CN111832821A - 一种tbm卡机风险预测方法及*** - Google Patents
一种tbm卡机风险预测方法及*** Download PDFInfo
- Publication number
- CN111832821A CN111832821A CN202010657276.2A CN202010657276A CN111832821A CN 111832821 A CN111832821 A CN 111832821A CN 202010657276 A CN202010657276 A CN 202010657276A CN 111832821 A CN111832821 A CN 111832821A
- Authority
- CN
- China
- Prior art keywords
- tbm
- tunneling
- risk
- card machine
- state parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005641 tunneling Effects 0.000 claims abstract description 71
- 239000011435 rock Substances 0.000 claims abstract description 35
- 238000013058 risk prediction model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 230000000903 blocking effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000035515 penetration Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 10
- 238000009412 basement excavation Methods 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种TBM卡机风险预测方法及***，包括对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。根据采集的围岩状态数据和TBM掘进状态参数，通过对其进行主成分分析，得到主要影响因素，构建TBM卡机预警模型，对获取的TBM实时掘进参数进行实时预测，实现TBM卡机风险的预判，有利于提高TBM的掘进效率及安全性。
Description
技术领域
本发明涉及TBM掘进技术领域，特别是涉及一种TBM卡机风险预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
TBM施工作为隧道施工的重要方法，具有自动化程度高、施工速度快、节约人力、安全经济、一次成型，不受外界气候影响，开挖时可以控制地面沉陷，减少对地面建筑物的影响，水下地下施工不影响水中地面交通等优点，是岩石隧道掘进最有发展潜力的机械设备。
然而，发明人发现，山岭隧道往往处于大埋深、长距离的施工中，地质复杂多变，TBM在破碎地层中施工时适应性差，掘进速度明显下降，且围岩容易挤压护盾，造成卡机，影响正常掘进；因此如何提前预判TBM卡机风险，及时采取措施，如何提高TBM在破碎地层的适应性，在遭遇破碎地层前对TBM开挖发出预警是本领域技术人员急需解决的问题。
发明内容
为了解决上述问题，本发明提出了一种TBM卡机风险预测方法及***，根据采集的围岩状态数据和TBM掘进状态参数，通过对其进行主成分分析，得到主要影响因素，构建TBM卡机预警模型，对获取的TBM实时掘进参数进行实时预测，实现TBM卡机风险的预判，有利于提高TBM的掘进效率及安全性。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种TBM卡机风险预测方法，包括：
对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；
根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；
根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。
第二方面，本发明提供一种TBM卡机风险预测***，包括：
分析模块，用于对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；
训练模块，用于根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；
预测模块，用于根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明提供一种TBM卡机实时监测预警***，根据采集的围岩状态数据和TBM掘进状态参数，通过对其进行主成分分析，得到主要影响因素，构建TBM卡机预警模型，对获取的TBM实时掘进参数进行实时预测，判断结果准确率高，如果存在卡机风险，发出预警信号，提醒工作人员及时采取措施，避免出现卡机的情况，能够实现TBM卡机风险的预判，有利于提高TBM在破碎地层的适应性，提高TBM的掘进效率及安全性。
本发明对包括掘进参数与围岩状态参数的所有指标进行主成分分析，降低数据的复杂程度，降低数据的维度，使用较少的数据维度，同时又可以代表原始数据的特征；通过掘进参数和围岩参数相对应，可以使数据更加具有代表性，更加全面的反馈了TBM掘进过程中的围岩及掘进参数的关系，从而更好的指导TBM施工，预防卡机等灾害的发生。
本发明能够及时有效掌握隧道围岩状态、TBM的掘进状态以及TBM掘进可能遭遇的卡机风险，当出现卡刀盘或卡护盾的风险时，能够提前获知风险、发出预警，并及时将信息反馈给现场施工人员，使施工人员能够及时掌握各方面的信息，及时实施TBM卡机预防措施，即使TBM被卡也能及时进行TBM脱困处理，可有效降低TBM被卡风险，降低TBM卡机对工期的影响，提高TBM施工效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的TBM卡机风险预测方法流程图；
图2为本发明实施例2提供的TBM卡机风险预测***结构图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种TBM卡机风险预测方法，包括：
S1：对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；
S2：根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；
S3：根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。
所述步骤S1中，TBM掘进状态参数包括但不限于：护盾变形量、摩阻力、TBM掘进推力、扭矩、推进速度、贯入度等；
其中，在本实施例中，护盾变形量的采集采用光线光栅传感器，在护盾轴线方向上，每隔一定距离布置一个传感器，实时采集TBM掘进过程中护盾产生的变形量；
摩阻力的采集采用微型压力传感器，在护盾表面布置压力传感器，实时监测TBM掘进过程中产生的压力及摩阻力；
通过TBM自带的参数采集装置采集TBM掘进过程中的推力、扭矩、推进速度、贯入度。
所述步骤S1中，围岩状态参数包括岩体完整性、岩石硬度、断层破碎带、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角θ；
在本实施例中，通过布设在TBM前方的围岩参数采集传感器，对露出护盾的围岩地质情况采集围岩状态数据。
在本实施例中，通过实时采集的扭矩、推力、推进速度、贯入度等，与围岩实时的变形、应力等参数对应后，从而根据对应后的数据进行分析调整TBM掘进参数。
所述步骤S1中，对采集到的参数进行统计分析之前，进行异常值剔除，包括：剔除TBM掘进状态参数中的停机段数据，利用箱线法对剔除停机段数据后的TBM掘进状态参数进行异常值剔除；
将剔除异常值后的参数进行分析处理，采用主成分分析法对已经开挖的掘进参数进行分析，得到若干主成分变量，即影响TBM卡机风险等级的TBM掘进影响因素。
所述步骤S2中，采用卷积神经网络对所得到的若干主成分变量及对应的TBM卡机风险等级进行训练学习，建立各指标-TBM卡机风险的数学模型，根据所实时采集的TBM掘进状态参数进行TBM卡机风险预测。
在本实施例中，可根据不同的TBM卡机风险等级进行预警，或获取TBM卡机风险等级后，与智能终端通讯，终端也可实时获取当前卡机风险等级。
实施例2
如图2所示，本实施例提供一种TBM卡机风险预测***，包括：
分析模块，用于对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；
训练模块，用于根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；
预测模块，用于根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。
在本实施中，所述分析模块中，数据的采集包括：护盾变形采集模块、摩阻力采集模块、TBM掘进参数采集模块、围岩参数采集模块；
其中，所述护盾变形采集模块采用光纤光栅传感器，在护盾轴线方向上，每隔一定距离布置一个传感器，实时采集TBM掘进过程中护盾产生的变形量；
所述摩阻力采集模块采用微型压力传感器，布置在护盾表面，可实时监测TBM掘进过程中产生的压力及摩阻力；
所述TBM掘进参数采集模块即TBM自带参数采集装置，可实时采集TBM掘进过程中的推力、扭矩、推进速度、贯入度；
所述围岩参数采集模块布置在TBM前方，通过露出护盾的围岩地质情况，采集围岩状态数据，包括岩体完整性、岩石硬度、断层破碎带、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角θ。
所述分析模块中，对接收的参数进行异常值剔除，包括剔除TBM掘进状态参数中的停机段数据，利用箱线法对剔除停机段数据后的TBM掘进状态参数进行异常值剔除；
对剔除异常值的参数进行主成分分析，得到若干主成分变量，即影响TBM卡机风险等级的TBM掘进影响因素；
采用卷积神经网络对所得到的若干主成分变量及对应的TBM卡机风险等级进行训练学习，建立各指标-TBM卡机风险的数学模型，根据所实时采集的TBM掘进状态参数进行TBM卡机风险预测。
在本实施例中，还包括卡机预警模块，可根据不同的TBM卡机风险等级进行预警，预警可通过洞外调动室完成，通讯过程可通过通讯光纤传输；
或与智能终端通讯，获得TBM卡机风险等级后，发送到智能终端中，可实时获取当前卡机风险等级。
此处需要说明的是，上述模块对应于实施例1中的步骤S1至S4，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
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TBM卡机风险预测方法，其特征在于，包括：
对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；
根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；
根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。
2.如权利要求1所述的一种TBM卡机风险预测方法，其特征在于，所述TBM掘进状态参数包括：护盾变形量、摩阻力、TBM掘进推力、扭矩、推进速度和贯入度。
3.如权利要求2所述的一种TBM卡机风险预测方法，其特征在于，所述护盾变形量采用光线光栅传感器采集，在护盾轴线方向上，每隔一定距离布置光线光栅传感器，采集TBM掘进过程中护盾产生的变形量；
所述摩阻力采用压力传感器采集，在护盾表面布置压力传感器，监测TBM掘进过程中产生的压力及摩阻力。
4.如权利要求1所述的一种TBM卡机风险预测方法，其特征在于，所述围岩状态参数包括岩体完整性、岩石硬度、断层破碎带、特殊岩土组合、地下水、岩体优势结构面走向与隧道线夹角。
5.如权利要求1所述的一种TBM卡机风险预测方法，其特征在于，统计分析之前，进行异常值剔除，包括：剔除TBM掘进状态参数中的停机段数据，利用箱线法对剔除停机段数据后的TBM掘进状态参数进行异常值剔除。
6.如权利要求5所述的一种TBM卡机风险预测方法，其特征在于，采用主成分分析法对剔除异常值的TBM掘进状态参数进行统计分析。
7.一种TBM卡机风险预测***，其特征在于，包括：
分析模块，用于对获取的历史TBM掘进状态参数和对应的围岩状态参数进行统计分析，得到影响TBM卡机风险等级的TBM掘进影响因素；
训练模块，用于根据TBM掘进影响因素和TBM卡机风险等级对卷积神经网络进行训练，构建TBM卡机风险预测模型；
预测模块，用于根据TBM卡机风险预测模型得到实时TBM掘进状态参数下的TBM卡机风险等级。
8.如权利要求7所述的一种TBM卡机风险预测***，其特征在于，该***还包括预警模块，根据不同的TBM卡机风险等级进行预警；
或与智能终端通讯，获得TBM卡机风险等级后，发送到智能终端进行预警。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010657276.2A CN111832821A (zh) | 2020-07-09 | 2020-07-09 | 一种tbm卡机风险预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010657276.2A CN111832821A (zh) | 2020-07-09 | 2020-07-09 | 一种tbm卡机风险预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832821A true CN111832821A (zh) | 2020-10-27 |
Family
ID=72901170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010657276.2A Pending CN111832821A (zh) | 2020-07-09 | 2020-07-09 | 一种tbm卡机风险预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832821A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580165A (zh) * | 2020-12-14 | 2021-03-30 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及*** |
| CN112610227A (zh) * | 2020-12-14 | 2021-04-06 | 山东大学 | 一种敞开式tbm穿越不良地质快速施工方法 |
| CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及*** |
| CN112765791A (zh) * | 2021-01-04 | 2021-05-07 | 清华大学 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
| CN112926267A (zh) * | 2021-03-10 | 2021-06-08 | 山东大学 | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及*** |
| CN117371111A (zh) * | 2023-11-21 | 2024-01-09 | 石家庄铁道大学 | 基于深度神经网络和数值仿真的tbm卡机预测***及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108643930A (zh) * | 2018-05-08 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种tbm隧道施工实时预警方法 |
| CN109387385A (zh) * | 2018-10-24 | 2019-02-26 | 中国科学院武汉岩土力学研究所 | 一种三维tbm护盾外表面围岩荷载识别方法 |
| CN110675092A (zh) * | 2019-10-18 | 2020-01-10 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
| CN111197500A (zh) * | 2020-01-06 | 2020-05-26 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及*** |
| CN111222683A (zh) * | 2019-11-15 | 2020-06-02 | 山东大学 | 一种基于pca-knn的tbm施工围岩综合分级预测方法 |
-
2020
- 2020-07-09 CN CN202010657276.2A patent/CN111832821A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108643930A (zh) * | 2018-05-08 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种tbm隧道施工实时预警方法 |
| CN109387385A (zh) * | 2018-10-24 | 2019-02-26 | 中国科学院武汉岩土力学研究所 | 一种三维tbm护盾外表面围岩荷载识别方法 |
| CN110675092A (zh) * | 2019-10-18 | 2020-01-10 | 中铁隧道局集团有限公司 | 一种基于扭推比的破碎地层tbm卡机风险预警方法 |
| CN111222683A (zh) * | 2019-11-15 | 2020-06-02 | 山东大学 | 一种基于pca-knn的tbm施工围岩综合分级预测方法 |
| CN111197500A (zh) * | 2020-01-06 | 2020-05-26 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及*** |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及*** |
| WO2022121272A1 (zh) * | 2020-12-09 | 2022-06-16 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及*** |
| CN112580165A (zh) * | 2020-12-14 | 2021-03-30 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及*** |
| CN112610227A (zh) * | 2020-12-14 | 2021-04-06 | 山东大学 | 一种敞开式tbm穿越不良地质快速施工方法 |
| CN112580165B (zh) * | 2020-12-14 | 2022-07-29 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及*** |
| CN112765791A (zh) * | 2021-01-04 | 2021-05-07 | 清华大学 | 一种基于数值样本和随机森林的tbm卡机风险预测方法 |
| CN112926267A (zh) * | 2021-03-10 | 2021-06-08 | 山东大学 | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及*** |
| CN112926267B (zh) * | 2021-03-10 | 2023-06-06 | 山东大学 | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及*** |
| CN117371111A (zh) * | 2023-11-21 | 2024-01-09 | 石家庄铁道大学 | 基于深度神经网络和数值仿真的tbm卡机预测***及方法 |
| CN117371111B (zh) * | 2023-11-21 | 2024-06-18 | 石家庄铁道大学 | 基于深度神经网络和数值仿真的tbm卡机预测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832821A (zh) | 一种tbm卡机风险预测方法及*** | |
| EP3701126B1 (de) | Tunnelbohrmaschine und verfahren zum vortreiben eines tunnels | |
| CN113779690A (zh) | 基于随钻感知的超前地质预报方法及*** | |
| CN109356602B (zh) | 一种盾构机掘进状态的判断方法及*** | |
| Zimroz et al. | Self-propelled mining machine monitoring system–data validation, processing and analysis | |
| CN115638833B (zh) | 一种监控数据处理方法及*** | |
| CN114483043A (zh) | 一种用于隧道掘进的探测控制***及其探测方法 | |
| US20230323770A1 (en) | Systems, apparatuses, and methods for determining rock mass properties based on blasthole drill performance data including compensated blastability index (cbi) | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN115950947A (zh) | 一种tbm隧洞基于振动信号实时的地质参数预测方法 | |
| CN113982605B (zh) | 多层级盾构法隧道安全保护***及方法 | |
| CN111706334A (zh) | 一种实时监测盾构机刀盘扭矩异常的方法 | |
| CN115687444A (zh) | 一种盾构tbm滚刀边滚刀损坏预警方法 | |
| CN110806859A (zh) | 基于机器学习的模块化钻探数据监测与设计*** | |
| CN115759351A (zh) | 泥水盾构掘进综合预警方法、***及存储介质 | |
| CN114370284B (zh) | 盾构开挖面地层性质实时感知与掘进参数调整方法及*** | |
| CN114972994A (zh) | 盾构机施工掌子面地质类型识别方法及*** | |
| CN115578841A (zh) | 基于Z-score模型的盾构异常数据检测方法及*** | |
| Moritz et al. | Long‐term monitoring of railway tunnels | |
| CN108510202A (zh) | 水工隧洞下穿建筑物的监控信息管理方法及管理装置 | |
| CN114088194A (zh) | 一种tbm主机振动异常自适应判别方法及tbm | |
| CN115559737A (zh) | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和*** | |
| JP6936845B2 (ja) | 地山予測システム | |
| DE112017007034T5 (de) | System, Verfahren und Vorrichtung zum Überwachen eines Parameters in einem Bohrloch | |
| JP2021131738A (ja) | 工程判別システム、及び工程判別方法 |
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 |