CN110489844B - 一种适用于软岩隧道不均匀大变形等级预测方法 - Google Patents
一种适用于软岩隧道不均匀大变形等级预测方法 Download PDFInfo
- Publication number
- CN110489844B CN110489844B CN201910734981.5A CN201910734981A CN110489844B CN 110489844 B CN110489844 B CN 110489844B CN 201910734981 A CN201910734981 A CN 201910734981A CN 110489844 B CN110489844 B CN 110489844B
- Authority
- CN
- China
- Prior art keywords
- deformation
- grade
- uneven
- soft rock
- rock tunnel
- 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.)
- Active
Links
- 239000011435 rock Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010276 construction Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 9
- 238000013278 delphi method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000009933 burial Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本公开提供了一种适用于软岩隧道不均匀大变形等级预测方法,获取各已有软岩隧道的地质条件、施工条件和变形数据,将不均匀变形程度分级为基础变形等级和变形不均匀等级,对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库;采用不同的方法计算主要因素的主观和客观权重,得到综合权重,采用灰色关联度理论分别计算各影响因素和软岩隧道基础变形等级和变形不均匀等级的关联度,关联性小于设定值的影响因素进行约简;以约简后的影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,构建软岩隧道不均匀大变形人工神经网络预测模型;将待预测的软岩隧道的采集数据输入人工神经网络预测模型,得到预测结果。
Description
技术领域
本公开属于岩土变形预测领域,涉及一种适用于软岩隧道不均匀大变形等级预测方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
软岩具有强度低、孔隙度大、胶结程度差、受构造及风化影响显著、含大量膨胀性粘土矿物等特性,在工程施工干扰下产生显著塑性变形和流变。由于软岩结构和强度上的缺陷,以及地应力、地下水条件以及施工等因素的影响,软岩隧道的围岩强度及应力分布差异而产生不均匀变形,导致支护结构局部破坏,对隧道安全施工产生严重影响。隧道变形分级预测可对未开挖隧道断面变形进行定性的预测评价,为隧道变形破坏的防治提供依据。
据发明人了解,传统的隧道变形分级预测主要采用经验公式和数值模拟等方法,但由于软岩隧道不均匀大变形受到工程地质因素和施工因素等多种因素的影响,属于非线性求解问题,传统的经验公式和数值模拟方法都有一定的局限性,且很难对隧道变形不均匀程度进行预测。
发明内容
本公开为了解决上述问题,提出了一种适用于软岩隧道不均匀大变形等级预测方法,本公开能够对软岩隧道不均匀大变形进行准确预测。
根据一些实施例,本公开采用如下技术方案:
一种适用于软岩隧道不均匀大变形等级预测方法,包括以下步骤:
获取各已有软岩隧道的地质条件、施工条件和变形数据,将不均匀变形程度分级为基础变形等级和变形不均匀等级,并从地质因素和施工因素方面确定影响软岩隧道不均匀大变形的主要因素,并对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库;
采用不同的方法计算主要因素的主观和客观权重,得到各因素的综合权重;
基于各主要因素综合权重,采用灰色关联度理论分别计算各影响因素和软岩隧道基础变形等级和变形不均匀等级的关联度,关联性小于设定值的影响因素进行约简;
以约简后的影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,建立优化的样本数据库,来构建软岩隧道不均匀大变形人工神经网络预测模型;
将待预测的软岩隧道的采集数据输入人工神经网络预测模型,得到预测结果。
根据预测结果对预测属于变形不均匀等级的地区进行加护施工。
作为可能的实施方式,地质条件包括岩体完整性系数、岩层倾角、岩体单轴饱、抗压强度、粘聚力、变形模量、泊松比、隧道水渗水量、隧道第一主应力和隧道埋深。
作为可能的实施方式,施工条件包括隧道跨度、开挖方法、隧道初期支护闭合时间和支护强度。
作为可能的实施方式,根据隧道平均相对变形程度和异常大变形程度,将隧道变形分为基础变形等级和变形不均匀等级,等级越大不均匀变形程度越高;按照数值大小或对变形影响程度的大小,将每个影响因素划分为不同等级;对变形等级和因素等级均赋予相应的分类值,从而建立了软岩隧道不均匀大变形初始样本数据库。
作为可能的实施方式,通过德尔菲方法,计算各主要因素的主观权重。
作为可能的实施方式,采用粗糙集理论,计算各主要因素的客观权重。
作为可能的实施方式,根据初始样本数据库,确定指标矩阵和参考序列,进行数据归一化,将各因素的综合权重作为关联系数的加权值,采用灰色关联度理论计算各因素的关联度。
作为可能的实施方式,以约简后的影响因素指标为输入参数,以基础变形等级和变形不均匀等级为输出参数,对样本数据库的数据进行归一化,来构建软岩隧道不均匀大变形人工神经网络预测模型,利用模型来进行预测,利用预测值来进行防护。
一种适用于软岩隧道不均匀大变形等级预测***,包括:
样本数据库构建模块,被配置为获取各已有软岩隧道的地质条件、施工条件和变形数据,将不均匀变形程度分级为基础变形等级和变形不均匀等级,并从地质因素和施工因素方面确定影响软岩隧道不均匀大变形的主要因素,并对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库;
权重设置模块,被配置为采用不同的方法计算主要因素的主观和客观权重,得到各因素的综合权重;
优化模块,被配置为基于各主要因素综合权重,采用灰色关联度理论分别计算各影响因素和软岩隧道基础变形等级和变形不均匀等级的关联度,对关联性小于设定值的影响因素进行约简;
预测模型构建模块,被配置为以约简后的影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,建立优化的样本数据库,来构建软岩隧道不均匀大变形人工神经网络预测模型,得到预测结果。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种适用于软岩隧道不均匀大变形等级预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种适用于软岩隧道不均匀大变形等级预测方法。
与现有技术相比,本公开的有益效果为:
1、本公开以大量的软岩隧道实际工程为依托,广泛的收集实际工程的地质信息、施工资料和监控量测数据,建立的样本数据库具有广度和代表性。采用德尔菲法-粗糙集理论计算影响因素综合权重,并应用到灰色关联度因素约简中,对初始样本数据库进行优化,数据库优化方法科学合理,极大地提高了人工神经网络预测结果的准确性。人工神经网络预测方法特有的可以解决非线性任意函数逼近的特点,具有独特的优越性,预测结果准确率高。
2、在软岩隧道不均匀大变形预测时,只需将需要预测隧道的地质条件和施工条件分类量化后,作为输入参数输入获得的最优人工神经网络预测模型,即可获得隧道的基础变形等级和变形不均匀等级,方法简单,可靠。如果预测的基础变形等级过大,根据等级大小,相应的优化隧道施工方案,加大基础支护强度,如果预测的变形不均匀等级过大,根据等级大小,对异常变形区域进行相应程度的超前支护,这有利于更好地控制变形,提高施工安全和效率。因此,本公开对软岩不均匀大变形隧道的设计和施工具有很大的实用价值。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是步骤流程图;
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
本公开在广泛收集已建和在建的软岩隧道的地质条件、施工条件和变形数据的基础上,结合德尔菲方法、粗糙集理论、灰色关联度理论和人工神经网络方法,提出了一种适用于软岩隧道不均匀大变形等级预测方法。本发明广泛收集已建和在建的软岩隧道的地质条件、施工条件和变形数据,综合分析软岩隧道不均匀变形特征,将不均匀变形等级分为基础变形等级和变形不均匀等级,并从地质因素和施工因素方面分析影响软岩隧道不均匀大变形的主要因素,并对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库;通过德尔菲方法,计算各因素的主观权重。利用初始样本数据库,采用粗糙集理论,计算因素客观权重。结合主客观权重,计算各因素的综合权重;利用初始样本数据库,结合各因素综合权重,采用灰色关联度理论分别计算各影响因素和软岩隧道基础变形等级和变形不均匀等级的关联性,对关联性较小的影响因素进行约简,对原始样本数据库进行优化;以约简后的影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,来构建软岩隧道不均匀大变形人工神经网络预测模型。本方法以大量的软岩隧道实际工程为依托,广泛的收集实际工程的地质信息、施工资料和监控量测数据,建立的样本数据库具有广度和代表性。将德尔菲法和粗糙集理论相结合,综合考虑主客观权重,计算影响因素综合权重,并应用到灰色关联度因素约简中,对初始样本数据库进行优化,这极大地提高了人工神经网络预测结果的准确性。同时人工神经网络预测方法特有的可以解决非线性任意函数逼近的特点,为精确求解复杂的软岩隧道不均匀大变形问题提供了可能。本方法样本数据真实,信息量丰富且具有代表性。数据库优化方法科学合理,预测方法具有独特的优越性,预测结果准确率高。对软岩不均匀大变形的预测和安全施工有重要的指导意义。
如图1所示,具体包括:
(1)通过收集已建和在建的软岩隧道的地质条件、施工条件和变形数据,将不均匀变形程度分级为基础变形等级和变形不均匀等级,并从地质因素和施工因素方面分析影响软岩隧道不均匀大变形的主要因素,并对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库。
(2)通过德尔菲方法,计算各因素的主观权重。采用粗糙集理论,计算因素客观权重。结合主客观权重,计算各因素的综合权重。
(3)结合各因素综合权重,采用灰色关联度理论分别计算各影响因素和软岩隧道基础变形等级和变形不均匀等级的关联度,对关联性较小的影响因素进行约简;
(4)以约简后的影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,建立优化的样本数据库,来构建软岩隧道不均匀大变形人工神经网络预测模型。
进一步的,所述步骤(1)中,地质条件包括岩体完整性系数,岩层倾角,岩体单轴饱和抗压强度、粘聚力、变形模量、泊松比,隧道水渗水量,隧道第一主应力,隧道埋深。施工条件包括隧道跨度、开挖方法、隧道初期支护闭合时间和支护强度。将以上条件作为软岩隧道不均匀大变形的主要影响因素。
进一步的,所述步骤(1)中,根据隧道平均相对变形程度和异常大变形程度,将隧道变形分为基础变形等级和变形不均匀等级,等级越大不均匀变形程度越高。按照数值大小或对变形影响程度的大小,将每个影响因素划分为不同等级。对变形等级和因素等级均赋予相应的分类值(如等级为1,则分类值为1,等级为2,则分类值为2,以此类推),从而建立了软岩隧道不均匀大变形初始样本数据库。
进一步的,所述步骤(2)中,德尔菲方法采用专家打分法,选择从事相关研究的专家,分别对软岩隧道基础变形等级和变形不均匀等级的影响因素的重要性打分,通过德尔菲方法分别计算各影响因素对基础变形等级和变形不均匀等级的主观权重。其主要步骤为:1、专家选择;2、评价意见征询表设计;3、专家征询与论询的信息反馈;4、结果的数据处理和权重确定。
进一步的,所述步骤(2)中,根据初始样本数据库,以各影响因素为条件属性,分别以基础变形等级和变形不均匀等级为决策属性,利用粗糙集理论分别计算各影响因素对基础变形等级和变形不均匀等级的客观权重。其主要步骤:1、构建条件属性集和决策属性集;2、计算决策属性支持度;3、计算各条件属性对决策属性的重要程度;4、权重计算。
进一步的,所述步骤(2)中,根据求得的主观权重和客观权重,利用公式:计算综合权重,其中wi为第i个影响因素的综合权重,为粗糙集方法求得的第i个影响因素的客观权重,为德尔菲方法求得的第i个影响因素的主观权重,n为影响因素的数量。
进一步的,所述步骤(3)中,根据初始样本数据库,将各因素的综合权重作为关联系数的加权值,采用灰色关联度理论计算各因素的关联度,对关联性较小的影响因素进行约简。其主要步骤:1、确定指标矩阵和参考序列;2、数据归一化;3、计算关联系数;4、计算关联度。
进一步的,所述步骤(4)中,以约简后的影响因素指标为输入参数,以基础变形等级和变形不均匀等级为输出参数,建立优化的样本数据库,来构建软岩隧道不均匀大变形人工神经网络预测模型。其主要步骤:1、确定输入参数和输出参数,建立训练样本数据库;2、数据归一化;3、确定人工神经网络基本架构:隐藏层神经元数目和层数、神经网络类型、传递函数、训练函数和学习函数等;4、软岩隧道不均匀大变形人工神经网络预测模型训练,获得最优预测模型。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开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公开的保护范围以内。
Claims (9)
1.一种适用于软岩隧道不均匀大变形等级预测方法,其特征是:包括以下步骤:
获取各已有软岩隧道的地质条件、施工条件和变形数据,将不均匀变形程度分级为基础变形等级和变形不均匀等级,并从地质因素和施工因素方面确定软岩隧道不均匀大变形的主要影响因素,并对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库;
采用不同的方法计算主要影响因素的主观和客观权重,得到各主要影响因素的综合权重;
基于各主要影响因素综合权重,采用灰色关联度理论分别计算各主要影响因素和软岩隧道基础变形等级和变形不均匀等级的关联度,关联度小于设定值的主要影响因素进行约简;
以约简后的主要影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,建立优化的样本数据库,来构建软岩隧道不均匀大变形人工神经网络预测模型;
将待预测的软岩隧道的采集数据输入人工神经网络预测模型,得到预测结果。
2.如权利要求1所述的一种适用于软岩隧道不均匀大变形等级预测方法,其特征是:地质条件包括岩体完整性系数、岩层倾角、岩体单轴饱、抗压强度、粘聚力、变形模量、泊松比、隧道水渗水量、隧道第一主应力和隧道埋深。
3.如权利要求1所述的一种适用于软岩隧道不均匀大变形等级预测方法,其特征是:施工条件包括隧道跨度、开挖方法、隧道初期支护闭合时间和支护强度。
4.如权利要求1所述的一种适用于软岩隧道不均匀大变形等级预测方法,其特征是:根据隧道平均相对变形程度和异常大变形程度,将隧道变形分为基础变形等级和变形不均匀等级,等级越大不均匀变形程度越高;按照数值大小或对变形影响程度的大小,将每个主要影响因素划分为不同等级;对变形等级和因素等级均赋予相应的分类值,从而建立了软岩隧道不均匀大变形初始样本数据库。
5.如权利要求1所述的一种适用于软岩隧道不均匀大变形等级预测方法,其特征是:通过德尔菲方法,计算各主要影响因素的主观权重;采用粗糙集理论,计算各主要影响因素的客观权重。
6.如权利要求1所述的一种适用于软岩隧道不均匀大变形等级预测方法,其特征是:根据初始样本数据库,确定指标矩阵和参考序列,进行数据归一化,将各主要影响因素的综合权重作为关联系数的加权值,采用灰色关联度理论计算各主要影响因素的关联度。
7.一种适用于软岩隧道不均匀大变形等级预测***,其特征是:包括:
样本数据库构建模块,被配置为获取各已有软岩隧道的地质条件、施工条件和变形数据,将不均匀变形程度分级为基础变形等级和变形不均匀等级,并从地质因素和施工因素方面确定软岩隧道不均匀大变形的主要影响因素,并对主要影响因素分类量化,建立软岩隧道不均匀大变形初始样本数据库;
权重设置模块,被配置为采用不同的方法计算主要影响因素的主观和客观权重,得到各主要影响因素的综合权重;
优化模块,被配置为基于各主要影响因素综合权重,采用灰色关联度理论分别计算各主要影响因素和软岩隧道基础变形等级和变形不均匀等级的关联度,对关联性小于设定值的主要影响因素进行约简;
预测模型构建模块,被配置为以约简后的主要影响因素指标作为输入参数,以基础变形等级和变形不均匀等级为输出参数,建立优化的样本数据库,来构建软岩隧道不均匀大变形人工神经网络预测模型,得到预测结果。
8.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的一种适用于软岩隧道不均匀大变形等级预测方法。
9.一种终端设备其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-6中任一项所述的一种适用于软岩隧道不均匀大变形等级预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734981.5A CN110489844B (zh) | 2019-08-09 | 2019-08-09 | 一种适用于软岩隧道不均匀大变形等级预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734981.5A CN110489844B (zh) | 2019-08-09 | 2019-08-09 | 一种适用于软岩隧道不均匀大变形等级预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110489844A CN110489844A (zh) | 2019-11-22 |
CN110489844B true CN110489844B (zh) | 2021-04-16 |
Family
ID=68549614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910734981.5A Active CN110489844B (zh) | 2019-08-09 | 2019-08-09 | 一种适用于软岩隧道不均匀大变形等级预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489844B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914453B (zh) * | 2020-07-29 | 2022-04-12 | 中国科学院武汉岩土力学研究所 | 一种用于薄层状软岩大变形预测方法 |
CN115511001B (zh) * | 2022-10-21 | 2023-07-18 | 中铁二院工程集团有限责任公司 | 一种基于空地井综合勘探资料的隧道围岩分级方法及设备 |
CN116975623B (zh) * | 2023-05-04 | 2024-01-30 | 西南交通大学 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101737063A (zh) * | 2009-11-16 | 2010-06-16 | 西安理工大学 | 地裂缝隧道沥青混凝土复合衬砌及其支护方法 |
CN107194049A (zh) * | 2017-05-09 | 2017-09-22 | 山东大学 | 一种隧道及地下工程危岩落石风险的多指标可拓评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003314188A (ja) * | 2002-04-23 | 2003-11-06 | Ohbayashi Corp | トンネル掘削における沈下量の予測方法 |
CN103177187B (zh) * | 2013-04-01 | 2016-04-13 | 北京市市政工程研究院 | 基于可变模糊集理论的公路隧道健康状态动态评价方法 |
CN108005725A (zh) * | 2017-12-31 | 2018-05-08 | 上海纽建信息科技有限公司 | 一种用于软土盾构隧道的结构健康监测*** |
CN109359412B (zh) * | 2018-11-01 | 2021-04-16 | 山东大学 | 预测隧道盾构开挖过程全变形的计算方法及*** |
CN109934398A (zh) * | 2019-03-05 | 2019-06-25 | 山东大学 | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 |
-
2019
- 2019-08-09 CN CN201910734981.5A patent/CN110489844B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101737063A (zh) * | 2009-11-16 | 2010-06-16 | 西安理工大学 | 地裂缝隧道沥青混凝土复合衬砌及其支护方法 |
CN107194049A (zh) * | 2017-05-09 | 2017-09-22 | 山东大学 | 一种隧道及地下工程危岩落石风险的多指标可拓评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110489844A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
Zheng et al. | Prediction and sensitivity analysis of long-term skid resistance of epoxy asphalt mixture based on GA-BP neural network | |
CN108009716B (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
CN112561356B (zh) | 一种页岩油压裂水平井生产动态模式与产能综合评价方法 | |
CN104832166A (zh) | 一种页岩气水平井初期产能预测方法 | |
Wang et al. | Prediction of highway asphalt pavement performance based on Markov chain and artificial neural network approach | |
CN110287516B (zh) | 一种页岩气藏压裂水平井可压性综合评价方法 | |
CN106251075B (zh) | 一种油田区块套损风险预警分析方法 | |
CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
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*** | |
CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移*** | |
CN105205002A (zh) | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 | |
Hossein Alavi et al. | Formulation of secant and reloading soil deformation moduli using multi expression programming | |
CN115526108A (zh) | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 | |
CN113554213A (zh) | 一种天然气需求预测方法、***、存储介质及设备 | |
Yao et al. | Nondestructive prediction of rutting resistance of in-service middle asphalt layer based on gene expression programing | |
CN103226080A (zh) | 一种基于神经网络的岩石破坏强度确定方法 | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
CN111476406B (zh) | 一种油水井套损预警方法、装置及存储介质 | |
CN114049921B (zh) | 基于加载全过程敏感因素赋权的页岩脆性定量评价方法 | |
CN113723706B (zh) | 页岩气井重复压裂产能预测方法、装置、终端及存储介质 | |
CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
CN113627585A (zh) | 基于长短时记忆神经网络的单井指标预测方法、*** | |
CN118095878A (zh) | 油井解堵双级选井方法、装置、计算设备及存储介质 | |
CN117522173B (zh) | 基于深度神经网络的天然气水合物降压开采产能预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |