CN117910807A - 隧道软岩大变形风险分级预警方法、系统、设备及介质 - Google Patents
隧道软岩大变形风险分级预警方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117910807A CN117910807A CN202410179932.0A CN202410179932A CN117910807A CN 117910807 A CN117910807 A CN 117910807A CN 202410179932 A CN202410179932 A CN 202410179932A CN 117910807 A CN117910807 A CN 117910807A
- Authority
- CN
- China
- Prior art keywords
- cnn
- large deformation
- model
- soft rock
- data
- 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 80
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 241000283153 Cetacea Species 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000009933 burial Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000003673 groundwater Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 31
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Landscapes
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开一种隧道软岩大变形风险分级预警方法、系统、设备及介质，涉及隧道软岩变形预警技术领域。所述方法包括：获取复杂艰险山区隧道软岩的基础数据；基于所述基础数据计算强度应力比；根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；将所述风险评估指标输入WOA‑CNN‑LSTM模型进行预测，得到大变形风险等级；所述WOA‑CNN‑LSTM模型是利用鲸鱼算法对CNN‑LSTM神经网络模型进行优化确定的；所述WOA‑CNN‑LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。本发明能够提高隧道软岩大变形风险的预测精度和稳定性。
Description
技术领域
本发明涉及隧道软岩变形预警技术领域，特别是涉及一种隧道软岩大变形风险分级预警方法、系统、设备及介质。
背景技术
软岩地质条件下的隧道工程常常面临变形问题：软岩容易发生大变形，隧道在施工过程中或者使用过程中可能会产生显著的沉降、收敛和膨胀等变形现象，给隧道的稳定性和安全性带来威胁。为了减少软岩隧道大变形的风险，需要对软岩地质条件进行深入研究，包括岩石力学性质、围岩稳定性分析、地下水条件等方面的调查和评估。同时，需要开展隧道支护设计和施工技术研究，确定合适的支护方案和施工方法，以增加隧道的稳定性和安全性。
目前，对于软岩大变形的预测主要采用数值模拟、物理模型和人工智能等方法。其中，人工智能方法以其强大的数据处理能力和模式识别能力，逐渐成为一种广泛应用的预测手段。但是，由于软岩大变形受到多种因素的影响，且具有非线性、时变性和不确定性等特点，导致预测的精度和稳定性仍需提高。因此，亟需一种能够提高软岩大变形预测精度和稳定性的方法，为隧道施工提供更加准确可靠的技术支持。
发明内容
本发明的目的是提供一种隧道软岩大变形风险分级预警方法、系统、设备及介质，能够提高隧道软岩大变形风险的预测精度和稳定性。
为实现上述目的，本发明提供了如下方案：
一种隧道软岩大变形风险分级预警方法，包括：
获取复杂艰险山区隧道软岩的基础数据；所述基础数据包括围岩岩性、岩体质量指标、地应力水平、地下水、隧道埋深、等效直径、支护强度、监控量测数据和现场管理数据；
基于所述基础数据计算强度应力比；
根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；
将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。
可选地，所述风险评估指标包括地质水文条件、设计因素数据和管理因素数据；所述地质水文条件包括强度应力比、岩体质量指标和地下水；所述设计因素数据包括隧道埋深、等效直径和支护强度；所述管理因素数据包括监控量测数据和现场管理数据。
可选地，所述WOA-CNN-LSTM模型的训练方法为：
获取训练数据；所述训练数据包括风险评估训练指标及对应的风险等级；
构建CNN-LSTM神经网络模型；
将所述训练数据输入所述CNN-LSTM神经网络模型，并采用鲸鱼算法和设定参数对CNN-LSTM神经网络模型进行训练，将训练好的CNN-LSTM神经网络模型确定为所述WOA-CNN-LSTM模型。
可选地，所述CNN-LSTM神经网络模型包括CNN模型和LSTM模型；所述CNN模型包括输入层、卷积层、池化层和输出层；所述输出层与经鲸鱼算法优化后的LSTM模型的输入相连接，并依次与LSTM模型的隐藏层、输出层和全连接层连接。
可选地，所述设定参数包括：设置处理批量为24，迭代次数300次，学习效率设置为0.001，学习目标设置为0.001，鲸鱼算法中的种群数量设置为8，最大迭代次数设置为5，优化参数个数设置为3。
本发明还提供了一种隧道软岩大变形风险分级预警系统，包括：
数据采集单元，用于获取复杂艰险山区隧道软岩的基础数据；所述基础数据包括围岩岩性、岩体质量指标、地应力水平、地下水、隧道埋深、等效直径、支护强度、监控量测数据和现场管理数据；
强度应力比计算单元，用于基于所述基础数据计算强度应力比；
风险评估指标构建单元，用于根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；
风险评估单元，用于将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的隧道软岩大变形风险分级预警方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的隧道软岩大变形风险分级预警方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种隧道软岩大变形风险分级预警方法、系统、设备及介质，所述方法包括获取复杂艰险山区隧道软岩的基础数据；基于所述基础数据计算强度应力比；根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。本发明能够提高隧道软岩大变形风险的预测精度和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明隧道软岩大变形风险分级预警方法的流程示意图；
图2为本实施例中WOA-CNN-LSTM模型流程图；
图3为本实施例中隧道软岩大变形风险评估体系示意图；
图4为本实施例中模型结果对比图；
图5为本实施例中预测结果混淆矩阵图；其中，(a)部分为CNN-LSTM预测结果混淆矩阵图；(b)部分为WOA-CNN-LSTM预测结果混淆矩阵图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种隧道软岩大变形风险分级预警方法、系统、设备及介质，能够提高隧道软岩大变形风险的预测精度和稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种隧道软岩大变形风险分级预警方法，包括：
步骤100：获取复杂艰险山区隧道软岩的基础数据；所述基础数据包括围岩岩性、岩体质量指标、地应力水平、地下水、隧道埋深、等效直径、支护强度、监控量测数据和现场管理数据；
步骤200：基于所述基础数据计算强度应力比；GN＝Rcm/σ0，其中，Rcm为围岩单轴抗压强度，σ0为初始地应力。
步骤300：根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；
步骤400：将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。
其中，所述风险评估指标包括地质水文条件、设计因素数据和管理因素数据；所述地质水文条件包括强度应力比、岩体质量指标和地下水；所述设计因素数据包括隧道埋深、等效直径和支护强度；所述管理因素数据包括监控量测数据和现场管理数据。
所述WOA-CNN-LSTM模型的训练方法为：
获取训练数据；所述训练数据包括风险评估训练指标及对应的风险等级；构建CNN-LSTM神经网络模型；将所述训练数据输入所述CNN-LSTM神经网络模型，并采用鲸鱼算法和设定参数对CNN-LSTM神经网络模型进行训练，将训练好的CNN-LSTM神经网络模型确定为WOA-CNN-LSTM模型。
基于上述方案，提供如下所示具体实施例。
首先，通过收集发生大变形的隧道不同断面的围岩岩性、围岩等级、地应力水平以及隧道的埋深H、直径D与支护强度K以监控量测和现场管理情况等主要指标，并且计算强度应力比GN，将其8个作为主要指标组建成软岩隧道大变形数据库，共120组。其次，将隧道软岩大变形数据库按照7：3的比例设置分别设置为训练集和测试集，预测时将数据集进行打乱。之后，使用MATLAB软件构建WOA-CNN-LSTM模型，将其余的8个指标作为输入层，风险等级作为输出层，形成多对一输入的预测结构模型。CNN-LSTM神经网络模型以及WOA算法优化的模型预测中，设置处理批量为24，迭代次数300次，学习效率设置为0.001，学习目标设置为0.001，并将WOA算法中的种群数量设置为8，最大迭代次数设置为5，优化参数个数设置为3。训练结束后，将CNN-LSTM神经网络得到的相对变形量与上述等级划分标准进行对比得出大变形风险等级。
对于训练过程：
1)设置WOA算法的参数以及LSTM模型的初始参数；
2)开始搜索：初始化所属鲸鱼的位置、迭代寻优、返回超出搜索空间边界的搜索代理、计算每个搜索代理的目标函数、更新；
3)训练模型，使用鲸鱼算法找到的最好的全局最优参数；
本实施例的方法，将经WOA算法优化后的LSTM模型与CNN模型组合成WOA-CNN-LSTM模型，以及将其用于大变形风险等级预测的实验结果分析，按照以下步骤实施：
步骤1、将大变形案例数据库里的数据按照7：3的比例分为训练集数据以及测试集数据，
其中，训练集数据用于训练后续搭建的WOA-CNN-LSTM模型，测试集数据用于评估模型的性能；
步骤2、搭建WOA-CNN-LSTM模型，进行优化训练，
包括WOA算法的参数设置、CNN模型和LATM模型的参数选择，通过WOA算法来优化LSTM模型的超参数，CNN模型中包含输入层、卷积层、池化层和输出层，将CNN的输出层与经WOA优化后的LSTM模型的输入相连接、经过隐藏层、输出层和全连接层，输出WOA-CNN-LSTM模型的预测结果；
步骤3、将测试集数据输入到训练好的WOA-CNN-LSTM模型中，WOA-CNN-LSTM模型会输出预测的结果，通过相关评价指标(比如均方根误差和平均绝对误差)对WOA-CNN-LSTM模型进行评价，将结果与CNN-LSTM模型的预测结果进行对比，对模型的输出结果进行模型评估。
实施例1
参照图2，本发明基于WOA-CNN-LSTM隧道软岩大变形风险评估预警的方法，在CNN模块-LSTM模块基础上使用WOA算法优化LSTM模型的超参数，具体步骤如下：
1)基于隧道围岩大变形案例数据库，参照图3，构建隧道软岩大变形风险评估体系及指标判别标准。
2)数据预处理，将原始数据进行缺失值处理、异常值处理，得到一个较好的数据集，之后进行数据归一化处理。
3)网络参数设置，经过对比实验，CNN模型为单层结构，CNN模型中的卷积核的尺寸为2×1；LSTM模型输入层的节点数为3，隐藏层的节点数为180，输出层的节点数为1。网络训练次数为200次，初始学习率为0.005，学习率调整因子为0.25，设置训练100次后开始调整学习率。
4)优化参数，使用WOA算法对LSTM模型进行优化，其中WOA模块种群数量设置为8，迭代次数为5。经过鲸鱼算法优化LSTM模型参数后，隐含层节点数为152，初始学习率为0.001。
5)训练与测试，利用预处理的数据和搭建好的WOA-CNN-LSTM模型进行训练和测试。
6)反归一化，将输出的结果进行反归一化得到预测对象的大变形风险等级，参照图4，测试集预测结果准确率为91.42％。
参照图5，通过采用同样的测试集，来比较WOA-CNN-LSTM模型与CNN-LSTM模型的预测准确率和拟合程度。从图5可以看出，本发明的WOA-CNN-LSTM模型的准确率以及拟合程度都要优于CNN-LSTM模型，这表明它具有更高的准确性和更好的预测能力。
此外，本发明还提供了一种隧道软岩大变形风险分级预警系统，包括：
数据采集单元，用于获取复杂艰险山区隧道软岩的基础数据；所述基础数据包括围岩岩性、岩体质量指标、地应力水平、地下水、隧道埋深、等效直径、支护强度、监控量测数据和现场管理数据；
强度应力比计算单元，用于基于所述基础数据计算强度应力比；
风险评估指标构建单元，用于根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；
风险评估单元，用于将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的隧道软岩大变形风险分级预警方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的隧道软岩大变形风险分级预警方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种隧道软岩大变形风险分级预警方法，其特征在于，包括：
获取复杂艰险山区隧道软岩的基础数据；所述基础数据包括围岩岩性、岩体质量指标、地应力水平、地下水、隧道埋深、等效直径、支护强度、监控量测数据和现场管理数据；
基于所述基础数据计算强度应力比；
根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；
将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。
2.根据权利要求1所述的隧道软岩大变形风险分级预警方法，其特征在于，所述风险评估指标包括地质水文条件、设计因素数据和管理因素数据；所述地质水文条件包括强度应力比、岩体质量指标和地下水；所述设计因素数据包括隧道埋深、等效直径和支护强度；所述管理因素数据包括监控量测数据和现场管理数据。
3.根据权利要求1所述的隧道软岩大变形风险分级预警方法，其特征在于，所述WOA-CNN-LSTM模型的训练方法为：
获取训练数据；所述训练数据包括风险评估训练指标及对应的风险等级；
构建CNN-LSTM神经网络模型；
将所述训练数据输入所述CNN-LSTM神经网络模型，并采用鲸鱼算法和设定参数对CNN-LSTM神经网络模型进行训练，将训练好的CNN-LSTM神经网络模型确定为所述WOA-CNN-LSTM模型。
4.根据权利要求3所述的隧道软岩大变形风险分级预警方法，其特征在于，所述CNN-LSTM神经网络模型包括CNN模型和LSTM模型；所述CNN模型包括输入层、卷积层、池化层和输出层；所述输出层与经鲸鱼算法优化后的LSTM模型的输入相连接，并依次与LSTM模型的隐藏层、输出层和全连接层连接。
5.根据权利要求3所述的隧道软岩大变形风险分级预警方法，其特征在于，所述设定参数包括：设置处理批量为24，迭代次数300次，学习效率设置为0.001，学习目标设置为0.001，鲸鱼算法中的种群数量设置为8，最大迭代次数设置为5，优化参数个数设置为3。
6.一种隧道软岩大变形风险分级预警系统，其特征在于，包括：
数据采集单元，用于获取复杂艰险山区隧道软岩的基础数据；所述基础数据包括围岩岩性、岩体质量指标、地应力水平、地下水、隧道埋深、等效直径、支护强度、监控量测数据和现场管理数据；
强度应力比计算单元，用于基于所述基础数据计算强度应力比；
风险评估指标构建单元，用于根据所述基础数据和所述强度应力比构建复杂艰险山区隧道软岩大变形的风险评估指标；
风险评估单元，用于将所述风险评估指标输入WOA-CNN-LSTM模型进行预测，得到大变形风险等级；所述WOA-CNN-LSTM模型是利用鲸鱼算法对CNN-LSTM神经网络模型进行优化确定的；所述WOA-CNN-LSTM模型包括指标输入层和等级输出层，形成多对一输入的预测结构模型。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-5中所述的隧道软岩大变形风险分级预警方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中所述的隧道软岩大变形风险分级预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179932.0A CN117910807A (zh) | 2024-02-18 | 2024-02-18 | 隧道软岩大变形风险分级预警方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179932.0A CN117910807A (zh) | 2024-02-18 | 2024-02-18 | 隧道软岩大变形风险分级预警方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117910807A true CN117910807A (zh) | 2024-04-19 |
Family
ID=90687829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410179932.0A Pending CN117910807A (zh) | 2024-02-18 | 2024-02-18 | 隧道软岩大变形风险分级预警方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117910807A (zh) |
-
2024
- 2024-02-18 CN CN202410179932.0A patent/CN117910807A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ereiz et al. | Review of finite element model updating methods for structural applications | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN107301282B (zh) | 基于多源监测时序数据的混凝土坝力学参数反演方法 | |
| CN110363337B (zh) | 一种基于数据驱动的抽油机量油方法及系统 | |
| CN113033108B (zh) | 一种基于AdaBoost算法的边坡可靠度判断方法 | |
| CN112884320B (zh) | 基于熵值模型的基坑风险评估方法、装置、设备和介质 | |
| CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
| CN114792020B (zh) | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN112597694A (zh) | 基于神经网络的围岩变形预测系统及预测方法 | |
| CN114996983A (zh) | 一种软岩隧道可靠性评价方法 | |
| CN117035418A (zh) | 基于多源数据融合的隧道施工综合风险评价方法、装置 | |
| CN112614021A (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
| CN111915022A (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
| CN111914943A (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
| CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
| CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| CN117910807A (zh) | 隧道软岩大变形风险分级预警方法、系统、设备及介质 | |
| CN116227045B (zh) | 一种结构试件的局部应力应变场构造方法及系统 | |
| CN116188266A (zh) | 一种基于模糊理论与集成学习对地质勘查的空间插值方法 | |
| CN116110526A (zh) | 一种钛合金应力腐蚀临界应力强度因子预测方法 | |
| CN113345588A (zh) | 一种不完备数据集快速属性约简方法 | |
| CN114548364A (zh) | 一种地面沉降预测方法、计算设备及计算机存储介质 | |
| CN117972365B (zh) | 一种隧底群桩压力承载监测系统和监测方法 |
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 |