CN108416458A - 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 - Google Patents
一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 Download PDFInfo
- Publication number
- CN108416458A CN108416458A CN201810030866.5A CN201810030866A CN108416458A CN 108416458 A CN108416458 A CN 108416458A CN 201810030866 A CN201810030866 A CN 201810030866A CN 108416458 A CN108416458 A CN 108416458A
- Authority
- CN
- China
- Prior art keywords
- rich water
- rock mass
- assignment
- neural network
- water 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
- G01V9/02—Determining existence or flow of underground water
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Hydrology & Water Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,确定富水岩体的主控影响因素;结合物探与地质调查资料对富水岩体进行风险等级的划分并拟定与各等级相对应的参数范围;构造基于BP神经网络的富水岩体预测模型以及富水岩体影响因子及富水等级定量化;构建神经网络学习样本,并进行学习,获得神经网络的预测模型,利用预测模型进行隧道富水岩体综合超前地质预报。本发明可有力的指导地下工程的现场施工,保障工程一线的施工安全。
Description
技术领域
本发明涉及一种基于BP神经网络的隧道富水岩体综合超前地质预报方法。
背景技术
随着我国经济建设的不断发展,需要修建大量的地下工程,而在地下工程修建过程中,富水岩体是隧道施工过程中最常见的一类不良地质,其会对地下工程施工造成一系列危害。因此,为了保证隧道工程施工安全,提高工程建设的效率,需要对富水岩体进行有效的超期预报。
目前对于富水岩体的预报提出了很多方法,主要有地质分析法和地球物理法两大类方法。为了提高富水岩体的预测精度,众多学者提出了富水岩体预测的综合超前地质预报方法,即采用多种预报手段来进行富水岩体的综合预报,取得了一定的效果。但是采用这种方法进行综合预报时,一般都是专业技术人员对多种预报方法预报的结果进行人工的综合分析、判断。即专业技术人员对多种预报的方法的预报结果,进行人工综合,凭借自身的经验,对多种预报分析结果进行总结、分析,得出最终预报结果。预测结果的准确性完全凭借专家的自身经验,如果专家的水平较好,即判断的准确,如果专家的水平一般,即判断存在较高的错误,这种富水岩体预报的综合评判法,人为的主观性强,在综合评判上缺少客观性。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种反馈式全连接多层神经网络,具有较强的联想记忆和推广能力。通过对学习样本的学习,建立输入和输出之间的映射关系,实现通过输入的多个参量来预测其相应的分类结果。标准BP模型由三层神经元组成(输入层、隐层和输出层)。BP网络学习过程分为两个阶段,第一阶段是信号正向传播过程:当对学习模式提供给网络后,神经元的激活值从输入层经各隐含层向输出层传播,在输出层的各神经元获得网络的输入响应;第二阶段是误差修正反向传播过程:若在输出层未得到期望的输出值,则逐层递归地计算实际输出与期望输出之间的误差,按减小期望输出与实际输出的误差的方向,从输出层经各隐含层逐层修正各连接权,最后回到输入层。
采用多种超前地质预报方法,可获得掌子面前方多种探测手段的探测数据。BP神经网络可对多种超前地质预报方法的预报结果进行分析,建立预报结果和不良地质之间的关系。如何在隧道工程中将综合超前地质预报成果和BP神经网络相结合,对隧道工程掌子面前方的富水岩体进行超前预测,实现对富水岩体的客观预测,是目前亟待解决的一个技术难题。
发明内容
本发明为了解决上述问题,提出了一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,本发明以综合超前地质预报的探测结果为原始数据,结合BP神经网络技术对隧道掌子面前方富水岩体进行准确的预测,降低由富水岩体引发的隧道塌方等灾害发生的概率,有力地指导隧道工程的现场施工,保障工程一线的施工安全。
为了实现上述目的,本发明采用如下技术方案:
一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,包括以下步骤:
(1)确定富水岩体的主控影响因素;
(2)结合物探与地质调查资料对富水岩体进行风险等级的划分并拟定与各等级相对应的参数范围;
(3)构造基于BP神经网络的富水岩体预测模型以及富水岩体影响因子及富水等级定量化;
(4)构建神经网络学习样本,并进行学习,获得神经网络的预测模型,利用预测模型进行隧道富水岩体综合超前地质预报。
所述步骤(1)中,确定富水岩体的识别指标:设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化和/或电阻率。
所述步骤(2)中,根据确定的富水岩体的识别指标值,将围岩富水情况划分为4种不同类型的输出值:富含地下水、含中等地下水、含少量地下水和干燥无水。
所述步骤(3)中,神经网络的模型结构为3层,包括输入层、中间层和输出层,输入层所输入的为富水岩体的6个识别指标,即设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化和电阻率;输出层输出的为对应的期望输出,即岩体的富水情况。
所述步骤(3)中,确定输入层、隐含层和输出层的节点数目,采用BP神经网络算法建立富水岩体预测模型。
所述步骤(3)中,神经网络模型的输出为富水情况,其中富含地下水赋值1;含大量地下水赋值2;含少量地下水赋值3;干燥无水赋值0。
具体的,地质信息作为第一输入因子,其中富水可能性极大赋值1,富水可能性较大赋值2,可能含水赋值3,基本无水赋值0;
掌子面出水情况作为第二输入因子,其中淋水及股状水赋值1,线状水赋值2,潮湿滴水赋值3,干燥无水赋值0;
Vp/Vs作为第三输入因子,其中非常大赋值1,较大赋值2,略大赋值3,基本无水变化赋值0;
电磁波波形特征作为第四输入因子,其中离散化强振幅反射波赋值1,杂波形式赋值2,波幅变化不大,接近连续的同相轴赋值3,波形低振幅,高频,平滑和连续的同相轴赋值4;
视电阻率变化作为第五输入因子,其中严重降低赋值1,降低较大赋值2,稍有降低赋值3,平稳无变化赋值0;
电阻率情况作为第六输入因子,其中电阻率0~0.035kΩ·m赋值1,电阻率0.035~0.1kΩ·m赋值2,电阻率0.1~0.275kΩ·m赋值3,电阻率大于0.275kΩ·m赋值4。
所述步骤(4)中,收集研究区域富水岩体预报的典型案例,构建学习样本,之后对神经网络模型中各连接权值分别赋一个区间(0,1)内的随机数,设定误差函数E,给定计算精度值和最大学习次数M,根据输入数据计算网络输出。
所述步骤(4)中,利用隐含层各神经元的误差项和输入层各神经元的输入来修正隐含层权值;利用输出层各神经元的误差项和隐含层各神经元的输出来修正输出单元的权值。
所述步骤(4)中,当用完所有样本时,判断网络误差是否满足要求,当误差达到预设精度或学习次数大于预设最大次数,则结束算法;否则,进入下一圈学习,直到结果达到预设精度或学习次数大于预设次数为止。
所述步骤(4)中,依据获得的权值和阈值建立富水岩体的神经网络预测模型。
所述步骤(4)中,将设计阶段的富水情况和掌子面的出水情况以及上述获得的富水岩体的物探信息输入到基于BP神经网络的富水岩体预测模型中,经神经网络的计算分析,判断掌子面前方的围岩富水情况。
与现有技术相比,本发明的有益效果为:
本发明是基于BP神经网络技术,综合多种超前地质预报数据提出的一种隧道掌子面前方富水岩体超前预测的方法。这种方法以多种超前地质预报方法的探测结果为原始数据,结合BP神经网络技术对隧道掌子面前方富水岩体进行准确的预测,提高对富水岩体的预测的客观性及准确性,有力的指导地下工程的现场施工,保障工程一线的施工安全。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明方法实现流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
如图1所示,一种基于BP神经网络技术的隧道富水岩体超前地质预报方法,包括以下步骤:
步骤一:确定富水岩体的主控影响因素;
对各种超前地质预报方法进行分析,找出能有效识别富水岩体的相关物探方法。富水岩体综合超前地质预报方法包括:地质分析预报法、TSP预报法、地质雷达法、BEAM法。
通过文献查阅,综合比较各类超前地质预报方法所能获取的与富水岩体相关的参数,确定富水岩体的识别指标:设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化、电阻率。
步骤二:结合物探与地质调查资料对富水岩体进行风险等级的划分,并拟定与各等级相对应的参数范围;
将围岩富水情况划分为4种不同类型的输出值:富含地下水、含中等地下水、含少量地下水、干燥无水,选取6种因子作为预测指标的输入值分别为设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化、电阻率。
富水情况预测目标为富含地下水时,六类因子的信息为:设计阶段富水可能性极大、掌子面淋水及股状水、Vp/Vs非常大、Vp稳定无变化、电磁波波形离散化,强振幅反射波、视电阻率严重降低、电阻率0~0.035kΩ·m;
富水情况预测目标为含中等地下水时,六类因子的信息为:设计阶段富水可能性较大、掌子面线状水、Vp/Vs较大、电磁波波形为杂波、视电阻率降低较大、电阻率0.035~0.1kΩ·m;
富水情况预测目标为含少等地下水时,六类因子的信息为:设计阶段可能含水、掌子面线状水、Vp/Vs略大、电磁波波形为波幅变化不大,接近连续的同相轴、视电阻率稍有降低、电阻率0.1~0.275kΩ·m;
富水情况预测目标为含少等地下水时,六类因子的信息为:设计阶段基本无水、掌子面干燥无水、Vp/Vs基本无变化、电磁波波形低振幅,高频,密集,平滑和连续的同相轴、视电阻率平稳无变化、电阻率大于0.275kΩ·m。
步骤三;构造基于BP神经网络的富水岩体预测模型以及富水岩体影响因子及富水等级定量化;
神经网络的模型结构一般为3层,包括输入层、中间层和输出层。输入层所输入的为富水岩体的6个识别指标,即设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化、电阻率。输出层输出的为对应的期望输出,即岩体的富水情况。中间层节点数由经验公式确定:
其中,各字母含义为:
m:隐含层节点数,n:输入层节点数,l:输出层节点数,a:1-10之间的常数。
确定输入层、隐含层和输出层的节点数目后,采用BP神经网络算法建立富水岩体预测模型。
对富水岩体的各影响因子及富水等级进行赋值,便于神经网络的学习和预测。神经网络模型的输出为富水情况,其中富含地下水赋值1;含大量地下水赋值2;含少量地下水赋值3;干燥无水赋值0。
神经网络模型的输入为6个影响因子,赋值情况如下:设计阶段的地质信息作为输入因子1,其中富水可能性极大赋值1,富水可能性较大赋值2,可能含水赋值3,基本无水赋值0;掌子面出水情况作为输入因子2,其中淋水及股状水赋值1,线状水赋值2,潮湿滴水赋值3,干燥无水赋值0;Vp/Vs作为输入因子3,其中非常大赋值1,较大赋值2,略大赋值3,基本无水变化赋值0。
电磁波波形特征作为输入因子4,其中离散化强振幅反射波赋值1,杂波形式赋值2,波幅变化不大,接近连续的同相轴赋值3,波形低振幅,高频,平滑和连续的同相轴赋值4;视电阻率变化作为输入因子5,其中严重降低赋值1,降低较大赋值2,稍有降低赋值3,平稳无变化赋值0;电阻率情况作为输入因子6,其中电阻率0~0.035kΩ·m赋值1,电阻率0.035~0.1kΩ·m赋值2,电阻率0.1~0.275kΩ·m赋值3,电阻率大于0.275kΩ·m赋值4。
步骤四:构建神经网络学习样本,并进行学习,获得神经网络的预测模型;
其具体过程为:首先收集研究区域富水岩体预报的典型案例,构建学习样本,之后对神经网络模型中各连接权值分别赋一个区间(0,1)内的随机数,设定误差函数E,给定计算精度值和最大学习次数M。后根据输入数据计算网络输出。利用隐含层各神经元的误差项和输入层各神经元的输入来修正隐含层权值。利用输出层各神经元的误差项和隐含层各神经元的输出来修正输出单元的权值。当用完所有样本时,判断网络误差是否满足要求。当误差达到预设精度或学习次数大于预设最大次数,则结束算法。否则,进入下一圈学习。直到结果达到预设精度或学习次数大于预设次数为止。依据获得的权值和阈值建立富水岩体的神经网络预测模型。
步骤五:工程应用。
对工程现场进行地质分析法超前预报、TSP法超前预报、地质法雷达超前预报、BEAM法超前预报。
由专业技术人员使用对应的后处理软件对探测的数据进行处理,得到Vp/Vs、电磁波波形特征、视电阻率变化、电阻率等信息。
将设计阶段的富水情况和掌子面的出水情况以及上述获得的富水岩体的物探信息输入到基于BP神经网络的富水岩体预测模型中,经神经网络的计算分析,判断掌子面前方的围岩富水情况。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:包括以下步骤:
(1)确定富水岩体的主控影响因素;
(2)结合物探与地质调查资料对富水岩体进行风险等级的划分并拟定与各等级相对应的参数范围;
(3)构造基于BP神经网络的富水岩体预测模型以及富水岩体影响因子及富水等级定量化;
(4)构建神经网络学习样本,并进行学习,获得神经网络的预测模型,利用预测模型进行隧道富水岩体综合超前地质预报。
2.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(1)中,确定富水岩体的识别指标:设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化和/或电阻率。
3.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(2)中,根据确定的富水岩体的识别指标值,将围岩富水情况划分为4种不同类型的输出值:富含地下水、含中等地下水、含少量地下水和干燥无水。
4.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(3)中,神经网络的模型结构为3层,包括输入层、中间层和输出层,输入层所输入的为富水岩体的6个识别指标,即设计阶段富水信息、掌子面出水情况、Vp/Vs、电磁波波形特征、视电阻率变化和电阻率;输出层输出的为对应的期望输出,即岩体的富水情况。
5.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(3)中,确定输入层、隐含层和输出层的节点数目,采用BP神经网络算法建立富水岩体预测模型。
6.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(3)中,神经网络模型的输出为富水情况,其中富含地下水赋值1;含大量地下水赋值2;含少量地下水赋值3;干燥无水赋值0。
具体的,地质信息作为第一输入因子,其中富水可能性极大赋值1,富水可能性较大赋值2,可能含水赋值3,基本无水赋值0;
掌子面出水情况作为第二输入因子,其中淋水及股状水赋值1,线状水赋值2,潮湿滴水赋值3,干燥无水赋值0;
Vp/Vs作为第三输入因子,其中非常大赋值1,较大赋值2,略大赋值3,基本无水变化赋值0;
电磁波波形特征作为第四输入因子,其中离散化强振幅反射波赋值1,杂波形式赋值2,波幅变化不大,接近连续的同相轴赋值3,波形低振幅,高频,平滑和连续的同相轴赋值4;
视电阻率变化作为第五输入因子,其中严重降低赋值1,降低较大赋值2,稍有降低赋值3,平稳无变化赋值0;
电阻率情况作为第六输入因子,其中电阻率0~0.035kΩ·m赋值1,电阻率0.035~0.1kΩ·m赋值2,电阻率0.1~0.275kΩ·m赋值3,电阻率大于0.275kΩ·m赋值4。
7.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(4)中,收集研究区域富水岩体预报的典型案例,构建学习样本,之后对神经网络模型中各连接权值分别赋一个区间(0,1)内的随机数,设定误差函数E,给定计算精度值和最大学习次数M,根据输入数据计算网络输出。
8.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(4)中,利用隐含层各神经元的误差项和输入层各神经元的输入来修正隐含层权值;利用输出层各神经元的误差项和隐含层各神经元的输出来修正输出单元的权值。
9.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(4)中,当用完所有样本时,判断网络误差是否满足要求,当误差达到预设精度或学习次数大于预设最大次数,则结束算法;否则,进入下一圈学习,直到结果达到预设精度或学习次数大于预设次数为止;依据获得的权值和阈值建立富水岩体的神经网络预测模型。
10.如权利要求1所述的一种基于BP神经网络的隧道富水岩体综合超前地质预报方法,其特征是:所述步骤(4)中,将设计阶段的富水情况和掌子面的出水情况以及上述获得的富水岩体的物探信息输入到基于BP神经网络的富水岩体预测模型中,经神经网络的计算分析,判断掌子面前方的围岩富水情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030866.5A CN108416458A (zh) | 2018-01-12 | 2018-01-12 | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030866.5A CN108416458A (zh) | 2018-01-12 | 2018-01-12 | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108416458A true CN108416458A (zh) | 2018-08-17 |
Family
ID=63125509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810030866.5A Pending CN108416458A (zh) | 2018-01-12 | 2018-01-12 | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416458A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989028A (zh) * | 2019-11-26 | 2020-04-10 | 山东大学 | 基于人工智能的隧道仿生超前地质预报装备与方法 |
CN112130216A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 基于卷积神经网络多物探法耦合的地质超前精细预报方法 |
CN112177617A (zh) * | 2020-09-25 | 2021-01-05 | 中铁二十局集团有限公司 | 高压富水断层隧道施工超前地质预报预测方法及*** |
CN113010942A (zh) * | 2021-02-25 | 2021-06-22 | 中国铁路设计集团有限公司 | 隧道开挖风险预警及围岩分级评价方法 |
CN113671585A (zh) * | 2021-08-18 | 2021-11-19 | 中国矿业大学 | 一种掘进巷道智能化瞬变电磁探测与实时预警方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729716A (zh) * | 2017-11-27 | 2018-02-23 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
-
2018
- 2018-01-12 CN CN201810030866.5A patent/CN108416458A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729716A (zh) * | 2017-11-27 | 2018-02-23 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
Non-Patent Citations (2)
Title |
---|
廖志泓: "基于BP 神经网络模型预测隧道涌水量的探讨", 《铁路工程技术与经济》 * |
李天斌: "隧道超前地质预报综合分析方法", 《岩石力学与工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989028A (zh) * | 2019-11-26 | 2020-04-10 | 山东大学 | 基于人工智能的隧道仿生超前地质预报装备与方法 |
CN112130216A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 基于卷积神经网络多物探法耦合的地质超前精细预报方法 |
CN112177617A (zh) * | 2020-09-25 | 2021-01-05 | 中铁二十局集团有限公司 | 高压富水断层隧道施工超前地质预报预测方法及*** |
CN113010942A (zh) * | 2021-02-25 | 2021-06-22 | 中国铁路设计集团有限公司 | 隧道开挖风险预警及围岩分级评价方法 |
CN113671585A (zh) * | 2021-08-18 | 2021-11-19 | 中国矿业大学 | 一种掘进巷道智能化瞬变电磁探测与实时预警方法 |
CN113671585B (zh) * | 2021-08-18 | 2022-04-29 | 中国矿业大学 | 一种掘进巷道智能化瞬变电磁探测与实时预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN106372402B (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN108985135A (zh) | 一种人脸检测器训练方法、装置及电子设备 | |
CN108664893A (zh) | 一种人脸检测方法及存储介质 | |
CN106570516A (zh) | 一种利用卷积神经网络cnn的障碍物识别方法 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
US20090276157A1 (en) | System and method for interpretation of well data | |
CN106529667A (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及*** | |
CN108376295A (zh) | 一种油气甜点预测方法及存储介质 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN110472363B (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及*** | |
CN105869100A (zh) | 一种基于大数据思维的滑坡多场监测数据的融合及预测方法 | |
CN107783185A (zh) | 一种层析静校正的处理方法及装置 | |
CN106353820A (zh) | 一种基于知识模型的测井解释方法 | |
CN112035941A (zh) | 一种基于bas-bp模型的深基坑开挖地表沉降预测方法 | |
CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN103637800B (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
Robati et al. | Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN108027896A (zh) | 用于解码具有连续突触可塑性的脉冲储层的***和方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation |
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 |