CN110044268A - 基于光纤反射原理的盾构隧道接缝张开与错台监测*** - Google Patents
基于光纤反射原理的盾构隧道接缝张开与错台监测*** Download PDFInfo
- Publication number
- CN110044268A CN110044268A CN201910209927.9A CN201910209927A CN110044268A CN 110044268 A CN110044268 A CN 110044268A CN 201910209927 A CN201910209927 A CN 201910209927A CN 110044268 A CN110044268 A CN 110044268A
- Authority
- CN
- China
- Prior art keywords
- optical fibre
- displacement sensor
- data
- tunnel
- faulting
- 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.)
- Granted
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 12
- 239000013307 optical fiber Substances 0.000 claims abstract description 58
- 238000006073 displacement reaction Methods 0.000 claims abstract description 33
- 238000004078 waterproofing Methods 0.000 claims abstract description 16
- 238000012806 monitoring device Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 11
- 239000000853 adhesive Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Lining And Supports For Tunnels (AREA)
Abstract
本发明涉及一种基于光纤反射原理的盾构隧道接缝张开与错台监测***,用以对管片接缝防水性能进行监测,包括位移传感器监测装置、沿轴向固定在隧道管片内壁的滑轨、移动式数据接收器和上位机,其中,位移传感器监测装置包括由光纤位移传感器、反射片、激光光源、光电转换器、数据采集器,移动式数据接收器能够沿着滑轨移动,用以定期对盾构隧道内分布的数据采集器的数据进行接收并运送至上位机。
Description
技术领域
本发明属于盾构隧道工程领域,更具体涉及一种地铁盾构隧道接缝张开量与错台量的自主式监测***。
背景技术
随着城市化的发展,地下空间的开发日益增多,譬如城市地下交通,城市管廊等等。在地下结构的发展中,装配式结构受到了推崇,而在装配式结构中,预制构件之间的连接处经常是发生结构进水渗水的部位,当接头处发生漏水,地下结构的安全性会受到极大的威胁。因此,为保证在地铁盾构隧道的正常使用,对于盾构隧道接缝防水的监测必不可少。
目前传统的盾构隧道渗漏水监测方法是安排4名具有专业资质的人员对盾构隧道进行定期检测,其中:照明、拍照、检测隧道和记录各安排1人,通常情况下,完成1个区间段需要花费时间约3h到4h,在取得数据后需要安排人员进行整理与分析,1个盾构区间需要3到4个位人员花费1d时间,以1条典型地铁隧道线路20个区间为例,完成1条线路的检测需要约800h和160人次,在检测过程中,由于工作人员疏忽造成检测点的忽略、数据的误差等原因降低人工检测效率,同时传统方法的检测和分析周期过长以及人员需求过大,极大的降低了地铁盾构隧道防水性能的检测效率。
上述盾构管片接缝监测方法,存在诸多缺陷,例如投入人员多,监测周期长,监测效率较低等。因此,工程界亟需采取更为有效的盾构隧道防水性能自动化监测装置,通过代替人工监测方法以满足日益庞大的地铁***防水监测需求。
发明内容
本发明所要解决的技术问题在于,克服现有盾构隧道管片接缝防水监测技术中存在监测效率较低的问题,通过提供一种基于光纤反射原理的位移传感器装置,有效的对盾构隧道管片接缝的张开量和错台量进行实时监测,为预测接缝防水能力提供评估数据。技术方案如下:
一种基于光纤反射原理的盾构隧道接缝张开与错台监测***,用以对管片接缝防水性能进行监测,包括位移传感器监测装置、沿轴向固定在隧道管片内壁的滑轨、移动式数据接收器和上位机,其特征在于,
位移传感器监测装置包括光纤位移传感器、反射片、激光光源、光电转换器、数据采集器;
所述光纤位移传感器包括输入光纤和输出光纤,输入光纤和输出光纤预埋在管片接缝的侧面,进行对激光传导;
所述反射片,包括多组具有不同镜面反射率的反射条,布设在具有光纤传感器接缝面的对立接缝面,不同镜面反射率的反射带对输入光强进行多级反馈;
所述激光光源与输入光纤连接,为输入光纤提供激光光强;
所述光电转换器与输出光纤连接,将光信号转化为电信号;
所述数据采集器与光电转换器连接,用以对盾构隧道监测实时数据进行储存;
移动式数据接收器能够沿着滑轨移动,用以定期对盾构隧道内分布的数据采集器的数据进行接收并运送至上位机。
优选地,上位机基于BP神经网络算法进行机器学习:通过对多个管片接缝防水水密性试验数据样本进行训练,根据梯度下降的前馈传递与反向传播学习规则减小目标输出值与实际输出值的误差,建立接缝张开量和错台量与防水能力的特征关系,从而利用神经网络对运营期隧道管片接缝监测数据进行决策与预警。
本发明与传统技术相比,具有以下优点和有益效果:
1.本发明在盾构管片接缝处设置反射式位移传感器,通过光强变化规律,对盾构隧道接缝张开量进行实时监测;
2.本发明通过设置具有不同镜面反射率的自贴式反射带,通过不同反射率标定接缝错台量,对盾构隧道接缝错台量进行实时监测。
附图说明
图1为本发明提供的地铁盾构隧道管片接缝防水能力智能化监测与预警方法流程图;
图2为本发明的地盾构隧道接缝张开与错台监测***示意图;
图3为本发明反射式位移传感器原理示意图;
图4为本发明反射式位移传感器布设示意图;
图5为不同反射率条件下反射光强的光纤微位移传感器模拟曲线图;
图6为本发明神经网络学习模型示意图。
在图1~6中包括有:
1-地铁盾构隧道;
2-隧道拱顶;
3-隧道拱腰;
4-隧道拱底;
5-隧道纵缝;
6-隧道环缝;
7-数据采集器;
8-滑轨;
9-移动式数据接收器;
10-光纤位移传感器;
11-输入光纤;
12-输出光纤;
13-自贴式反射片;
14-反射条;
15-橡胶密封垫;
16-密封槽外侧;
17-密封槽内侧;
18-激光光源;
19-光电转换器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明:
本发明基于BP人工神经网络智能算法,针对地铁盾构隧道接缝防水传统检测方法出现的问题,提出预警式地铁盾构隧道管片接缝防水性能智能监测方法,通过以接缝张开量和错台量表征接缝防水能力的样本数据进行监督学习,形成接缝防水能力神经网络模型,对成型盾构隧道管片接缝监测张开量和错台量进行诊断与分析,以此作为中间桥梁,做出管片接缝防水能力预测与预警。图1为流程图。
本发明采用的盾构隧道接缝张开与错台监测***,用以对管片接缝防水性能进行监测,包括位移传感器监测装置、沿轴向固定在隧道管片内壁的滑轨、移动式数据接收器和上位机。其中,位移传感器监测装置包括光纤位移传感器、自贴式反射片、激光光源、光电转换器、数据采集器。
参见图2所述地铁盾构隧道1管片接缝分为管片与管片间的隧道纵缝5和管环与管环间的隧道环缝6,隧道纵缝5和隧道环缝6为盾构隧道防水的主要部位,根据已有研究表明地铁盾构隧道1的隧道拱顶2、隧道拱腰3以及隧道拱底4在运营期间管片接缝容易发生渗漏,通常造成接缝发生渗流的因素为接缝张开量Δi过大和错台量Si过大,管片接缝张开量和错台量与密封垫接触应力密切相关,因此所述监测***主要在隧道拱顶2、隧道拱腰3以及隧道拱底4布设反射式光纤位移传感器(图中未画出),以运营期时域内输出的张开量和错台量变化进行表征接缝防水能力变化,数据采集器7对管片接缝处的反射式光纤位移传感器的监测数据进行接收、储存与传输,移动式数据接收器9沿着滑轨8定期对盾构隧道内分布的数据采集器7的数据进行接收并运送至上位机。
参见图3所述接缝张开量Δi与错台量Si监测装置主要由光纤位移传感器10和自贴式反射片13组成,光纤位移传感器10和自贴式反射片13分别位于管片接缝面两侧,光纤位移传感器10中包括输入光纤11和输出光纤12,光从光源耦合进入输入光纤11内,经自贴式反射片13再被反射至输出光纤12,由于输入光纤11与输出光纤12的光强有所差异,基于此原理进行对管片接缝进行测量,设定输入光纤11纤端出射光场分布为轴对称高斯分布模型,对输入光纤11出射光强与输出光纤12接收光强进行推导为:
式中,I(Δi)为输出光纤12接收光强,I0为输入光纤11出射光强,a为光纤半径,Ri为自贴式反射片13的镜面反射率,Δi为管片接缝张开量,θc为反射角。
所述自贴式反射片13由不同组反射条14组成,每组反射片计算参数从上至下分别为:
[R-i,H-i],……,[R-1,H-1],[R0,H0],[R1,H1],……,[Ri,Hi]
其中Ri为以上而下分别为不同数量级的镜面反射率,Hi为反射条14的宽度,由于量测接缝错台量量级为1mm,因此H-i=……=H-1=H0=……=Hi=1mm,通过不同的镜面反射率设定不同的接缝错台值。
当所述输出光纤12位于反射光锥之内,反射光被输出光纤12接收,并且得到在不同Ri条件下I(Δi)~Δi的关系曲线。接缝间的错台量Si由不同数量级的镜面反射率Ri计算的曲线特征进行判断,接缝间的张开量Δi由镜面反射率Ri条件下的I(Δi)~Δi曲线可得出。
参见图4管片接缝防水能力主要由橡胶密封垫15压缩实现,当盾构隧道处于深地层中时,隧道拱顶2和隧道拱底4的反射式光纤位移传感器主要设置在密封槽内侧17,隧道拱腰3的反射式光纤位移传感器主要设置在密封槽外侧16。当盾构隧道处于浅地层中时,隧道拱顶2和隧道拱底4的反射式光纤位移传感器主要设置在密封槽外侧16,隧道拱腰3的反射式光纤位移传感器主要设置在密封槽内侧17。反射式光纤位移传感器的光纤位移传感器10预埋在管片内,纤端与接缝面齐平,自贴式反射片13贴至接缝表面,光纤传感器10光纤沿管片接缝面平行布设,输入光纤11外接激光光源18,输出光纤12外接光电转换器19,光信号经过光电转换器19后将光强与张开量Δi的映射关系转换为电压与张开量Δi的映射关系,数据采集器7对光电转换器19输出的电信号进行收集并储存。
通过所述反射式光纤位移传感器结合实施例,对本发明进一步详细说明。利用I(Δi)表示的光纤输出特性调制函数,利用下式对光纤输出光强影响参数表示出来:
I(Δi)=f(a,Ri,θc)
利用MATLAB软件控制变量法数值仿真进行模拟不同镜面反射率对光纤位移传感器的影响,得出不同反射率条件下反射光强的光纤微位移传感器理论曲线,如图5所示。其中,输入光纤11出射光强I0=60×108cd,输入光纤11和输出光纤12半径a=0.2mm,反射角θc=15°,自贴式反射片13镜面反射率Ri按照不同错台量Si进行标定,反射条14分别取为0.1、0.2、……、0.9、1.0等10个反射率。
参见图6所述接缝防水能力智能学习***主要基于BP神经网络算法进行机器学习,通过对大量的管片接缝防水水密性试验数据样本进行训练,根据梯度下降的前馈传递与反向传播学习规则减小目标输出值与实际输出值的误差,有效的建立接缝张开量和错台量与防水能力的特征关系,从而可利用神经网络对运营期隧道管片接缝监测数据进行决策与预警。
算法学习主要步骤如下:
(1)数据样本的采集与处理
采集数据主要从管片接缝水密性的多组试验取得,其试验内容为在不同错台量Si条件下接缝防水性能Paver,water与接缝张开量Δi之间的非线性关系,因此,每组试验数据包括如下参数:管片接缝张开量(Δi)、管片接缝错台量(Si)、密封垫硬度(A)、接缝防水能力(Paver,water),将上述数据进行分组为训练数据与测试数据。
由于各个参数的数量级悬殊,为加快神经网络的收敛速度,需对采集的数据进行归一化处理,使其转化为[0,1]区间内的对应值其计算公式为:
式中,Xmin为各参数的最小值,Xmax为各参数的最大值,Xi为各参数的采集数据,为各参数归一化处理后的数值。
(2)BP神经网络的建立
建立基于BP神经网络的盾构管片接缝防水能力学习模型,该神经网络模型包括一个输入层、一个隐含层和一个输出层,其中输入层包含3个神经元:管片接缝张开量、管片接缝错台量、密封垫硬度;输出层包含一个神经单元,即管片接缝防水能力;隐含层节点个数由经验公式可得:
式中,m为输入层节点个数,n为输出层节点个数,a为1~10之间的调节常数。根据计算可得神经网络中隐含层节点个数为6。
根据输入训练样本的非线性特点,该神经网络中隐含层与输出层神经单元的激活函数均采用对Sigmoid型变换函数求导,其公式为:
该神经网络学习模型可以通过Python中scikit-learn库进行实现,输入层和输出层的神经元均采用步骤(1)归一化处理后的试验样本数据。
(3)神经网络前馈传递与测试
设置神经网络训练停止条件:最大迭代次数和训练目标误差,将步骤(1)归一化处理后的试验样本数据输入到步骤(2)构建的神经网络学习模型,在样本数据训练完成后,将管片接缝防水测试数据代入训练神经元矩阵进行检验。其中,所述的训练目标误差采用均方进行计算,其公式为:
式中,Q为输入层神经元训练组数,Y(k)为神经网络预测值,t(k)为神经网络输出层实际输出值,使均方误差小于训练目标误差。
(4)测试数据中神经网络输出数据即防水能力数值反向传播
神经网络测试完成之后,将输出数据进行反归一化处理,所述处理流程:
式中,Y为反归一化处理后的输出值,Ymin为水密性试验数据中管片接缝防水能力的最小值,Ymax为水密性试验数据中管片接缝防水能力的最大值,为神经网络输出实际值。
比较水密性试验数据与神经网络模型反归一化的输出值,评价训练神经网络学习模型的准确性与适用性。
(5)利用建立的神经网络模型对运营期间管片接缝监测数据进行处理
运用具有适用性的神经网络模型对隧道管片接缝监测的张开量Δi,monitor和错台量Si,monitor进行诊断和分析,并输出接缝防水能力实际值,通过判断分析:
式中,Pneuron,water为神经网络模型输出接缝防水能力值,Pdesign,water为管片接缝防水设计值。
当所述条件满足①时,管片接缝防水能力正常;当所述条件满足②时,则管片接缝防水能力失效,通过定位、统计接缝防水失效点分布和监测值,诊断隧道防水失效原因并预测接缝防水能力变化趋势,对所述分析和预测进行预警,并提出相关治理建议。
以上所述仅为本发明的优选实施方式,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,凡在本发明的精神和原则之内,所作的任何修改、同等替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于光纤反射原理的盾构隧道接缝张开与错台监测***,用以对管片接缝防水性能进行监测,包括位移传感器监测装置、沿轴向固定在隧道管片内壁的滑轨、移动式数据接收器和上位机,其特征在于,
位移传感器监测装置包括光纤位移传感器、反射片、激光光源、光电转换器、数据采集器;
所述光纤位移传感器包括输入光纤和输出光纤,输入光纤和输出光纤预埋在管片接缝的侧面,进行对激光传导;
所述反射片,包括多组具有不同镜面反射率的反射条,布设在具有光纤传感器接缝面的对立接缝面,不同镜面反射率的反射带对输入光强进行多级反馈;
所述激光光源与输入光纤连接,为输入光纤提供激光光强;
所述光电转换器与输出光纤连接,将光信号转化为电信号;
所述数据采集器与光电转换器连接,用以对盾构隧道监测实时数据进行储存;
移动式数据接收器能够沿着滑轨移动,用以定期对盾构隧道内分布的数据采集器的数据进行接收并运送至上位机。
2.根据权利要求1所述的监测***,其特征在于,上位机基于BP神经网络算法进行机器学习:通过对多个管片接缝防水水密性试验数据样本进行训练,根据梯度下降的前馈传递与反向传播学习规则减小目标输出值与实际输出值的误差,建立接缝张开量和错台量与防水能力的特征关系,从而利用神经网络对运营期隧道管片接缝监测数据进行决策与预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209927.9A CN110044268B (zh) | 2019-03-19 | 2019-03-19 | 基于光纤反射原理的盾构隧道接缝张开与错台监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209927.9A CN110044268B (zh) | 2019-03-19 | 2019-03-19 | 基于光纤反射原理的盾构隧道接缝张开与错台监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110044268A true CN110044268A (zh) | 2019-07-23 |
CN110044268B CN110044268B (zh) | 2021-08-31 |
Family
ID=67273857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910209927.9A Active CN110044268B (zh) | 2019-03-19 | 2019-03-19 | 基于光纤反射原理的盾构隧道接缝张开与错台监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110044268B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926409A (zh) * | 2019-11-21 | 2020-03-27 | 华中科技大学 | 一种隧道收敛沉降监测*** |
CN111141219A (zh) * | 2020-03-27 | 2020-05-12 | 深圳大学 | 一种基于低相干干涉技术的高精度隧道错台定位***及方法 |
CN112902816A (zh) * | 2021-02-05 | 2021-06-04 | 深圳大学 | 一种隧道管片错台监测***及方法 |
CN114152245A (zh) * | 2022-02-10 | 2022-03-08 | 交通运输部天津水运工程科学研究所 | 水下悬浮隧道试验多维度运动位姿测量***及计算方法 |
CN114812361A (zh) * | 2022-04-29 | 2022-07-29 | 苏交科集团股份有限公司 | 一种装配式隧道接缝错台量测量***以及方法 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN116989680A (zh) * | 2023-09-28 | 2023-11-03 | 武汉科技大学 | 一种盾构管片拼装过程中接缝的光纤光栅监测装置及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1093163A (zh) * | 1993-04-01 | 1994-10-05 | 浙江大学 | 光纤位移传感器 |
DE69214994T2 (de) * | 1991-04-30 | 1997-03-20 | Dainippon Screen Mfg | Vorrichtung zur Spaltmessung und Verfahren zu ihrer Herstellung |
CN2681083Y (zh) * | 2004-02-24 | 2005-02-23 | 华中科技大学 | 光纤束位移传感器 |
CN201517920U (zh) * | 2009-10-12 | 2010-06-30 | 中国水电顾问集团华东勘测设计研究院 | 光纤布拉格光栅串式多点位移传感器 |
CN103314181A (zh) * | 2011-01-11 | 2013-09-18 | 贝克休斯公司 | 用于基于扫描波长干涉的传感***的传感器阵列配置 |
CN103837084A (zh) * | 2014-02-18 | 2014-06-04 | 浙江华东工程安全技术有限公司 | 基于激光光斑成像技术的三向位移量测方法 |
CN104240470A (zh) * | 2013-06-09 | 2014-12-24 | 同济大学 | 一种适用于地铁盾构隧道的无线接缝位移测量*** |
CN205000992U (zh) * | 2015-08-27 | 2016-01-27 | 江苏省交通规划设计院股份有限公司 | 一种可大规模高精度在线监测盾构隧道错台的*** |
-
2019
- 2019-03-19 CN CN201910209927.9A patent/CN110044268B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69214994T2 (de) * | 1991-04-30 | 1997-03-20 | Dainippon Screen Mfg | Vorrichtung zur Spaltmessung und Verfahren zu ihrer Herstellung |
CN1093163A (zh) * | 1993-04-01 | 1994-10-05 | 浙江大学 | 光纤位移传感器 |
CN2681083Y (zh) * | 2004-02-24 | 2005-02-23 | 华中科技大学 | 光纤束位移传感器 |
CN201517920U (zh) * | 2009-10-12 | 2010-06-30 | 中国水电顾问集团华东勘测设计研究院 | 光纤布拉格光栅串式多点位移传感器 |
CN103314181A (zh) * | 2011-01-11 | 2013-09-18 | 贝克休斯公司 | 用于基于扫描波长干涉的传感***的传感器阵列配置 |
CN104240470A (zh) * | 2013-06-09 | 2014-12-24 | 同济大学 | 一种适用于地铁盾构隧道的无线接缝位移测量*** |
CN103837084A (zh) * | 2014-02-18 | 2014-06-04 | 浙江华东工程安全技术有限公司 | 基于激光光斑成像技术的三向位移量测方法 |
CN205000992U (zh) * | 2015-08-27 | 2016-01-27 | 江苏省交通规划设计院股份有限公司 | 一种可大规模高精度在线监测盾构隧道错台的*** |
Non-Patent Citations (3)
Title |
---|
W. BROEREA: "Correlation between the kinematics of a Tunnel Boring Machine and the observed soil displacements", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》 * |
周宁: "越江盾构隧道纵向变形曲率与管环渗漏的关系", 《同济大学学报》 * |
赖金星: "盾构隧道管片裂缝病害的综合监测与分析", 《现代隧道技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926409A (zh) * | 2019-11-21 | 2020-03-27 | 华中科技大学 | 一种隧道收敛沉降监测*** |
CN111141219A (zh) * | 2020-03-27 | 2020-05-12 | 深圳大学 | 一种基于低相干干涉技术的高精度隧道错台定位***及方法 |
CN111141219B (zh) * | 2020-03-27 | 2020-11-03 | 深圳大学 | 一种基于低相干干涉技术的高精度隧道错台定位***及方法 |
CN112902816A (zh) * | 2021-02-05 | 2021-06-04 | 深圳大学 | 一种隧道管片错台监测***及方法 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN114152245A (zh) * | 2022-02-10 | 2022-03-08 | 交通运输部天津水运工程科学研究所 | 水下悬浮隧道试验多维度运动位姿测量***及计算方法 |
CN114812361A (zh) * | 2022-04-29 | 2022-07-29 | 苏交科集团股份有限公司 | 一种装配式隧道接缝错台量测量***以及方法 |
CN114812361B (zh) * | 2022-04-29 | 2024-01-30 | 苏交科集团股份有限公司 | 一种装配式隧道接缝错台量测量方法 |
CN116989680A (zh) * | 2023-09-28 | 2023-11-03 | 武汉科技大学 | 一种盾构管片拼装过程中接缝的光纤光栅监测装置及方法 |
CN116989680B (zh) * | 2023-09-28 | 2023-12-29 | 武汉科技大学 | 一种盾构管片拼装过程中接缝的光纤光栅监测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110044268B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110044268A (zh) | 基于光纤反射原理的盾构隧道接缝张开与错台监测*** | |
CN110006348A (zh) | 一种预警式地铁盾构隧道管片接缝防水性能智能监测方法 | |
CN112945139B (zh) | 一种三维扫描结合bim技术的盾构工程辅助*** | |
CN105426980B (zh) | 一种配电网健康指数评估工程应用*** | |
CN110245411A (zh) | 一种城镇集中供热***及泄漏点检测方法 | |
CN112036086A (zh) | 燃气管线动态风险预警*** | |
CN114783143A (zh) | 一种基于可视化的地下电缆管廊施工安全监测预警分析*** | |
CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
CN115127037B (zh) | 一种供水管网漏损定位方法及*** | |
CN107013812A (zh) | 一种三场耦合管道泄漏监测方法 | |
Wang et al. | The replacement of dysfunctional sensors based on the digital twin method during the cutter suction dredger construction process | |
CN206958607U (zh) | 一种智能城市燃气pe管网测控*** | |
CN113128709B (zh) | 一种供水管网漏损管理*** | |
CN114739891A (zh) | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** | |
CN116822352A (zh) | 基于grnn神经网络的井下防水密闭墙工况预测方法及*** | |
CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
CN111982231A (zh) | 一种低功耗水位一体化智能监测*** | |
CN116164241A (zh) | 一种瓦斯抽采管网泄漏故障智能检测方法 | |
CN114413832B (zh) | 一种基于光纤传感的道路监测***及方法 | |
CN115563864A (zh) | 电缆隧道渗漏水智能预测方法 | |
CN116013047A (zh) | 基于图注意力网络和长短期记忆网络的浓雾短临趋势预警***与方法 | |
CN206819417U (zh) | 用于智能管廊的巡检*** | |
CN1542405A (zh) | 大跨径桥梁结构挠度监测方法 | |
CN205374028U (zh) | 铁路预制梁静载试验用自动测试装置 | |
Yu et al. | The design and evaluation of tunnel health monitoring system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |