CN117540476A - 极硬岩隧道结构面及其不利组合空间分布预测方法及系统 - Google Patents
极硬岩隧道结构面及其不利组合空间分布预测方法及系统 Download PDFInfo
- Publication number
- CN117540476A CN117540476A CN202311563838.7A CN202311563838A CN117540476A CN 117540476 A CN117540476 A CN 117540476A CN 202311563838 A CN202311563838 A CN 202311563838A CN 117540476 A CN117540476 A CN 117540476A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- face
- structural surface
- spatial distribution
- hard rock
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000011161 development Methods 0.000 claims description 16
- 230000002411 adverse Effects 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000009412 basement excavation Methods 0.000 claims description 7
- 238000013467 fragmentation Methods 0.000 claims description 7
- 238000006062 fragmentation reaction Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 4
- 206010016173 Fall Diseases 0.000 claims description 3
- 241000220317 Rosa Species 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001028 reflection method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 24
- 239000013589 supplement Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 235000019239 indanthrene blue RS Nutrition 0.000 description 1
- UHOKSCJSTAHBSO-UHFFFAOYSA-N indanthrone blue Chemical compound C1=CC=C2C(=O)C3=CC=C4NC5=C6C(=O)C7=CC=CC=C7C(=O)C6=CC=C5NC4=C3C(=O)C2=C1 UHOKSCJSTAHBSO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Civil Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种极硬岩隧道结构面及其不利组合空间分布预测方法及系统,选取目标极硬岩隧道为预测对象;提取隧道掌子面前方预设范围内的结构面产状及特征数据;将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,对预先构建的评价指标体系进行赋值,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示。本发明可对极硬岩隧道结构面及其不利组合的超前预报手段进行有效补充,提高了超前地质预报精度;可指导施工单位开展靶向支护,加快施工进度,降低施工成本,降低隧道施工中施工作业人员的风险,与倡导的以人为本的施工理念相一致。
Description
技术领域
本发明涉及隧道工程超前地质预报技术领域,具体涉及一种极硬岩隧道结构面及其不利组合空间分布预测方法及系统。
背景技术
高原铁路长大段落通过花岗岩、片麻岩等极硬岩地层,受构造影响,掌子面裂隙常具有延伸性好、结构面平整光滑等特点,易形成导水通道,当多组结构面相互切割,常在拱顶及两侧边墙形成楔形体、顺层等不利结构面组合,极易导致围岩坍塌、掉块。因此,研判主要结构面的空间分布情况,提前分析结构面及其组合对施工的影响显得尤其重要。
目前隧道超前地质预报结论主要是对掌子面前方段落的整体性、稳定性评价,导致实际施工时需要整个掌子面进行超前加固,这就会花费大量的人力、物力成本,造成一定程度的资源浪费;根据现有的铁路隧道超前预报方法,难以对极硬岩隧道结构面空间分布特征进行预测,对坍塌、掉块风险高的区域做不到专项提示,进而影响人机安全及作业进度;当前预报手段主要是对掌子面轮廓线以内的地质情况进行预报,而在实际工作中,不利结构面及其组合常在拱顶及两侧边墙形成不良地质体,当前预报的空间范围存在一定的局限性。
发明内容
本申请提供一种极硬岩隧道结构面及其不利组合空间分布预测方法及系统,以解决现有铁路隧道超前预报方法存在的预报技术精准度不足,超前支护采取拱顶环向施工,造成人力物力资源浪费,难以对极硬岩隧道结构面空间分布特征进行预测,预报的空间范围存在一定的局限性等的问题。
根据第一方面,一种实施例中提供一种极硬岩隧道结构面及其不利组合空间分布预测方法,所述方法包括:
收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;
基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;
将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。
进一步地,收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸,具体包括:
收集区域工程地质、水文地质等资料,结合隧道工程的设置及前期钻探成果、物探成果、勘察报告等勘谈资料,研判域内地质构造、地层岩性及节理裂隙发育程度,选取极硬岩,围岩节理裂隙较发育,岩体较破碎的Ⅲ围岩为预测段落。
进一步地,基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据,具体包括:
结合物探资料,包括地震波发射法、地质雷达法、瞬变电磁法的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认;
参考掌子面前方预设长度范围内,产状相近的同一组结构面的产状、特征变化规律,并进行统计归纳,通过做“玫瑰花图”进而确定其主要结构面产状及特征数据。
进一步地,结合物探资料,包括地震波发射法、地质雷达法、瞬变电磁法的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认,具体包括:
地质波反射法参考原则:当纵波速度下降或动态杨氏模量下降,泊松比升高,且地震波反射界面密集分布时,围岩完整性、稳定性变差;反之,围岩完整性、稳定性变好,预先对掌子面前方段落节理发育程度进行划分。
进一步地,结合物探资料,包括地震波发射法、地质雷达法、瞬变电磁法的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认,具体包括:
地质雷达法参考原则:当纵向极化电磁反射波的振幅能量较强而横向极化电磁反射波的振幅能量较弱时,地层节理近似为水平节理;当纵向极化电磁反射波的振幅能量较弱而横向极化电磁反射波的振幅能量较强时,地层节理近似为垂直节理;当纵向极化电磁反射波和横向极化电磁反射波的振幅能量均较强时,地层节理为斜向节理。
进一步地,根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,具体包括:
所述评价指标体系包括结构面产状、节理间距、粗糙度、延伸性、张开度、填充情况等评价指标。
进一步地,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果,具体包括:
所述风险等级标准包括极高、高、中等、轻微四个等级;
结合各评价指标阈值对结构面及其不利组合空间分布的风险情况进行分级;
根据分级结果在所述三维地质模型中使用不同的颜色对不同的风险等级进行区分,若区域分级结果为极高或高,则判定其为掉块、坍塌风险高的区域。
进一步地,所述方法还包括:
结合掌子面实际开挖情况对预测模型进行调试和测试,对所述评价指标体系和风险等级标准进行完善,得到优化后的预测模型。
根据第二方面,一种实施例中提供一种极硬岩隧道结构面及其不利组合空间分布预测系统,所述系统包括:
预测对象确定模块,用于收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;
产状及特征数据提取模块,用于基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;
预测模块,用于将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。
进一步地,所述系统还包括:
优化模块,用于结合掌子面实际开挖情况对预测模型进行调试和测试,对所述评价指标体系和风险等级标准进行完善,得到优化后的预测模型。
本申请提供一种极硬岩隧道结构面及其不利组合空间分布预测方法及系统,收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。本发明可对极硬岩隧道结构面及其不利组合的超前预报手段进行有效补充,提高了超前地质预报精度;针对现有预报技术精准度不足,超前支护采取拱顶环向施工,本发明基于极硬岩隧道结构面及其不利组合空间分布预测结果可有效的指导施工单位开展靶向支护,加快施工进度,降低施工成本,降低隧道施工中施工作业人员的风险,与倡导的以人为本的施工理念相一致。
附图说明
图1为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法的第一流程图;
图2为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法的第二流程图;
图3为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法中不同结构面产状与围岩稳定性关系;
图4为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法中地震波发射法成果图;
图5为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法中地质雷达成果图;
图6为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法中瞬变电磁法成果图;
图7为本发明一个实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测系统的逻辑结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本发明第一实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法,下面结合图1和图2进行详细说明。
如图1所示,在步骤S1中,收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸。
上述步骤具体包括:收集区域工程地质、水文地质等资料,结合隧道工程的设置及前期钻探成果、物探成果、勘察报告等勘谈资料,研判域内地质构造、地层岩性及节理裂隙发育程度,选取极硬岩,围岩节理裂隙较发育,岩体较破碎的Ⅲ围岩为预测段落。
结构面的不同产状对于围岩稳定性影响不同,如图3所示,当其形成组合时,会在不同方向切割岩石,导致与母岩的连接不断丧失,例如边墙的岩石在与他平行的节理切割后会导致背后失去连接,如果顶部再切割,那就会直接掉下来。这种几组节理组合后容易导致坍塌的情况就是不利组合。
如图1所示,在步骤S2中,基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据。
上述步骤具体包括:结合物探资料,包括地震波发射法(图4)、地质雷达法(图5)、瞬变电磁法(图6)的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认;
参考掌子面前方30m长度范围内,产状相近的同一组结构面的产状、特征变化规律,并进行统计归纳,通过做“玫瑰花图”进而确定其主要结构面产状及特征数据。
地质波反射法参考原则:当纵波速度下降或动态杨氏模量下降,泊松比升高,且地震波反射界面密集分布时,围岩完整性、稳定性变差;反之,围岩完整性、稳定性变好,预先对掌子面前方段落节理发育程度进行划分;
地质雷达法参考原则:当纵向极化电磁反射波的振幅能量较强而横向极化电磁反射波的振幅能量较弱时,地层节理近似为水平节理;当纵向极化电磁反射波的振幅能量较弱而横向极化电磁反射波的振幅能量较强时,地层节理近似为垂直节理;当纵向极化电磁反射波和横向极化电磁反射波的振幅能量均较强时,地层节理为斜向节理。
如图1所示,在步骤S3中,将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。
上述步骤具体包括:所述预测模型为经过软件比选以及二次开发得到的三维建模软件,软件比选为选取具有参数赋值、区块划分、三维展示功能的软件进行建模软件比选。如ANSYS、FLCA3D等软件,要求有三维的视觉效果,要求软件是开源的形式,以便可以在模型内以参数的形式加入结构面特征。
本实施例中,评价指标体系包括结构面产状、节理间距、粗糙度、延伸性、张开度、填充情况等评价指标。风险等级标准包括极高、高、中等、轻微四个等级;结合各评价指标阈值对结构面及其不利组合空间分布的风险情况进行分级;根据分级结果在所述三维地质模型中使用不同的颜色对不同的风险等级进行区分,极高为红色、高为黄色、中等为蓝色、轻微为绿色,若区域分级结果为极高或高,则判定其为掉块、坍塌风险高的区域。
风险判断示例如下:首先判断节理间距,若小于1mm是A,大于1mm是B,判断后进入粗糙度这项判别过程,粗糙为A,光滑为B,之后进入延伸性判别,等等,最后根据不同指标的判断,生成判别结果,再与风险判定标准表一一对应,生成特征结构面的风险性结果。
如图1所示,在步骤S4中,结合掌子面实际开挖情况对预测模型进行调试和测试,对所述评价指标体系和风险等级标准进行完善,得到优化后的预测模型。
具体的,模型构建完成后,预报效果还需实际开挖验证分析,对于未能准确预报之处,需要对将补充评价指标,并对现有指标的赋值进行修改,进而形成最终的预测模型。
本发明实施例通过分析区域地质、地质调查法、物探法、超前钻探法等相关资料,提取掌子面前方地质情况及掌子面主要结构面数据,构建三维地质模型,分析不利结构面及其组合与隧道洞身的空间关系,研判结构面主要影响区域,预测影响段落及结构面危险程度,为隧道施工提供有效、准确的预报结论。
本发明实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法,收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。本发明可对极硬岩隧道结构面及其不利组合的超前预报手段进行有效补充,提高了超前地质预报精度;针对现有预报技术精准度不足,超前支护采取拱顶环向施工,本发明基于极硬岩隧道结构面及其不利组合空间分布预测结果可有效的指导施工单位开展靶向支护,加快施工进度,降低施工成本,降低隧道施工中施工作业人员的风险,与倡导的以人为本的施工理念相一致。
与上述公开的一种极硬岩隧道结构面及其不利组合空间分布预测方法相对应,本发明实施例还公开了一种极硬岩隧道结构面及其不利组合空间分布预测系统,如图7所示,其具体包括:
预测对象确定模块,用于收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;
产状及特征数据提取模块,用于基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;
预测模块,用于将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。
进一步地,所述系统还包括:
优化模块,用于结合掌子面实际开挖情况对预测模型进行调试和测试,对所述评价指标体系和风险等级标准进行完善,得到优化后的预测模型。
需要说明的是,对于本发明实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测系统的详细描述可以参考对本申请实施例提供的一种极硬岩隧道结构面及其不利组合空间分布预测方法的相关描述,这里不再赘述。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,所述方法包括:
收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;
基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;
将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。
2.如权利要求1所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸,具体包括:
收集区域工程地质、水文地质资料,结合隧道工程的设置及前期包括钻探成果、物探成果、勘察报告的勘谈资料,研判域内地质构造、地层岩性及节理裂隙发育程度,选取极硬岩,围岩节理裂隙较发育,岩体较破碎的Ⅲ围岩为预测段落。
3.如权利要求1所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据,具体包括:
结合物探资料,包括地震波发射法、地质雷达法、瞬变电磁法的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认;
参考掌子面前方预设长度范围内,产状相近的同一组结构面的产状、特征变化规律,并进行统计归纳,通过做“玫瑰花图”进而确定其主要结构面产状及特征数据。
4.如权利要求3所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,结合物探资料,包括地震波发射法、地质雷达法、瞬变电磁法的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认,具体包括:
地质波反射法参考原则:当纵波速度下降或动态杨氏模量下降,泊松比升高,且地震波反射界面密集分布时,围岩完整性、稳定性变差;反之,围岩完整性、稳定性变好,预先对掌子面前方段落节理发育程度进行划分。
5.如权利要求1所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,结合物探资料,包括地震波发射法、地质雷达法、瞬变电磁法的勘探资料,对掌子面前方地层进行破碎程度、富水特征的判定及划分,参考解译结果对掌子面前方进行段落划分,并对结构面延伸方向进行确认,具体包括:
地质雷达法参考原则:当纵向极化电磁反射波的振幅能量较强而横向极化电磁反射波的振幅能量较弱时,地层节理近似为水平节理;当纵向极化电磁反射波的振幅能量较弱而横向极化电磁反射波的振幅能量较强时,地层节理近似为垂直节理;当纵向极化电磁反射波和横向极化电磁反射波的振幅能量均较强时,地层节理为斜向节理。
6.如权利要求1所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,具体包括:
所述评价指标体系包括结构面产状、节理间距、粗糙度、延伸性、张开度、填充情况的评价指标。
7.如权利要求1所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果,具体包括:
所述风险等级标准包括极高、高、中等、轻微四个等级;
结合各评价指标阈值对结构面及其不利组合空间分布的风险情况进行分级;
根据分级结果在所述三维地质模型中使用不同的颜色对不同的风险等级进行区分,若区域分级结果为极高或高,则判定其为掉块、坍塌风险高的区域。
8.如权利要求1所述的一种极硬岩隧道结构面及其不利组合空间分布预测方法,其特征在于,所述方法还包括:
结合掌子面实际开挖情况对预测模型进行调试和测试,对所述评价指标体系和风险等级标准进行完善,得到优化后的预测模型。
9.一种极硬岩隧道结构面及其不利组合空间分布预测系统,其特征在于,所述系统包括:
预测对象确定模块,用于收集区域地质资料、勘探资料,初步划定结构面及其不利组合发育段落,选取目标极硬岩隧道为预测对象,并确定隧道洞身走向及掌子面尺寸;
产状及特征数据提取模块,用于基于选取的目标极硬岩隧道及相关勘探资料,提取隧道掌子面前方预设范围内的结构面产状及特征数据;
预测模块,用于将提取的结构面产状及特征数据输入至预先建立的预测模型中,生成三维地质模型,并根据输入的结构面产状及特征数据对预先构建的评价指标体系进行赋值,基于预先构建的风险等级标准,根据各评价指标数值对结构面及其不利组合空间分布的风险情况进行分级,根据分级结果在所述三维地质模型中对掉块、坍塌高风险区域进行提示,得到预测结果。
10.根据权利要求9所述的一种极硬岩隧道结构面及其不利组合空间分布预测系统,其特征在于,所述系统还包括:
优化模块,用于结合掌子面实际开挖情况对预测模型进行调试和测试,对所述评价指标体系和风险等级标准进行完善,得到优化后的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563838.7A CN117540476A (zh) | 2023-11-21 | 2023-11-21 | 极硬岩隧道结构面及其不利组合空间分布预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563838.7A CN117540476A (zh) | 2023-11-21 | 2023-11-21 | 极硬岩隧道结构面及其不利组合空间分布预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117540476A true CN117540476A (zh) | 2024-02-09 |
Family
ID=89791439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311563838.7A Pending CN117540476A (zh) | 2023-11-21 | 2023-11-21 | 极硬岩隧道结构面及其不利组合空间分布预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540476A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934484A (zh) * | 2024-03-25 | 2024-04-26 | 中铁四局集团有限公司 | 一种隧道掌子面围岩级别判定方法、设备、存储介质 |
-
2023
- 2023-11-21 CN CN202311563838.7A patent/CN117540476A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934484A (zh) * | 2024-03-25 | 2024-04-26 | 中铁四局集团有限公司 | 一种隧道掌子面围岩级别判定方法、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rogers et al. | Volumetric fracture intensity measurement for improved rock mass characterisation and fragmentation assessment in block caving operations | |
Mawdesley et al. | Extending the Mathews stability graph for open–stope design | |
WO2019238451A1 (en) | A method and a system for modelling and simulating a fractured geological structure | |
MX2015003997A (es) | Analisis de datos microsismicos de un tratamiento de fractura. | |
CN105701319B (zh) | 一种水平井规则开发井网下的沉积微相建模方法 | |
CN105781543A (zh) | 一种基于裂隙分维指标的采动覆岩质量评价方法 | |
CN103700141A (zh) | 煤矿底板突水通道的多级尺度地质建模分析方法 | |
Eivazy et al. | Modelling geomechanical heterogeneity of rock masses using direct and indirect geostatistical conditional simulation methods | |
CN117540476A (zh) | 极硬岩隧道结构面及其不利组合空间分布预测方法及系统 | |
Park et al. | Determination of the hydraulic conductivity components using a three-dimensional fracture network model in volcanic rock | |
Guo et al. | Autonomous prediction of rock deformation in fault zones of coal roadways using supervised machine learning | |
Yang et al. | and Hydrogeology | |
Rogers et al. | DFN Modelling of major structural instabilities in a large open pit for end of life planning purposes | |
Andersson et al. | Site investigations: Strategy for rock mechanics site descriptive model | |
CN112285773B (zh) | 一种隐伏断层二元结构定量表征方法 | |
Lu | The characterisation and analysis of in-situ and blasted block-size distributions and the blastability of rock masses. | |
Vazaios | Modelling of hard rockmasses with non-persistent joints to assess the stress induced damage of deep excavations | |
Palleske | A study of biases, assumptions and practical consideration for the use of discrete fracture networks in geomechanical practice | |
La Pointe et al. | Geological discrete fracture network model for the Laxemar site. Site Descriptive Modelling. SDM-Site Laxemar | |
Munkhchuluun et al. | Characterization of rock mass fragmentation for cave mining | |
Kuppusamy | Application of discrete fracture networks (DFN) to the design of open pit benches in rock slopes | |
Appleyard et al. | Conditioning discrete fracture network models on intersection, connectivity and flow data | |
Cancino Martinez | The impact of fracture size distribution on primary fragmentation estimates in cave mines | |
Munkhchuluun | Linking the fracture intensity of an in situ rock mass to block cave mine fragmentation | |
Fox et al. | Geological discrete fracture network model for the Olkiluoto site, Eurajoki, Finland. Version 2.0 |
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 |