TH97873A - การพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดันดินสมดุลในดินเหนียวโดยโครงข่ายประสาทเทียม - Google Patents
การพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดันดินสมดุลในดินเหนียวโดยโครงข่ายประสาทเทียมInfo
- Publication number
- TH97873A TH97873A TH801002990A TH0801002990A TH97873A TH 97873 A TH97873 A TH 97873A TH 801002990 A TH801002990 A TH 801002990A TH 0801002990 A TH0801002990 A TH 0801002990A TH 97873 A TH97873 A TH 97873A
- Authority
- TH
- Thailand
- Prior art keywords
- tunnel
- neural network
- soil
- boring
- layer
- Prior art date
Links
Abstract
------15/11/2562------(OCR) หน้า 1 ของจำนวน 1 หน้า บทสรุปการประดิษฐ์ วิธีการพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดันดินสมดุลในดินเหนียวโดยโครงข่ายประสาทเทียมตามการประดิษฐ์นี้ ได้ทำการพัฒนาขึ้นเพื่อให้มีความเหมาะสมกับการก่อสร้างอุโมงค์ในสภาพที่เป็นดินเหนียว โดยสามารถที่จะสร้างความสัมพันธ์ของปัจจัยที่มีผลต่อการทรุดตัวที่มีความซับซ้อนสู่การพยากรณ์ค่าการทรุดตัวของผิวดินได้ ------------ ------10/01/2561------(OCR) หน้า 1 ของจำนวน 1 หน้า บทสรุปการประดิษฐ์ วิธีการพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดันดินสมดุล ในดินเหนียวโดยโครงข่ายประสาทเทียมตามการประดิษฐ์นี้ได้ทำการพัฒนาขึ้นเพื่อให้มีความเหมาะสมกับ การก่อสร้างอุโมงค์ในสภาพที่เป็นดินเหนียว โดยสามารถที่จะสร้างความสัมพันธ์ของป็จจัยที่มีผลต่อการทรุดตัว ที่มีความซับซ้อนสู่การพยากรณ์ค่าการทรุดตัวของผิวดินได้ ------------ การพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดันดิน สมดุลในดินเหนียวโดยโครงข่ายประสาทเทียมตามการประดิษฐ์นี้ ได้ทำการพัฒนาขึ้นเพื่อให้มี ความเหมาะสมกับการก่อสร้างอุโมงค์ในสภาพที่เป็นดินเหนียว โดยสามารถที่จะสร้าง ความสัมพันธ์ของปัจจัยที่มีผลต่อการทรุดตัวที่มีความซับซ้อนสู่การพยากรณ์ค่าการทรุดตัวของผิว ดินได้
Claims (2)
1. การพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดัน ดินสมดุลในดินเหนียวโดยโครงข่ายประสาทเทียม จะประกอบไปด้วย 11 หน่วยย่อยในชั้นรับ ข้อมูล มีชั้นแฝง 1 ชั้น มีหน่วยย่อยอยู่ 15 หน่วยย่อยในชั้นแฝง และรอบการคำนวณ 3,000 รอบ ซึ่ง จะถือว่าโครงข่ายมีความเหมาะสมที่จะสมารถนำมาใช้พยากรณ์ทรุดตัวของผิวดินที่ เกิดขึ้นจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดันดินสมดุลในดินเหนียว
2. การพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์ด้วยหัวเจาะแบบปรับแรงดัน ดินในสมดุลดินเหนียวโดยโครงข่ายประสาทเทียมตามข้อ 1 ในส่วนของ 11 หน่วยย่อยในชั้นรับ ข้อมูล จะประกอบไปด้วย (1) ระยะจากจุดเริ่มต้นการขุดเจาะอุโมงค์ (2) ค่า Stability Number (N) ที่ส่วนยอดของอุโมงค์ (3) ค่า Stability Number (N) ที่ส่วนกลางของอุโมงค์ (4) ค่า Stability Number (N) ที่ส่วนล่างของอุโมงค์ (5) ความสูงของน้ำใต้ดินจากส่วนล่างสุดของอุโมงค์ (6) ความ ดันหน้าหัวเจาะ (7) ความเร็วขณะขุดเจาะ (8) มุมก้มหรือมุมเงยของหัวเจาะ (9) ความดันของการฉีด น้ำปูน เพื่ออุดช่องว่างหลังผนังอุโมงค์ (10) เปอร์เซ็นต์การเติมน้ไปูน และ (11) ชนิดของหัวเจาะ
Publications (3)
| Publication Number | Publication Date |
|---|---|
| TH97873A true TH97873A (th) | 2009-08-20 |
| TH103959A TH103959A (th) | 2010-09-14 |
| TH97873B TH97873B (th) | 2024-01-02 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsiung et al. | Evaluation of the wall deflections of a deep excavation in Central Jakarta using three-dimensional modeling | |
| Feng et al. | Estimating mechanical rock mass parameters relating to the Three Gorges Project permanent shiplock using an intelligent displacement back analysis method | |
| Le Van et al. | Evaluating the critical performances of a CO2–Enhanced oil recovery process using artificial neural network models | |
| CN103258091B (zh) | 非常规油气藏水平井段三维岩体力学模型建立的方法及装置 | |
| Sun et al. | Optimization of subsurface CO2 injection based on neural network surrogate modeling | |
| US20130218538A1 (en) | Simulation model optimization | |
| CN114035228A (zh) | 一种基于深度学习的隧道地震波速反演方法及系统 | |
| CN103913774A (zh) | 基于微地震事件的储层地质力学参数反演方法 | |
| Jiang et al. | Inverse analysis for geomaterial parameter identification using Pareto multiobjective optimization | |
| Han et al. | Intelligent back analysis of geotechnical parameters for time-dependent rock mass surrounding mine openings using grey Verhulst model | |
| CN112064617B (zh) | 一种土石混合料地基质量检测方法 | |
| He et al. | Gas Injection Optimization Under Uncertainty in Subsurface Reservoirs: An Integrated Machine Learning-Assisted Workflow | |
| Mishra et al. | Adapting petroleum reservoir engineering principles to carbon capture & sequestration (CCS) and hydrogen underground storage (HUS) projects: opportunities and challenges | |
| Feng et al. | Hybrid intelligent method optimization of a soft rock replacement scheme for a large cavern excavated in alternate hard and soft rock strata | |
| Chang et al. | Data assimilation of coupled fluid flow and geomechanics using the ensemble Kalman filter | |
| Javadi | Estimation of air losses in compressed air tunneling using neural network | |
| Thanh et al. | Developing machine learning models to predict CO2 trapping performance in deep saline aquifers | |
| WO2025076520A1 (en) | Geologic chemical transport framework | |
| Plumb et al. | A new geomechanics process reduces operational risk from exploration to production | |
| Li et al. | SMT-GP method of prediction for ground subsidence due to tunneling in mountainous areas | |
| Liem et al. | Prior with far-field stress approximation for ensemble-based data assimilation in naturally fractured reservoirs | |
| Sin et al. | Determination of Mechanical Parameters of Anthracite Coal using Flying Squirrel Search Algorithm with Timber Load and Displacement Data | |
| Parkes et al. | Geotechnical Engineering Circular: Design, Analysis, and Testing of Laterally Loaded Deep Foundations that Support Transportation Facilities | |
| Sivakumaran | Development of a verified non-linear Winkler model for the seismic analysis of piles in improved ground | |
| TH97875A (th) | การพยากรณ์การทรุดตัวของผิวดินจากการขุดเจาะอุโมงค์คู่ด้วยหัวเจาะแบบปรับแรงดันดินสมดุลโดยโครงข่ายประสาทเทียม |