CN117371111A - 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 - Google Patents
基于深度神经网络和数值仿真的tbm卡机预测系统及方法 Download PDFInfo
- Publication number
- CN117371111A CN117371111A CN202311553224.0A CN202311553224A CN117371111A CN 117371111 A CN117371111 A CN 117371111A CN 202311553224 A CN202311553224 A CN 202311553224A CN 117371111 A CN117371111 A CN 117371111A
- Authority
- CN
- China
- Prior art keywords
- card machine
- tbm
- numerical simulation
- machine
- neural network
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000005641 tunneling Effects 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 10
- 239000011435 rock Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- -1 lithology Substances 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 5
- 238000012669 compression test Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于深度神经网络和数值仿真的TBM卡机预测方法及系统,属于隧道掘进技术领域,包括以下步骤:利用数值仿真技术,构建卡机数值样本库;基于所述卡机数值样本库利用CNN和Transformer,建立卡机预测模型;利用卡机预测模型,实现对TBM卡机的实时监测和预警。本发明实现了对TBM卡机的实时监测和预警,减轻或避免卡机现象的发生,提高了TBM施工的安全性和效率。
Description
技术领域
本发明属于隧道掘进技术领域,具体涉及一种基于深度神经网络和数值仿真的TBM卡机预测系统及方法。
背景技术
TBM(全断面隧道掘进机)是一种用于隧道施工的专用工程机械,具有高效、安全、环保等优点。但是,TBM在遇到复杂地质条件时,容易发生卡机现象,即TBM的刀盘或护盾被围岩挤压或堵塞,无法正常转动或推进,造成施工延误、设备损坏、安全事故等严重后果。因此,如何去预测TBM卡机是现在主要面对的问题,目前国内外已经形成了对TBM卡机预测方面的技术:
1.基于地质勘察和地质预报的技术,这种技术通过对隧道沿线的地质条件进行详细的勘察和预报,分析TBM可能遇到的不良地质段。
2.基于数值模拟的技术。这种技术通过建立TBM与围岩的力学模型,模拟TBM在不同地质条件下的掘进过程,分析围岩的应力变化、变形特征、稳定性等,从而预测TBM的卡机位置、类型、程度等,为施工提供参考。
3.基于机器学习的技术。这种技术通过收集TBM的实时数据利用机器学习的算法,建立TBM卡机的预测模型,实现对卡机的实时监测和预警。
然而,现有的TBM卡机预测技术仍存在一些问题和不足,主要表现在以下几个方面:
1.基于地质勘察和地质预报的技术,虽然能够提前了解隧道沿线的地质情况,但是由于地质勘察和预报的精度和范围有限,难以覆盖所有的地质变化,因此难以对TBM卡机进行精确和及时的预测和预防。
2.基于数值模拟的技术,虽然能够模拟TBM与围岩的相互作用,但是由于数值模拟在面对动态的掘金过程中的复杂度和计算量较大,难以实现对TBM卡机的实时和动态的预测和预警。
3.基于机器学习的技术,虽然能够利用TBM的实时数据进行预测和预警,但是由于工程中应用机器学习存在的监测样本少和不均衡问题,以及机器学习算法的局限性,难以实现对TBM卡机的准确和稳定的预测和预警。
4.同一山体不同地质结构,不同掘进程度无法进行实施预测。
发明内容
针对现有技术的问题和不足,本发明提出了一种基于深度神经网络和数值仿真的TBM卡机预测方法及系统,旨在提高TBM卡机预测的准确性、实时性和稳定性,为TBM施工提供更有效的技术支持。
本发明的技术方案如下:
一种基于深度神经网络和数值仿真的TBM卡机预测方法,包括以下步骤:
利用数值仿真技术,构建卡机数值样本库;
基于所述卡机数值样本库利用CNN和Transformer,建立卡机预测模型;
利用卡机预测模型,实现对TBM卡机的实时监测和预警。
进一步地,构建卡机数值样本库具体为:
建立TBM与围岩的力学模型,根据TBM的机械参数以及围岩的地质参数,设置合理的边界条件和加载条件,模拟TBM在不同地质条件下的掘进过程;
设置不同卡机影响因素的取值范围,根据设计的正交试验方案,生成不同的数值仿真方案。
进一步地,所述TBM的机械参数包括刀盘扭矩、刀盘转速、贯入度和刀盘推进力;
所述围岩的地质参数包括抗压强度、弹性模量、弹性波速和含水量。
进一步地,卡机的影响因素包括岩石的抗压强度、弹性模量、弹性波速、含水量和完整性系数以及TBM刀盘扭矩、刀盘转速、贯入度和刀盘推进力。
进一步地,建立卡机预测模型具体为:
根据数值仿真方案,运行数值仿真模型,计算每种结构下围岩的围岩应力变化、变形特征和稳定性以及TBM的卡机程度,建立卡机风险判别指标,标定每个方案的卡机风险等级;
将每个方案的卡机影响因素、卡机风险判别指标和卡机风险等级作为一个数值样本,存储在卡机数值样本库中,作为Transformer的训练数据;获取不同地质结构的B-scan图作为训练CNN的训练数据;
利用卡机数值样本库,对Transformer进行训练,通过反向传播算法,更新网络的权重和偏置,使得网络的输出值与样本的真实值之间的误差最小化,得到卡机预测模型。
进一步地,利用卡机预测模型,实现对TBM卡机的实时监测和预警具体为:
先用地质雷达勘探判断地质结构,将地质结构输入到训练好的CNN模型,得到CNN模型输出的卡机权重;然后通过传感器收集TBM的实时数据如刀盘扭矩、推力、转速、出碴量,以及围岩的地质参数如岩性、含水量、抗压强度;
将CNN模型输出的卡机权重、TBM的实时数据和围岩的地质参数作为文本数值输入卡机预测模型的输入数据;
将输入数据传输到卡机预测系统,通过卡机预测模型,计算出卡机风险判别指标和卡机风险等级的预测值,作为卡机预测模型的输出数据;
根据输出数据,对TBM卡机进行实时监测和预警。
进一步地,所述卡机风险判别指标为:
其中,Vt是t时刻的TBM刀盘转速,σt是在CNN中根据地质结构卡机的概率。
进一步地,所述数值仿真技术为有限差分法,所述数值仿真软件为FLAC 3D。
本发明还提供一种基于深度神经网络和数值仿真的TBM卡机预测系统,包括以下组件:
传感器和监测设备,用于收集TBM的实时数据围岩的地质参数;
卡机预测模型,用于根据输入数据,计算出卡机风险判别指标和卡机风险等级的预测值,作为卡机预测模型的输出数据。
本发明的技术效果:
本发明利用数值仿真技术,构建了一个包含不同卡机影响因素和卡机风险等级的数值样本库,克服了现场数据的缺乏和不可靠的问题,提高了卡机预测的数据质量和数量;
采用深度神经网络,结合了卷积神经网络(CNN)和Transformer的优势,能够有效地处理TBM卡机预测的时序数据、非线性关系和高维特征,提高了卡机预测的准确性和实时性;
通过交叉验证和网格搜索的方法,自动寻找了最优的网络结构和参数,避免了人为的调参和选择,提高了卡机预测的稳定性和可靠性;实现了对TBM卡机的实时监测和预警,通过可视化界面,显示TBM的掘进状态、卡机位置、类型、程度等,以及卡机风险等级的变化趋势,通过声光信号,提醒施工人员注意卡机风险,通过智能控制,调整TBM的掘进参数,减轻或避免卡机现象的发生,提高了TBM施工的安全性和效率。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为本发明实施例中的训练TBM刀盘卡机的流程图;
图2为本发明实例中利用已经训练好的CNN的流程图:
图3为本发明实例中中利用已经训练好的Transformer流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1-图3所示,本实施例的具体步骤如下:
利用数值仿真技术,构建卡机数值样本库,包括以下子步骤:根据TBM的结构、参数和工况,以及围岩的地质参数,以及围岩建构参数,设置合理的边界条件和加载条件,模拟TBM在不同地质条件下的掘进过程。采用FLAC 3D软件进行数值仿真,设置不同卡机影响因素的取值范围,如围岩的岩性、含水量、抗压强度等,以及TBM的刀盘扭矩、推力、转速、出碴量等,根据设计的正交试验方案,生成不同的数值仿真方案。根据数值仿真方案,运行数值仿真模型,计算每个方案下的围岩应力变化、变形特征、稳定性等,以及TBM的卡机程度,建立卡机风险判别指标,保存训练集为了训练深度神经网络。
利用深度神经网络,建立卡机预测模型,包括以下子步骤:设计深度神经网络的结构,采用CNN和Transformer的结合,能够有效地处理TBM卡机预测的时序数据、非线性关系和高维特征。具体地说,CNN用于输入地质结构并提取特征,得出单一地质结构不同地质位置发生TBM卡机的权重,然后再与TBM的机械参数与围岩的地质参数特征向量化结合共同输入Transformer模型,Transformer用于捕捉卡机风险判别指标的动态变化,输出t时刻的TBM刀盘的转速,然后根据卡机模型的判别,最后通过一个全连接层输出卡机风险等级的预测值;
具体的,选择深度神经网络的参数,如学习率、损失函数、优化器等,以及网络结构的参数,如层数、节点数、激活函数等,或者利用交叉验证、网格搜索等方法,自动寻找最优的参数,从而提高网络的拟合能力和预测精度;
具体的,利用卡机数值样本库,对深度神经网络进行训练,通过反向传播算法,更新网络的权重和偏置,使得网络的输出值与样本的真实值之间的误差最小化,从而得到一个能够准确预测卡机风险等级的卡机预测模型;
具体的,利用卡机数值样本库,对深度神经网络进行测试,通过计算网络的输出值与样本的真实值之间的误差,评估网络的预测性能,如准确率、召回率、F1值等,从而验证网络的有效性和稳定性。
利用卡机预测模型,实现对TBM卡机的实时监测和预警,包括以下子步骤:先用地质雷达勘探判断地质结构,然后在TBM施工现场,安装相应的传感器和监测设备,收集TBM的实时数据,如刀盘扭矩、推力、转速、出碴量等,以及围岩的地质参数,如岩性、含水量、抗压强度等,作为卡机预测模型的输入数据,将输入数据传输到卡机预测系统,根据预测出来的t时刻的值与t+1时刻的Newv的比值是判断是否卡机。计算出卡机风险判别指标和卡机风险等级的预测。根据输出数据,对TBM卡机进行实时监测和预警,通过可视化界面,显示TBM的掘进状态、卡机位置、类型、程度等,以及卡机风险等级的变化趋势,通过声光信号,提醒施工人员注意卡机风险,通过智能控制,调整TBM的掘进参数,减轻或避免卡机现象的发生;
具体的,用激发激化法获得围岩的电阻率参数,运用电阻率法来测量山体含水量,通过TST获得岩体的纵波波速、通过对岩芯进行通过超前钻探获得岩芯,获取岩芯纵波波速,继而计算岩石的完整性系数,通过对选择不同阶段,岩石的单轴压缩试验来计算抗压强度,通过三轴压缩试验来测量岩石的弹性模量。
以上所述,仅为本发明优选的具体实施方式,但本发明的保护范围不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,包括以下步骤:
利用数值仿真技术,构建卡机数值样本库;
基于所述卡机数值样本库利用CNN和Transformer,建立卡机预测模型;
利用卡机预测模型,实现对TBM卡机的实时监测和预警。
2.根据权利要求1所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,构建卡机数值样本库具体为:
建立TBM与围岩的力学模型,根据TBM的机械参数以及围岩的地质参数,设置合理的边界条件和加载条件,模拟TBM在不同地质条件下的掘进过程;
设置不同卡机影响因素的取值范围,根据设计的正交试验方案,生成不同的数值仿真方案。
3.根据权利要求2所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,
所述TBM的机械参数包括刀盘扭矩、刀盘转速、贯入度和刀盘推进力;
所述围岩的地质参数包括抗压强度、弹性模量、弹性波速和含水量。
4.根据权利要求2所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,
卡机的影响因素包括岩石的抗压强度、弹性模量、弹性波速、含水量和完整性系数以及TBM刀盘扭矩、刀盘转速、贯入度和刀盘推进力。
5.根据权利要求1所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,建立卡机预测模型具体为:
根据数值仿真方案,运行数值仿真模型,计算每种结构下围岩的围岩应力变化、变形特征和稳定性以及TBM的卡机程度,建立卡机风险判别指标,标定每个方案的卡机风险等级;
将每个方案的卡机影响因素、卡机风险判别指标和卡机风险等级作为一个数值样本,存储在卡机数值样本库中,作为Transformer的训练数据;获取不同地质结构的B-scan图作为训练CNN的训练数据;
利用卡机数值样本库,对Transformer进行训练,通过反向传播算法,更新网络的权重和偏置,使得网络的输出值与样本的真实值之间的误差最小化,得到卡机预测模型。
6.根据权利要求1所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,利用卡机预测模型,实现对TBM卡机的实时监测和预警具体为:
先用地质雷达勘探判断地质结构,将地质结构输入到训练好的CNN模型,得到CNN模型输出的卡机权重;然后收集TBM的实时数据如刀盘扭矩、推力、转速、出碴量,以及围岩的地质参数如岩性、含水量、抗压强度;
将CNN模型输出的卡机权重、TBM的实时数据和围岩的地质参数作为卡机预测模型的输入数据;
将输入数据传输到卡机预测系统,通过卡机预测模型,计算出卡机风险判别指标和卡机风险等级的预测值,作为卡机预测模型的输出数据;
根据输出数据,对TBM卡机进行实时监测和预警。
7.根据权利要求5所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,所述卡机风险判别指标为:
其中,Vt是t时刻的TBM刀盘转速,σt是在CNN中根据地质结构卡机的概率。
8.根据权利要求1所述的基于深度神经网络和数值仿真的TBM卡机预测方法,其特征在于,所述数值仿真技术为有限差分法,所述数值仿真软件为FLAC 3D。
9.一种基于深度神经网络和数值仿真的TBM卡机预测系统,其特征在于,包括以下组件:
传感器和监测设备,用于收集TBM的实时数据围岩的地质参数;
卡机预测模型,用于根据输入数据,计算出卡机风险判别指标和卡机风险等级的预测值,作为卡机预测模型的输出数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311553224.0A CN117371111A (zh) | 2023-11-21 | 2023-11-21 | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311553224.0A CN117371111A (zh) | 2023-11-21 | 2023-11-21 | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117371111A true CN117371111A (zh) | 2024-01-09 |
Family
ID=89398511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311553224.0A Pending CN117371111A (zh) | 2023-11-21 | 2023-11-21 | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371111A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615908A (zh) * | 2015-03-11 | 2015-05-13 | 重庆大学 | 一种考虑空间效应的围岩位移释放系数确定方法 |
WO2020199290A1 (zh) * | 2019-04-04 | 2020-10-08 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法 |
CN111832821A (zh) * | 2020-07-09 | 2020-10-27 | 山东大学 | 一种tbm卡机风险预测方法及系统 |
CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 |
CN112765791A (zh) * | 2021-01-04 | 2021-05-07 | 清华大学 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
CN114996983A (zh) * | 2022-01-27 | 2022-09-02 | 同济大学 | 一种软岩隧道可靠性评价方法 |
CN115142865A (zh) * | 2022-05-30 | 2022-10-04 | 中铁隧道局集团有限公司 | 一种风化花岗岩地层tbm刀盘卡机预测方法及系统 |
WO2023024920A1 (zh) * | 2021-08-24 | 2023-03-02 | 华为云计算技术有限公司 | 模型训练方法、系统、集群及介质 |
CN116842841A (zh) * | 2023-07-03 | 2023-10-03 | 招商局重庆交通科研设计院有限公司 | 基于人工智能的沉管隧道服役状态预测方法 |
-
2023
- 2023-11-21 CN CN202311553224.0A patent/CN117371111A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615908A (zh) * | 2015-03-11 | 2015-05-13 | 重庆大学 | 一种考虑空间效应的围岩位移释放系数确定方法 |
WO2020199290A1 (zh) * | 2019-04-04 | 2020-10-08 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法 |
CN111832821A (zh) * | 2020-07-09 | 2020-10-27 | 山东大学 | 一种tbm卡机风险预测方法及系统 |
CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 |
CN112765791A (zh) * | 2021-01-04 | 2021-05-07 | 清华大学 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
WO2023024920A1 (zh) * | 2021-08-24 | 2023-03-02 | 华为云计算技术有限公司 | 模型训练方法、系统、集群及介质 |
CN114996983A (zh) * | 2022-01-27 | 2022-09-02 | 同济大学 | 一种软岩隧道可靠性评价方法 |
CN115142865A (zh) * | 2022-05-30 | 2022-10-04 | 中铁隧道局集团有限公司 | 一种风化花岗岩地层tbm刀盘卡机预测方法及系统 |
CN116842841A (zh) * | 2023-07-03 | 2023-10-03 | 招商局重庆交通科研设计院有限公司 | 基于人工智能的沉管隧道服役状态预测方法 |
Non-Patent Citations (1)
Title |
---|
李业民;徐东博;韩佳霖;洪志斌;侯德超;: "TBM巷道开挖卡机风险分析", 科技传播, no. 01, 8 January 2014 (2014-01-08), pages 99 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
CN104914465B (zh) | 火山岩裂缝定量预测方法及装置 | |
CN109978226B (zh) | 基于循环神经网络的盾构施工地面沉降预测方法 | |
CN107748103A (zh) | 一种隧道岩爆预测方法、设备、存储介质和系统 | |
CN102089497B (zh) | 使用被动地震发射监视生产油田中沿着流动通路移动的储层流体 | |
CN112485823B (zh) | 高效综合超前地质预报方法 | |
Fan et al. | Advanced stability analysis of the tunnels in jointed rock mass based on TSP and DEM | |
Guo et al. | Advance prediction of collapse for TBM tunneling using deep learning method | |
US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
CN107817520A (zh) | 海相泥页岩地层的压力系数预测方法及系统 | |
CN110515117A (zh) | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 | |
CN112965136A (zh) | 一种富水岩溶隧道的多手段超前探测方法 | |
CN113175302A (zh) | 一种岩体质量智能感知小型钻机系统及评估方法 | |
Lupogo | Characterization of blast damage in rock slopes: an integrated field-numerical modeling approach | |
CN111551985A (zh) | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 | |
CN117348075A (zh) | 一种河谷应力场低埋型岩爆判定方法和装置 | |
CN115099111B (zh) | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 | |
CN117371111A (zh) | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 | |
CN114943149A (zh) | 一种隧道内岩爆损伤岩体体积的计算方法 | |
FANG et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
CN113655118A (zh) | 一种基于动弹模量监测的边坡开挖稳定性评价方法 | |
Yu-wei et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
JPH09317372A (ja) | 岩盤探査方法 | |
CN112064617A (zh) | 一种土石混合料地基质量检测方法 | |
Li | Research on the identification method of lithology drilling with PDC bit |
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 |