (m-1)j表示从第m-1个隐藏层输入第m个隐藏层的第j个神经元的数据；离差标准化处理后的岩体试样的弹性模量作为期望输出值，将输出变量与期望输出值进行对比，通过计算误差不断更新权重与偏置变量（包括第一权重、第一偏置变量、第二权重和第二偏置变量），得到BP神经网络模型。
其中，如图3所示，BP神经网络模型的输入神经元为7个，输出神经元为1个，某一隐藏层中神经元个数的计算公式如下所示：
，
式中，M为隐藏层神经元个数（即图3中的n），需进行取整，k为输入神经元个数，l为输出神经元个数，a为1~10之间的整数。如图3所示，t11为第1层隐藏层的第1个神经元，tm1为第m层隐藏层的第1个神经元，以此类推。
在本实施例中，采用试错法找到效果最佳的隐藏层神经元个数。
其中，BP神经网络模型隐藏层也采用试错法找到效果最佳的隐藏层个数，隐藏层采用Tanh（双曲正切）函数，具体公式为：
，
式中，tanh(x)为Tanh函数，x为输入变量。
其中，将输入变量与期望输出值进行离差标准化处理，让其落在[-1,1]之间，有助于加快神经网络的收敛，具体公式为：
，
式中，x′为离差标准化处理后的输入变量，x为输入变量，y′为离差标准化处理后的期望输出值，y为期望输出值（弹性模量）。
步骤五、将离差标准化处理后的岩体切削强度理论解和随钻参数与离差标准化处理后的岩体的弹性模量代入BP神经网络模型进行训练，得到BP神经网络岩体弹性模量预测模型。
其中，BP神经网络模型训练，利用钻探设备进行钻进试验获取随钻参数，并且每一组钻进试验取岩芯进行室内压缩实验，获取岩体弹性模量，将随钻参数代入β函数计算后进行离差标准化处理得到x′，将岩体弹性模量进行离差标准化处理得到y′，将x′与y′代入BP神经网络进行训练，得到BP神经网络岩体弹性模量预测模型。
步骤五、进行工程现场钻进测试，利用实时采集的随钻参数，计算得到岩体切削强度理论解，将其离差标准化处理后与随钻参数一起代入到BP神经网络岩体弹性模量预测模型，进行工程现场岩体弹性模量的快速反演，实现现场岩体弹性模量精准、高效测试。
本实施例提供的岩体弹性模量随钻测试方法，利用钻探设备对岩体进行钻进试验，实时采集钻进岩体过程中的随钻参数；对岩体切削过程进行力学分析，得到岩体切削强度理论解；对钻进试验岩体试样进行室内压缩实验，获取岩体的弹性模量；建立BP神经网络模型；将输入变量与期望输出值进行离差标准化处理；将岩体切削强度理论解、随钻参数与岩体的弹性模量代入BP神经网络模型进行训练，得到BP神经网络岩体弹性模量预测模型；进行工程现场钻进测试，利用实时采集的随钻参数得到岩体切削强度理论解，将随钻参数和岩体切削强度理论解离差标准化处理后代入到BP神经网络岩体弹性模量预测模型进行原位岩体弹性模量反演，实现现场岩体弹性模量精准、高效测试。可在工程现场快速获取岩体的弹性模量，提高了岩体弹性模量测试的准确性，弥补常规室内压缩实验的不足。
实施例二
本实施例二的目的是提供岩体弹性模量随钻测试系统，
数据获取模块，其被配置为：获取岩体的随钻参数；
测试模块，其被配置为：基于所述随钻参数，计算得到岩体切削强度理论解后，输入岩体弹性模量预测模型，得到岩体弹性模量；
其中，岩体弹性模量预测模型的训练过程为：获取岩体试样的随钻参数，并计算岩体试样切削强度理论解；对岩体试样进行压缩实验，得到岩体试样的弹性模量；将岩体试样切削强度理论解和随钻参数作为输入变量，将岩体试样的弹性模量作为期望输出值，对岩体弹性模量预测模型进行训练。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述实施例一所述的岩体弹性模量随钻测试方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的岩体弹性模量随钻测试方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.岩体弹性模量随钻测试方法，其特征在于，包括：
获取岩体的随钻参数；
所述随钻参数包括：钻速、推力、转速、扭矩、水压和振动；
基于所述随钻参数，计算得到岩体切削强度理论解后，与随钻参数一起输入岩体弹性模量预测模型，得到岩体弹性模量；
其中，岩体弹性模量预测模型的训练过程为：获取岩体试样的随钻参数，并计算岩体试样切削强度理论解；对岩体试样进行压缩实验，得到岩体试样的弹性模量；将岩体试样切削强度理论解和随钻参数作为输入变量，将岩体试样的弹性模量作为期望输出值，对岩体弹性模量预测模型进行训练；
所述岩体试样切削强度理论解、随钻参数和岩体试样的弹性模量均通过离差标准化处理后，用于对岩体弹性模量预测模型进行训练。
2.如权利要求1所述的岩体弹性模量随钻测试方法，其特征在于，所述岩体弹性模量预测模型采用反向传播神经网络。
3.如权利要求2所述的岩体弹性模量随钻测试方法，其特征在于，所述反向传播神经网络的隐藏层神经元个数通过试错法得到，且所述反向传播神经网络的隐藏层采用双曲正切函数。
4.如权利要求1所述的岩体弹性模量随钻测试方法，其特征在于，所述岩体弹性模量预测模型的训练过程中，将输入变量乘以第一权重加上第一偏置变量，代入隐藏层进行非线性运算，经过若干个隐藏层的线性和非线性运算后，乘以第二权重加上第二偏置变量得到输出变量，离差标准化处理后的岩体试样的弹性模量作为期望输出值，将输出变量与期望输出值进行对比，通过计算误差不断更新第一权重、第一偏置变量、第二权重和第二偏置变量，得到岩体弹性模量预测模型。
5.如权利要求1所述的岩体弹性模量随钻测试方法，其特征在于，所述基于所述随钻参数计算得到的岩体切削强度理论解和随钻参数通过离差标准化处理后，输入岩体弹性模量预测模型。
6.基于权利要求1-5任一项所述方法的岩体弹性模量随钻测试系统，其特征在于，包括：
数据获取模块，其被配置为：获取岩体的随钻参数；
所述随钻参数包括：钻速、推力、转速、扭矩、水压和振动；
测试模块，其被配置为：基于所述随钻参数，计算得到岩体切削强度理论解后，与随钻参数一起输入岩体弹性模量预测模型，得到岩体弹性模量；
其中，岩体弹性模量预测模型的训练过程为：获取岩体试样的随钻参数，并计算岩体试样切削强度理论解；对岩体试样进行压缩实验，得到岩体试样的弹性模量；将岩体试样切削强度理论解和随钻参数作为输入变量，将岩体试样的弹性模量作为期望输出值，对岩体弹性模量预测模型进行训练；
所述岩体试样切削强度理论解、随钻参数和岩体试样的弹性模量均通过离差标准化处理后，用于对岩体弹性模量预测模型进行训练。
7.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的岩体弹性模量随钻测试方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的岩体弹性模量随钻测试方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491954.2A CN117236197B (zh) | 2023-11-10 | 2023-11-10 | 岩体弹性模量随钻测试方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491954.2A CN117236197B (zh) | 2023-11-10 | 2023-11-10 | 岩体弹性模量随钻测试方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236197A CN117236197A (zh) | 2023-12-15 |
| CN117236197B true CN117236197B (zh) | 2024-02-20 |
Family
ID=89089617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311491954.2A Active CN117236197B (zh) | 2023-11-10 | 2023-11-10 | 岩体弹性模量随钻测试方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236197B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108663269A (zh) * | 2018-03-30 | 2018-10-16 | 山东大学 | 基于等效岩体强度的地下工程围岩数字钻探分区方法 |
| CN114048673A (zh) * | 2021-10-27 | 2022-02-15 | 东南大学 | 一种基于深度学习的监测复合材料弹性模量的方法 |
| CN115392142A (zh) * | 2022-10-31 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
| CN116029159A (zh) * | 2023-03-23 | 2023-04-28 | 中国矿业大学(北京) | 地下工程围岩旋切钻进原位探测方法 |
| CN116291271A (zh) * | 2022-11-23 | 2023-06-23 | 中铁第四勘察设计院集团有限公司 | 一种基于随钻测试的岩土体参数反演方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723838B (zh) * | 2021-09-02 | 2023-04-18 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
| CN114547740A (zh) * | 2022-02-15 | 2022-05-27 | 石家庄铁道大学 | 用于估算tbm在掘岩体强度并分级预警的方法 |
-
2023
- 2023-11-10 CN CN202311491954.2A patent/CN117236197B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108663269A (zh) * | 2018-03-30 | 2018-10-16 | 山东大学 | 基于等效岩体强度的地下工程围岩数字钻探分区方法 |
| CN114048673A (zh) * | 2021-10-27 | 2022-02-15 | 东南大学 | 一种基于深度学习的监测复合材料弹性模量的方法 |
| CN115392142A (zh) * | 2022-10-31 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
| CN116291271A (zh) * | 2022-11-23 | 2023-06-23 | 中铁第四勘察设计院集团有限公司 | 一种基于随钻测试的岩土体参数反演方法及系统 |
| CN116029159A (zh) * | 2023-03-23 | 2023-04-28 | 中国矿业大学(北京) | 地下工程围岩旋切钻进原位探测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 岩石的切削强度特性及岩体力学参数的旋切触探试验研究;李骞;《中国优秀博士学位论文数据库》(12);第15-141页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236197A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Koopialipoor et al. | Application of deep neural networks in predicting the penetration rate of tunnel boring machines | |
| Armaghani et al. | Indirect measure of shale shear strength parameters by means of rock index tests through an optimized artificial neural network | |
| Sun et al. | Correlational fractal characterisation of stress and acoustic emission during coal and rock failure under multilevel dynamic loading | |
| Gandomi et al. | A new multi-gene genetic programming approach to non-linear system modeling. Part II: geotechnical and earthquake engineering problems | |
| Adoko et al. | Bayesian prediction of TBM penetration rate in rock mass | |
| Li et al. | A GMDH predictive model to predict rock material strength using three non-destructive tests | |
| CN112163328B (zh) | 一种基于深度学习和数据驱动的岩土颗粒材料本构建模方法 | |
| CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
| Mahdiabadi et al. | Prediction of uniaxial compressive strength and modulus of elasticity in calcareous mudstones using neural networks, fuzzy systems, and regression analysis | |
| Eftekhari et al. | Predicting penetration rate of a tunnel boring machine using artificial neural network | |
| Li et al. | A hybrid GEP and WOA approach to estimate the optimal penetration rate of TBM in granitic rock mass | |
| 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 | |
| CN112541286A (zh) | 一种基于增量动力分析法的隧道地震易损性分析方法 | |
| Gajewski et al. | Towards the identification of worn picks on cutterdrums based on torque and power signals using Artificial Neural Networks | |
| Kazemi et al. | Application of dimensional analysis and multi-gene genetic programming to predict the performance of tunnel boring machines | |
| Boumaiza et al. | A method to determine relevant geomechanical parameters for evaluating the hydraulic erodibility of rock | |
| 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 | |
| Emami Meybodi et al. | Application of machine learning models for predicting rock fracture toughness mode-I and mode-II | |
| Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
| CN117236197B (zh) | 岩体弹性模量随钻测试方法与系统 | |
| CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
| CN111706322B (zh) | 一种岩石钻进响应的预测方法和预测系统 | |
| CN117252063A (zh) | 基于机器学习的岩质高边坡开挖锚固变形预测方法及系统 | |
| CN115049173A (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
| Xiong et al. | Intelligent Prediction Model of the Triaxial Compressive Strength of Rock Subjected to Freeze‐Thaw Cycles Based on a Genetic Algorithm and Artificial Neural Network |
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 |