CN117292148A - 一种基于定向钻探及测试数据的隧道围岩级别评估方法 - Google Patents
一种基于定向钻探及测试数据的隧道围岩级别评估方法 Download PDFInfo
- Publication number
- CN117292148A CN117292148A CN202311592050.9A CN202311592050A CN117292148A CN 117292148 A CN117292148 A CN 117292148A CN 202311592050 A CN202311592050 A CN 202311592050A CN 117292148 A CN117292148 A CN 117292148A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- joint state
- training
- tunnel
- feature
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 338
- 238000012360 testing method Methods 0.000 title claims abstract description 105
- 238000005553 drilling Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 99
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 91
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local 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
- G06V10/443—Local 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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/77—Processing 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mining & Mineral Resources (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
公开了一种基于定向钻探及测试数据的隧道围岩级别评估方法。其首先在钻探完成后采集预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,接着,对所述多个预定时间点的孔内围岩节理状态图像进行特征提取以得到孔内围岩节理状态图像语义特征向量的序列,然后,对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量,最后,基于对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析得到的围岩多参数特征嵌入孔内围岩节理状态语义关联特征确定隧道围岩级别标签。这样,可以实现围岩的力学性质和变形特性的评估。
Description
技术领域
本申请涉及隧道围岩级别评估领域,且更为具体地,涉及一种基于定向钻探及测试数据的隧道围岩级别评估方法。
背景技术
隧道围岩级别评估是隧道工程设计和施工的重要依据,它反映了隧道围岩的稳定性和支护难度。目前,常用的隧道围岩级别评估方法主要有岩体分级法、围岩质量指数法、岩体构结指数法等,这些方法都是基于地质资料和经验公式对隧道围岩进行定性或半定量的评价,存在一定的主观性和不确定性。随着隧道工程的不断深入,隧道围岩的复杂性和多变性也越来越高,传统的评估方法往往不能准确反映隧道围岩的实际情况,导致隧道设计和施工中出现围岩级别偏差、支护方案不合理、安全风险增加等问题。
因此,期望一种优化的隧道围岩级别评估方案。
发明内容
有鉴于此,本申请提出了一种基于定向钻探及测试数据的隧道围岩级别评估方法,其可以充分利用孔内围岩的结构和性质信息,并结合地球物理测试数据,提高隧道围岩级别评估的准确性和可靠性。
根据本申请的一方面,提供了一种基于定向钻探及测试数据的隧道围岩级别评估方法,其包括:
在隧道紧急停车道或人行横洞位置布置水平定向钻机,并利用所述定向钻机进行钻探;
在钻探完成后进行孔内连续摄像和地球物理测试以得到预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,其中,所述测试数据包括孔内涌水量、波速值、抗压强度值;
通过基于深度神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的孔内围岩节理状态图像进行特征提取以得到孔内围岩节理状态图像语义特征向量的序列;
对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量;
对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征;以及
基于所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征,确定隧道围岩级别标签。
根据本申请的实施例,其首先在钻探完成后采集预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,接着,对所述多个预定时间点的孔内围岩节理状态图像进行特征提取以得到孔内围岩节理状态图像语义特征向量的序列,然后,对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量,最后,基于对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析得到的围岩多参数特征嵌入孔内围岩节理状态语义关联特征确定隧道围岩级别标签。这样,可以实现围岩的力学性质和变形特性的评估。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估方法的流程图。
图2示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估方法的架构示意图。
图3示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估系统的框图。
图4示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,为了提高围岩级别评估判断的准确性,需要结合定向钻探和测试数据进行分析。定向钻探是一种能够获取孔内围岩信息的技术,可以提供孔内围岩的结构、节理状态等数据。地球物理测试则可以获取孔内的涌水量、波速值、抗压强度值等参数,这些参数对于评估围岩的性质和稳定性具有重要意义。具体来说,钻孔内涌水量是评估围岩水文地质条件的重要指标之一。通过分析钻孔内涌水量的大小、变化趋势和水质情况,可以初步判断围岩的渗透性和水文特征,从而评估围岩的稳定性和抗水能力。岩样抗压强度是评估围岩力学性质的关键参数之一。通过对岩样进行室内试验,获取其抗压强度数据,并结合岩石的岩性、结构特征等因素,可以评估围岩的强度、稳定性和变形特性。波速数据是评估围岩的岩石力学性质和岩石质量的重要指标之一。通过进行超声波或地震波测试,获取围岩的波速数据,可以初步判断围岩的坚硬程度、均质性和裂隙情况,从而评估围岩的力学性质和变形特性。
基于此,本申请的技术构思为在进行水平定向钻探后,通过孔内连续摄像和地球物理测试来采集孔内围岩节理状态图像和测试数据,并在后端引入图像处理技术和数据分析算法来进行这些数据的分析,以此来对于隧道围岩的级别进行评估判断。这样,可以充分利用孔内围岩的结构和性质信息,并结合地球物理测试数据,提高隧道围岩级别评估的准确性和可靠性。通过这样的方式,能够更好地指导隧道工程的设计和施工,提高施工效率和质量,并确保隧道工程的安全性和稳定性。
图1示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估方法的流程图。图2示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估方法的架构示意图。如图1和图2所示,根据本申请实施例的基于定向钻探及测试数据的隧道围岩级别评估方法,包括步骤:S110,在隧道紧急停车道或人行横洞位置布置水平定向钻机,并利用所述定向钻机进行钻探;S120,在钻探完成后进行孔内连续摄像和地球物理测试以得到预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,其中,所述测试数据包括孔内涌水量、波速值、抗压强度值;S130,通过基于深度神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的孔内围岩节理状态图像进行特征提取以得到孔内围岩节理状态图像语义特征向量的序列;S140,对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量;S150,对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征;以及,S160,基于所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征,确定隧道围岩级别标签。
应可以理解,在步骤S120中,测试数据包括孔内涌水量、波速值和抗压强度值,这些数据提供了关于围岩的结构和性质的信息。步骤S130的目的是将图像数据转换为计算机可以理解和处理的向量表示形式。应可以理解,在步骤S140中,对多个时间点的测试数据进行多参数时序关联特征分析,以获得隧道围岩的多参数时序关联特征向量,这些特征向量反映了测试数据在时间上的变化趋势和相互关系。步骤S150的目的是将图像特征和测试数据特征结合起来,提取围岩特征的更高级别的语义关联信息。步骤S160的目的是根据特征分析的结果,对隧道围岩进行级别评估,以便判断其稳定性和安全性。总体而言,这个方法通过结合定向钻探和测试数据,利用深度神经网络模型和特征分析技术,从不同维度获取围岩的信息,并将其用于评估隧道围岩的质量和稳定性。
具体地,在本申请的技术方案中,首先,在隧道紧急停车道或人行横洞位置布置水平定向钻机,并利用所述定向钻机进行钻探,并在钻探完成后进行孔内连续摄像和地球物理测试以得到预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,其中,所述测试数据包括孔内涌水量、波速值、抗压强度值。
然后,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的孔内围岩节理状态图像的特征挖掘,以分别提取出所述各个预定时间点的孔内围岩节理状态图像中关于隧道围岩的节理状态特征分布信息,从而得到孔内围岩节理状态图像语义特征向量的序列。不仅如此,通过这样的处理方式,还能够将时间维度的信息考虑进来,从而更全面地描述围岩的变化趋势和演化过程。这对于隧道围岩级别的评估非常重要,因为围岩的性质和稳定性可能会随着时间的推移而发生变化。
相应地,在步骤S130中,所述深度神经网络模型为卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,主要用于处理具有网格结构的数据。卷积神经网络通过使用卷积层(Convolutional Layer)和池化层(Pooling Layer)来提取输入数据的特征。卷积层通过应用一系列的卷积核(也称为滤波器)对输入数据进行卷积操作,从而捕捉输入数据的局部特征。池化层则用于减少特征图的空间尺寸,并保留最显著的特征。通常,卷积层和池化层会交替堆叠在一起,形成网络的主体部分。在卷积神经网络中,还可以包含其他类型的层,如全连接层(Fully ConnectedLayer)和激活函数层(Activation Layer)。全连接层用于将前面的层的输出连接到最后的输出层,以进行分类或回归任务。激活函数层则引入非线性变换,使网络能够学习更复杂的模式和特征。卷积神经网络通过反向传播算法进行训练,以优化网络中的参数,使其能够从训练数据中学习并提取出有用的特征。在计算机视觉任务中,卷积神经网络已经展现出出色的性能,能够自动学习和理解图像中的视觉特征,如边缘、纹理和形状等。在步骤S130中,使用基于卷积神经网络模型的围岩节理状态特征提取器,对孔内围岩节理状态图像进行特征提取,以获得孔内围岩节理状态图像的语义特征向量序列,这意味着卷积神经网络被用于从图像中提取围岩的特征,以便后续的分析和处理。
进一步地,考虑到在隧道工程中,所述测试数据,例如孔内涌水量、波速值和抗压强度值不仅都在时间维度上有着时序的动态变化规律,记录了隧道围岩在不同时间点的性质和状态,而且各项所述测试数据之间还具有着时序的关联关系。因此,为了更为全面地评估围岩的级别,需要考虑这些参数的时序关联性。基于此,在本申请的技术方案中,进一步将所述多个预定时间点的测试数据按照时间和样本维度排列为隧道围岩多参数时序矩阵后通过基于卷积神经网络模型的参数时序关联特征提取器中进行特征挖掘,以提取出所述各项测试数据之间在时间维度上的时序特征信息和相互关系,从而得到隧道围岩多参数时序关联特征向量。这样,能够捕捉到隧道围岩的测试参数随时间变化的趋势、规律和相互关系,为后续的围岩级别评估提供更全面和准确的特征表示。
相应地,在步骤S140中,对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量,包括:将所述多个预定时间点的测试数据按照时间和样本维度排列为隧道围岩多参数时序矩阵后通过基于卷积神经网络模型的参数时序关联特征提取器以得到所述隧道围岩多参数时序关联特征向量。
在围岩级别评估中,孔内围岩节理状态图像和测试数据都包含了对围岩性质和特征的重要信息。具体来说,孔内围岩节理状态图像通过图像的结构和纹理等特征反映了围岩的节理状态,而测试数据则提供了围岩的物理性质和参数值,这两种信息在评估围岩级别时都具有重要意义。为了充分利用这两种信息,需要将所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行融合。因此,在本申请的技术方案中,进一步将所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量通过特征嵌入模块以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量。应可以理解,通过所述特征嵌入模块进行特征融合嵌入处理,能够将所述围岩多参数时序关联特征嵌入到所述孔内围岩节理状态时序特征的高维空间中,从而能够更为全面地描述围岩的特征和性质,为隧道工程的设计和施工提供更可靠的指导。
相应地,在步骤S150中,对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征,包括:将所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量通过特征嵌入模块以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量作为所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征。
继而,再将所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类结果,所述分类结果用于表示隧道围岩级别标签。也就是说,利用所述围岩多参数时序关联特征嵌入孔内围岩节理状态语义特征的关联特征信息来进行分类处理,以此来对于隧道围岩的级别进行评估判断。这样,可以充分利用孔内围岩的结构和性质信息,并结合地球物理测试数据,提高隧道围岩级别评估的准确性和可靠性。
相应地,在步骤S160中,基于所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征,确定隧道围岩级别标签,包括:将所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类结果,所述分类结果用于表示隧道围岩级别标签。
更具体地,将所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类结果,所述分类结果用于表示隧道围岩级别标签,包括:使用所述分类器的全连接层对所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其还包括训练步骤:用于对所述基于卷积神经网络模型的围岩节理状态特征提取器、所述基于卷积神经网络模型的参数时序关联特征提取器、所述特征嵌入模块和所述分类器进行训练。应可以理解,训练步骤在基于定向钻探及测试数据的隧道围岩级别评估方法中具有重要作用。下面是训练步骤的几个用途:1.特征提取器训练:通过训练基于卷积神经网络模型的围岩节理状态特征提取器和参数时序关联特征提取器,模型可以学习从输入数据中提取有用的特征。这些特征可以捕捉到不同类型的围岩特征,如节理状态和参数时序关联,从而帮助后续的分类任务。2.特征嵌入模块训练:特征嵌入模块是将从特征提取器获取的特征进行组合和转换的部分。通过训练特征嵌入模块,模型可以学习如何将不同类型的特征进行有效的组合和表示,以便更好地表征围岩的性质和特征。3.分类器训练:分类器是用于将输入数据映射到围岩级别的部分。通过训练分类器,模型可以学习如何根据提取的特征对围岩进行准确的分类。分类器的训练可以通过监督学习的方式进行,使用已知的标记数据进行模型优化。通过整个训练过程,模型可以逐步学习如何从定向钻探及测试数据中提取有用的特征,并将这些特征用于准确地评估隧道围岩的级别。训练步骤的目标是优化模型的参数,使其能够在未见过的数据上具有良好的泛化能力,从而能够对新的隧道围岩进行准确的级别评估。
其中,在一个具体示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括在钻探完成后进行孔内连续摄像和地球物理测试得到的预定时间段内多个预定时间点的训练孔内围岩节理状态图像以及所述多个预定时间点的训练测试数据,以及,用于表示隧道围岩级别标签的真实值,其中,所述训练测试数据包括训练孔内涌水量、训练波速值、训练抗压强度值;通过基于深度神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的训练孔内围岩节理状态图像进行特征提取以得到训练孔内围岩节理状态图像语义特征向量的序列;对所述多个预定时间点的训练测试数据进行多参数时序关联特征分析以得到训练隧道围岩多参数时序关联特征向量;对所述训练孔内围岩节理状态图像语义特征向量的序列和所述训练隧道围岩多参数时序关联特征向量通过特征嵌入模块以得到训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;对所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行修正以得到修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;将所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类损失函数值;以及,基于所述分类损失函数值对所述基于卷积神经网络模型的围岩节理状态特征提取器、所述基于卷积神经网络模型的参数时序关联特征提取器、所述特征嵌入模块和所述分类器进行训练。
特别地,在本申请的技术方案中,所述训练孔内围岩节理状态图像语义特征向量的序列表达所述多个预定时间点的训练孔内围岩节理状态图像的图像语义特征,而所述训练隧道围岩多参数时序关联特征向量表达所述多个预定时间点的训练测试数据的时序-样本交叉维度局部关联特征,这样,将所述训练孔内围岩节理状态图像语义特征向量的序列和所述训练隧道围岩多参数时序关联特征向量通过特征嵌入模块后,可以使得所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量具有跨模态的多维度时序关联特征表示。
但是,考虑到时序关联特征的跨模态和跨维度特征分布差异会给所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量的整体特征表示带来局部特征分布稀疏化,即相对于整体高维特征流形的分布外稀疏化子流形,这会使得在将所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器进行类概率回归映射时,所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量到概率空间内的预定类概率类别表示的收敛性差,影响分类结果的准确性。因此,优选地,对所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行修正。
相应地,在一个示例中,对所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行修正以得到修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量,包括:以如下修正公式对所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行修正以得到所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;其中,所述修正公式为:其中,/>是所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量,/>是所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量/>的第/>个位置的特征值,/>表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,/>是所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量的第/>个位置的特征值。
也就是,通过基于重概率的正则化来处理高维特征空间内的稀疏分布,以激活所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量在高维特征空间内的几何流形到概率空间的自然分布转移,从而通过对所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式,提高具有高空间稀疏性的复杂高维特征流形在预定类概率下的类别收敛性,从而提升所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量/>通过分类器得到的分类结果的准确性。这样,能够根据孔内围岩的结构和性质信息,并结合地球物理测试数据来对于隧道围岩的级别进行评估判断,以此来提高隧道围岩级别评估的准确性和可靠性,从而有利于更好地指导隧道工程的设计和施工,提高施工效率和质量,并确保隧道工程的安全性和稳定性。
进一步地,将所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类损失函数值,包括:使用所述分类器以如下训练分类公式对所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行处理以得到训练分类结果;其中,所述训练分类公式为:;其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
综上,基于本申请实施例的基于定向钻探及测试数据的隧道围岩级别评估方法,其可以充分利用孔内围岩的结构和性质信息,并结合地球物理测试数据,提高隧道围岩级别评估的准确性和可靠性。
图3示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估系统100的框图。如图3所示,根据本申请实施例的基于定向钻探及测试数据的隧道围岩级别评估系统100,包括:钻探模块110,用于在隧道紧急停车道或人行横洞位置布置水平定向钻机,并利用所述定向钻机进行钻探;数据获取模块120,用于在钻探完成后进行孔内连续摄像和地球物理测试以得到预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,其中,所述测试数据包括孔内涌水量、波速值、抗压强度值;图像特征提取模块130,用于通过基于深度神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的孔内围岩节理状态图像进行特征提取以得到孔内围岩节理状态图像语义特征向量的序列;数据多参数时序关联特征分析模块140,用于对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量;嵌入式关联分析模块150,用于对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征;以及,级别标签判断模块160,用于基于所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征,确定隧道围岩级别标签。
在一种可能的实现方式中,所述深度神经网络模型为卷积神经网络模型。
这里,本领域技术人员可以理解,上述基于定向钻探及测试数据的隧道围岩级别评估系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于定向钻探及测试数据的隧道围岩级别评估方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于定向钻探及测试数据的隧道围岩级别评估系统100可以实现在各种无线终端中,例如具有基于定向钻探及测试数据的隧道围岩级别评估算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于定向钻探及测试数据的隧道围岩级别评估系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于定向钻探及测试数据的隧道围岩级别评估系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于定向钻探及测试数据的隧道围岩级别评估系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于定向钻探及测试数据的隧道围岩级别评估系统100与该无线终端也可以是分立的设备,并且该基于定向钻探及测试数据的隧道围岩级别评估系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图4示出根据本申请的实施例的基于定向钻探及测试数据的隧道围岩级别评估方法的应用场景图。如图4所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的孔内围岩节理状态图像(例如,图4中所示意的D1),以及,所述多个预定时间点的测试数据(例如,图4中所示意的D2),其中,所述测试数据包括孔内涌水量、波速值、抗压强度值,然后,将所述多个预定时间点的孔内围岩节理状态图像和所述多个预定时间点的测试数据输入至部署有基于定向钻探及测试数据的隧道围岩级别评估算法的服务器(例如,图4中所示意的S)中,其中,所述服务器能够使用所述基于定向钻探及测试数据的隧道围岩级别评估算法对所述多个预定时间点的孔内围岩节理状态图像和所述多个预定时间点的测试数据进行处理以得到用于表示隧道围岩级别标签的分类结果。
应可以理解,在勘察阶段根据隧道物探和地面钻探等地质资料计算的围岩级别往往与实际开挖情况有差别。主要原因是地面物探结果精度不够、钻孔间隔较大及隧道围岩复杂造成的。在施工过程中,在隧道紧急停车道或人行横洞位置布置水平定向钻机,在隧道掌子面外沿或连拱隧道的中心位置实施水平定向钻探,钻探过程中取芯取样,钻探完成后进行孔内连续摄像及地球物理测试(包括声波、电阻率、自然伽马等参数)。其步骤包括:1、观测孔内涌水量;2、测定岩样抗压强度Rc和波速Vp;3、根据孔内摄像统计围岩节理情况;4、根据孔内波速测试结果及岩块波速测试结果,计算围岩完整性Kv.;5、根据规范初步分级:BQ=90+3Rc+250Kv,当Rc>90Kv+30时,应以Rc=90Kv+30和Kv代入计算BQ值,当Kv>0.04Rc+0.4时,应以Kv=0.04Rc+0.4和Rc代入计算BQ值;6、根据规范详细分级。
在修正BQ值时:当有以下3方面影响时,应予修正:①地下水K1,根据实测孔内涌水量确定;②软弱结构面K2,根据钻孔电视节理统计结果确定;③高初始地应力K3,根据钻进参数等确定。[BQ]=修正BQ值=BQ-100(K1+K2+K3);K1~K3各值可查公路隧道规范。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,包括:
在隧道紧急停车道或人行横洞位置布置水平定向钻机,并利用所述定向钻机进行钻探;
在钻探完成后进行孔内连续摄像和地球物理测试以得到预定时间段内多个预定时间点的孔内围岩节理状态图像以及所述多个预定时间点的测试数据,其中,所述测试数据包括孔内涌水量、波速值、抗压强度值;
通过基于深度神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的孔内围岩节理状态图像进行特征提取以得到孔内围岩节理状态图像语义特征向量的序列;
对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量;
对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征;以及
基于所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征,确定隧道围岩级别标签。
2.根据权利要求1所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,对所述多个预定时间点的测试数据进行多参数时序关联特征分析以得到隧道围岩多参数时序关联特征向量,包括:
将所述多个预定时间点的测试数据按照时间和样本维度排列为隧道围岩多参数时序矩阵后通过基于卷积神经网络模型的参数时序关联特征提取器以得到所述隧道围岩多参数时序关联特征向量。
4.根据权利要求3所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,对所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量进行嵌入式关联分析以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征,包括:
将所述孔内围岩节理状态图像语义特征向量的序列和所述隧道围岩多参数时序关联特征向量通过特征嵌入模块以得到围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量作为所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征。
5.根据权利要求4所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,基于所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征,确定隧道围岩级别标签,包括:
将所述围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类结果,所述分类结果用于表示隧道围岩级别标签。
6.根据权利要求5所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,还包括训练步骤:用于对所述基于卷积神经网络模型的围岩节理状态特征提取器、所述基于卷积神经网络模型的参数时序关联特征提取器、所述特征嵌入模块和所述分类器进行训练。
7.根据权利要求6所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括在钻探完成后进行孔内连续摄像和地球物理测试得到的预定时间段内多个预定时间点的训练孔内围岩节理状态图像以及所述多个预定时间点的训练测试数据,以及,用于表示隧道围岩级别标签的真实值,其中,所述训练测试数据包括训练孔内涌水量、训练波速值、训练抗压强度值;
通过基于深度神经网络模型的围岩节理状态特征提取器分别对所述多个预定时间点的训练孔内围岩节理状态图像进行特征提取以得到训练孔内围岩节理状态图像语义特征向量的序列;
对所述多个预定时间点的训练测试数据进行多参数时序关联特征分析以得到训练隧道围岩多参数时序关联特征向量;
对所述训练孔内围岩节理状态图像语义特征向量的序列和所述训练隧道围岩多参数时序关联特征向量通过特征嵌入模块以得到训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;
对所述训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行修正以得到修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;
将所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类损失函数值;以及
基于所述分类损失函数值对所述基于卷积神经网络模型的围岩节理状态特征提取器、所述基于卷积神经网络模型的参数时序关联特征提取器、所述特征嵌入模块和所述分类器进行训练。
8.根据权利要求7所述的基于定向钻探及测试数据的隧道围岩级别评估方法,其特征在于,将所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量通过分类器以得到分类损失函数值,包括:
使用所述分类器以如下训练分类公式对所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量进行处理以得到训练分类结果;其中,所述训练分类公式为:;其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为所述修正后训练围岩多参数特征嵌入孔内围岩节理状态语义关联特征向量;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592050.9A CN117292148B (zh) | 2023-11-27 | 2023-11-27 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592050.9A CN117292148B (zh) | 2023-11-27 | 2023-11-27 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292148A true CN117292148A (zh) | 2023-12-26 |
CN117292148B CN117292148B (zh) | 2024-02-09 |
Family
ID=89244830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311592050.9A Active CN117292148B (zh) | 2023-11-27 | 2023-11-27 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292148B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
CN117943213A (zh) * | 2024-03-27 | 2024-04-30 | 浙江艾领创矿业科技有限公司 | 微泡浮选机的实时监测预警系统及方法 |
CN117943213B (zh) * | 2024-03-27 | 2024-06-04 | 浙江艾领创矿业科技有限公司 | 微泡浮选机的实时监测预警系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018103324A1 (zh) * | 2016-12-05 | 2018-06-14 | 中国矿业大学 | 基于激光测距仪的巷道顶板岩体质量等级的随钻探测装置及方法 |
CN109765097A (zh) * | 2018-12-21 | 2019-05-17 | 中铁三局集团有限公司 | 一种基于rpd钻机的隧道围岩快速分类方法 |
JP6612196B2 (ja) * | 2016-07-27 | 2019-11-27 | 日本システムウエア株式会社 | 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム |
AU2020103542A4 (en) * | 2020-11-19 | 2021-02-04 | China University Of Geosciences(Wuhan) | System for evaluating rockmass grade |
CN112326925A (zh) * | 2020-10-18 | 2021-02-05 | 西南科技大学 | 基于物元分析的评价隧道围岩稳定性的方法 |
CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113553763A (zh) * | 2021-07-12 | 2021-10-26 | 中铁二十局集团有限公司 | 一种隧道围岩快速分级方法和系统 |
CN114972384A (zh) * | 2022-06-08 | 2022-08-30 | 沈阳工业大学 | 一种基于深度学习的隧道岩体智能快速区域分级方法 |
CN116229354A (zh) * | 2023-01-09 | 2023-06-06 | 中交隧道工程局有限公司 | 基于特征参数自动提取的掌子面图像围岩等级辨识方法 |
CN116241327A (zh) * | 2022-11-30 | 2023-06-09 | 山东大学 | 一种隧道掌子面稳定性监测方法及系统 |
-
2023
- 2023-11-27 CN CN202311592050.9A patent/CN117292148B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6612196B2 (ja) * | 2016-07-27 | 2019-11-27 | 日本システムウエア株式会社 | 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム |
WO2018103324A1 (zh) * | 2016-12-05 | 2018-06-14 | 中国矿业大学 | 基于激光测距仪的巷道顶板岩体质量等级的随钻探测装置及方法 |
CN109765097A (zh) * | 2018-12-21 | 2019-05-17 | 中铁三局集团有限公司 | 一种基于rpd钻机的隧道围岩快速分类方法 |
CN112326925A (zh) * | 2020-10-18 | 2021-02-05 | 西南科技大学 | 基于物元分析的评价隧道围岩稳定性的方法 |
AU2020103542A4 (en) * | 2020-11-19 | 2021-02-04 | China University Of Geosciences(Wuhan) | System for evaluating rockmass grade |
CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113553763A (zh) * | 2021-07-12 | 2021-10-26 | 中铁二十局集团有限公司 | 一种隧道围岩快速分级方法和系统 |
CN114972384A (zh) * | 2022-06-08 | 2022-08-30 | 沈阳工业大学 | 一种基于深度学习的隧道岩体智能快速区域分级方法 |
CN116241327A (zh) * | 2022-11-30 | 2023-06-09 | 山东大学 | 一种隧道掌子面稳定性监测方法及系统 |
CN116229354A (zh) * | 2023-01-09 | 2023-06-06 | 中交隧道工程局有限公司 | 基于特征参数自动提取的掌子面图像围岩等级辨识方法 |
Non-Patent Citations (2)
Title |
---|
YANG GANG等: "Intelligent rating method of tunnel surrounding rock based on one-dimensional convolutional neural network", 《JOURNAL OF INTELLIGENT & FUZZY SYSTEMS》, vol. 42, no. 3, pages 2451 - 2469 * |
柳厚祥;李汪石;查焕奕;蒋武军;许腾;: "基于深度学习技术的公路隧道围岩分级方法", 岩土工程学报, no. 10, pages 57 - 65 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
CN117351659B (zh) * | 2023-12-01 | 2024-02-20 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
CN117943213A (zh) * | 2024-03-27 | 2024-04-30 | 浙江艾领创矿业科技有限公司 | 微泡浮选机的实时监测预警系统及方法 |
CN117943213B (zh) * | 2024-03-27 | 2024-06-04 | 浙江艾领创矿业科技有限公司 | 微泡浮选机的实时监测预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117292148B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN106405640B (zh) | 基于深度信念神经网络的微震信号到时自动拾取方法 | |
CN106407649B (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
CN110084195B (zh) | 基于卷积神经网络的遥感图像目标检测方法 | |
EP3947905B1 (en) | Machine-learning based fracture-hit detection using low-frequency das signal | |
CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
CN116168295B (zh) | 一种岩性遥感智能解译模型建立方法及解译方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN113792685B (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
CN109614883A (zh) | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 | |
CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
CN110837111B (zh) | 地震数据插值方法及系统 | |
CN114187530A (zh) | 基于神经网络结构搜索的遥感图像变化检测方法 | |
CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
Fakhri et al. | Road crack detection using gaussian/prewitt filter | |
CN104751174A (zh) | 基于超向量编码的极化sar图像分类方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN116597193A (zh) | 面向隧道智能建造的掌子面无人化地质编录方法及系统 |
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 |