CN114969897A - Tbm施工中周边环境探测方法 - Google Patents
Tbm施工中周边环境探测方法 Download PDFInfo
- Publication number
- CN114969897A CN114969897A CN202210458438.9A CN202210458438A CN114969897A CN 114969897 A CN114969897 A CN 114969897A CN 202210458438 A CN202210458438 A CN 202210458438A CN 114969897 A CN114969897 A CN 114969897A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- tunnel
- rock
- surrounding
- construction
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000011435 rock Substances 0.000 claims abstract description 194
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000009412 basement excavation Methods 0.000 claims abstract description 10
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000009423 ventilation Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 10
- 230000005641 tunneling Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 5
- 231100000719 pollutant Toxicity 0.000 claims description 5
- 239000002893 slag Substances 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- -1 light Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种TBM施工中周边环境探测方法,包括:步骤一、隧道工程项目施工前,对地质进行勘察,并分析隧道开挖面围岩情况,获取勘察期隧道岩体力学参数;步骤二、TBM施工过程中,获取隧道掌子面前方围岩情况的施工期岩体力学参数;步骤三、采用卷积神经网络分别学习勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;以及,步骤四、分别利用第一围岩预测数据库和第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将两个围岩预测结果融合,得到TBM施工中的围岩实时情况。
Description
技术领域
本发明属于隧道施工技术领域,涉及一种TBM施工中周边环境探测方法。
背景技术
随着城市的发展,地下空间的开发进程日益加快。隧道掘进机可掘进、支护、出渣等施工工序并行连续作业,机、电、液、光、气等***集成的工厂化流水线隧道施工装备,具有掘进速度快、环保、综合效益高等优点,可实现传统钻爆法难以实现的复杂地理地貌深埋长隧洞的施工,在隧洞工程中应用正在迅猛增长。隧道开挖前,虽然通过地质探勘得获得了地质描述,但其无法准确描述隧道全貌。因此实际掘进过程常由于实际围岩情况与预测不同,导致隧道掘进机发生卡机过多,不能顺利掘进,严重时可能还会导致引发安全事故。因此,对于施工中周边环境探测非常重要。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种TBM施工中周边环境探测方法。
为此,本发明提供的技术方案为:
一种TBM施工中周边环境探测方法,包括如下步骤:
步骤一、隧道工程项目施工前,对地质进行勘察,并分析隧道开挖面围岩情况,获取勘察期隧道岩体力学参数;
步骤二、TBM施工过程中,获取隧道掌子面前方围岩情况的施工期岩体力学参数,具体方法为:对围岩进行力学实验分析,得到围岩的力学性能实验测定参数,同时采集围岩的图像,并通过图像获取到灰度均值和围岩纹理特征参数,建立围岩的图像,且建立灰度均值、围岩碎渣纹理特征参数、围岩种类和力学性能实验测定参数的一一对应的映射数据样本,重复上述步骤;并且,训练所述映射数据样本生成训练模型,当获取到灰度均值、围岩纹理特征参数时,可通过所述训练模型获取到围岩的围岩种类和岩体力学参数;
步骤三、采用卷积神经网络分别学习勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;以及,
步骤四、对于后续TBM施工过程中的隧道掌子面前方围岩情况,分别利用所述第一围岩预测数据库和所述第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将所述两个围岩预测结果融合,得到TBM施工中的围岩实时情况,将可通过图像显示装置显示出TBM施工中的围岩的图像灰度均值、围岩碎渣纹理特征参数、围岩种类及围岩的岩体力学参数。
优选的是,所述的TBM施工中周边环境探测方法,还包括如下步骤:
隧道工程项目施工前,分析隧道工程项目的关键指标,并将其与关键指标相同的历史工程项目作比较,并结合历史工程项目的数据对待施工的隧道工程项目施工中的隧道开挖面围岩情况进行预测,并获取预测隧道岩体力学参数,
将所述预测隧道岩体力学参数也作为勘察期隧道岩体力学参数使用,并在步骤三中也应用于第一围岩预测数据库的构建或更新中。
优选的是,所述的TBM施工中周边环境探测方法,还包括如下步骤:
基于TBM施工中的围岩实时情况,可对TBM掘进过程中卡机情况作出预测。
优选的是,所述的TBM施工中周边环境探测方法,还包括如下步骤:
在隧道中每隔一段距离设置一个监测点,并在该监测点设置监测隧道环境污染物浓度的一组传感器、通风装置和微处理器,
所述一组传感器、通风装置分别与所述微处理器通讯连接,
所述微处理器实时获取并分析所述一组传感器的监测数据,若监测数据中的任意一个数据超出预设值,则启动该监测点的通风装置改变通风量。
优选的是,所述的TBM施工中周边环境探测方法中,所述一组传感器包括粉尘传感器和气敏式烟雾传感器,分别采集粉尘和有害气体的数据。
优选的是,所述的TBM施工中周边环境探测方法中,所述微处理器内存储有各个监测数据与所需的通风装置的通风量的对应关系数据。
优选的是,所述的TBM施工中周边环境探测方法中,步骤四中,将将所述两个围岩预测结果融合时,所述两个围岩预测结果所占比重相同。
本发明至少包括以下有益效果:
本发明中的施工期岩体力学参数通过训练模型实时获取,获取数据精准,同时本发明采用勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;并利用所述第一围岩预测数据库和所述第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将所述两个围岩预测结果融合,得到TBM施工中的围岩实时情况,快捷、迅速获取到TBM掘进中周边环境情况,且本发明的围岩实时情况可通过显示装置显示出来,便于用户直观地看到,并以此作为调整TBM掘进参数的依据,且能预测卡机,为施工决策和控制提供精准数据,适合推广使用。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,在本发明的描述中,术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明提供一种TBM施工中周边环境探测方法,包括:
步骤一、隧道工程项目施工前,对地质进行勘察,并分析隧道开挖面围岩情况,获取勘察期隧道岩体力学参数;
步骤二、TBM施工过程中,获取隧道掌子面前方围岩情况的施工期岩体力学参数,具体方法为:对围岩进行力学实验分析,得到围岩的力学性能实验测定参数,同时采集围岩的图像,并通过图像获取到灰度均值和围岩纹理特征参数,建立围岩的图像,且建立灰度均值、围岩碎渣纹理特征参数、围岩种类和力学性能实验测定参数的一一对应的映射数据样本,重复上述步骤;并且,训练所述映射数据样本生成训练模型,当获取到灰度均值、围岩纹理特征参数时,可通过所述训练模型获取到围岩的围岩种类和岩体力学参数;
步骤三、采用卷积神经网络分别学习勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;以及,
步骤四、对于后续TBM施工过程中的隧道掌子面前方围岩情况,分别利用所述第一围岩预测数据库和所述第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将所述两个围岩预测结果融合,得到TBM施工中的围岩实时情况,将可通过图像显示装置显示出TBM施工中的围岩的图像灰度均值、围岩碎渣纹理特征参数、围岩种类及围岩的岩体力学参数。
本发明中的施工期岩体力学参数通过训练模型实时获取,获取数据精准,同时本发明采用勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;并利用所述第一围岩预测数据库和所述第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将所述两个围岩预测结果融合,得到TBM施工中的围岩实时情况,快捷、迅速获取到TBM掘进中周边环境情况,且本发明的围岩实时情况可通过显示装置显示出来,便于用户直观地看到,并以此作为调整TBM掘进参数的依据,且能预测卡机,为施工决策和控制提供精准数据,适合推广使用。
在本发明的其中一个实施例中,作为优选,还包括如下步骤:
隧道工程项目施工前,分析隧道工程项目的关键指标,并将其与关键指标相同的历史工程项目作比较,并结合历史工程项目的数据对待施工的隧道工程项目施工中的隧道开挖面围岩情况进行预测,并获取预测隧道岩体力学参数,
将所述预测隧道岩体力学参数也作为勘察期隧道岩体力学参数使用,并在步骤三中也应用于第一围岩预测数据库的构建或更新中。使得第一围岩预测数据库的数据来源更加丰富和准确。
在本发明的其中一个实施例中,作为优选,还包括如下步骤:
基于TBM施工中的围岩实时情况,可对TBM掘进过程中卡机情况作出预测。防止卡机,起到保护设备和工作人员的作用。
在TBM掘进中,会产生较多灰尘和有害气体,污染周边环境,且对工作人员身体健康造成危害,因此,在本发明的其中一个实施例中,作为优选,还包括如下步骤:
在隧道中每隔一段距离设置一个监测点,并在该监测点设置监测隧道环境污染物浓度的一组传感器、通风装置和微处理器,
所述一组传感器、通风装置分别与所述微处理器通讯连接,
所述微处理器实时获取并分析所述一组传感器的监测数据,若监测数据中的任意一个数据超出预设值,则启动该监测点的通风装置改变通风量。
本发明采用采用上述监测***,全自动实时反馈,能够保证TBM掘进中,隧道内根据实际情况实时动态通风,使得隧道周边环境保持干净,避免对工作人员的身体伤害。
在上述方案中,作为优选,所述一组传感器包括粉尘传感器和气敏式烟雾传感器。分别采集粉尘和有害气体的数据。
在上述方案中,作为优选,所述微处理器内存储有各个监测数据与所需的通风装置的通风量的对应关系数据。以能够根据污染物含量实时调整送风量。
在上述方案中,作为优选,步骤四中,将将所述两个围岩预测结果融合时,所述两个围岩预测结果所占比重相同。以获得精确的TBM掘进过程围岩的真实情况。
为使本领域技术人员更好地理解本发明的技术方案,现提供如下的实施例进行说明:
一种TBM施工中周边环境探测方法,其特征在于,包括如下步骤:
步骤一、隧道工程项目施工前,对地质进行勘察,并分析隧道开挖面围岩情况,获取勘察期隧道岩体力学参数;
隧道工程项目施工前,分析隧道工程项目的关键指标,并将其与关键指标相同的历史工程项目作比较,并结合历史工程项目的数据对待施工的隧道工程项目施工中的隧道开挖面围岩情况进行预测,并获取预测隧道岩体力学参数。
步骤二、TBM施工过程中,获取隧道掌子面前方围岩情况的施工期岩体力学参数,具体方法为:对围岩进行力学实验分析,得到围岩的力学性能实验测定参数,同时采集围岩的图像,并通过图像获取到灰度均值和围岩纹理特征参数,建立围岩的图像,且建立灰度均值、围岩碎渣纹理特征参数、围岩种类和力学性能实验测定参数的一一对应的映射数据样本,重复上述步骤;并且,训练所述映射数据样本生成训练模型,当获取到灰度均值、围岩纹理特征参数时,可通过所述训练模型获取到围岩的围岩种类和岩体力学参数;
步骤三、采用卷积神经网络分别学习勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;将所述预测隧道岩体力学参数也作为勘察期隧道岩体力学参数使用,并在步骤三中也应用于第一围岩预测数据库的构建或更新中。
步骤四、对于后续TBM施工过程中的隧道掌子面前方围岩情况,分别利用所述第一围岩预测数据库和所述第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将所述两个围岩预测结果融合,所述两个围岩预测结果所占比重相同。得到TBM施工中的围岩实时情况,将可通过图像显示装置显示出TBM施工中的围岩的图像灰度均值、围岩碎渣纹理特征参数、围岩种类及围岩的岩体力学参数。
基于TBM施工中的围岩实时情况,可对TBM掘进过程中卡机情况作出预测。
在隧道中每隔一段距离,10米,设置一个监测点,并在该监测点设置监测隧道环境污染物浓度的一组传感器、通风装置和微处理器,所述一组传感器包括粉尘传感器和气敏式烟雾传感器,分别采集粉尘和有害气体的数据。
所述一组传感器、通风装置分别与所述微处理器通讯连接,所述微处理器内存储有各个监测数据与所需的通风装置的通风量的对应关系数据。
所述微处理器实时获取并分析所述一组传感器的监测数据,若监测数据中的任意一个数据超出预设值,则启动该监测点的通风装置改变通风量。
这里说明的模块数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (7)
1.一种TBM施工中周边环境探测方法,其特征在于,包括如下步骤:
步骤一、隧道工程项目施工前,对地质进行勘察,并分析隧道开挖面围岩情况,获取勘察期隧道岩体力学参数;
步骤二、TBM施工过程中,实时获取隧道掌子面前方围岩情况的施工期岩体力学参数,具体方法为:对围岩进行力学实验分析,得到围岩的力学性能实验测定参数,同时采集围岩的图像,并通过图像获取到灰度均值和围岩纹理特征参数,建立围岩的图像,且建立灰度均值、围岩碎渣纹理特征参数、围岩种类和力学性能实验测定参数的一一对应的映射数据样本,重复上述步骤;并且,训练所述映射数据样本生成训练模型,当获取到灰度均值、围岩纹理特征参数时,可通过所述训练模型获取到围岩的围岩种类和岩体力学参数;
步骤三、采用卷积神经网络分别学习勘察期隧道岩体力学参数和施工期岩体力学参数,分别构建新的或更新原来的第一围岩预测数据库和第二围岩预测数据库;以及,
步骤四、对于后续TBM施工过程中的隧道掌子面前方围岩情况,分别利用所述第一围岩预测数据库和所述第二围岩预测数据库对TBM施工过程的围岩情况进行预测,得到两个围岩预测结果,之后将所述两个围岩预测结果融合,得到TBM施工中的围岩实时情况,将可通过图像显示装置显示出TBM施工中的围岩的图像灰度均值、围岩碎渣纹理特征参数、围岩种类及围岩的岩体力学参数。
2.如权利要求1所述的TBM施工中周边环境探测方法,其特征在于,还包括如下步骤:
隧道工程项目施工前,分析隧道工程项目的关键指标,并将其与关键指标相同的历史工程项目作比较,并结合历史工程项目的数据对待施工的隧道工程项目施工中的隧道开挖面围岩情况进行预测,并获取预测隧道岩体力学参数,
将所述预测隧道岩体力学参数也作为勘察期隧道岩体力学参数使用,并在步骤三中也应用于第一围岩预测数据库的构建或更新中。
3.如权利要求1所述的TBM施工中周边环境探测方法,其特征在于,还包括如下步骤:
基于TBM施工中的围岩实时情况,可对TBM掘进过程中卡机情况作出预测。
4.如权利要求1至3任一项所述的TBM施工中周边环境探测方法,其特征在于,还包括如下步骤:
在隧道中每隔一段距离设置一个监测点,并在该监测点设置监测隧道环境污染物浓度的一组传感器、通风装置和微处理器,
所述一组传感器、通风装置分别与所述微处理器通讯连接,
所述微处理器实时获取并分析所述一组传感器的监测数据,若监测数据中的任意一个数据超出预设值,则启动该监测点的通风装置改变通风量。
5.如权利要求4所述的TBM施工中周边环境探测方法,其特征在于,所述一组传感器包括粉尘传感器和气敏式烟雾传感器,分别采集粉尘和有害气体的数据。
6.如权利要求4所述的TBM施工中周边环境探测方法,其特征在于,所述微处理器内存储有各个监测数据与所需的通风装置的通风量的对应关系数据。
7.如权利要求1所述的TBM施工中周边环境探测方法,其特征在于,步骤四中,将将所述两个围岩预测结果融合时,所述两个围岩预测结果所占比重相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458438.9A CN114969897B (zh) | 2022-04-28 | 2022-04-28 | Tbm施工中周边环境探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458438.9A CN114969897B (zh) | 2022-04-28 | 2022-04-28 | Tbm施工中周边环境探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114969897A true CN114969897A (zh) | 2022-08-30 |
CN114969897B CN114969897B (zh) | 2024-03-26 |
Family
ID=82980029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210458438.9A Active CN114969897B (zh) | 2022-04-28 | 2022-04-28 | Tbm施工中周边环境探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969897B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195380A (zh) * | 2023-11-07 | 2023-12-08 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
Citations (3)
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*** |
US20210209263A1 (en) * | 2019-03-08 | 2021-07-08 | Shandong University | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
WO2021146949A1 (zh) * | 2020-01-20 | 2021-07-29 | 山东大学 | Tbm搭载式岩石蚀变特征识别及地质预报***及其方法 |
-
2022
- 2022-04-28 CN CN202210458438.9A patent/CN114969897B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209263A1 (en) * | 2019-03-08 | 2021-07-08 | Shandong University | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
WO2021146949A1 (zh) * | 2020-01-20 | 2021-07-29 | 山东大学 | Tbm搭载式岩石蚀变特征识别及地质预报***及其方法 |
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*** |
Non-Patent Citations (1)
Title |
---|
陈杰;陈博;: "隧道施工围岩力学参数的动态辨识方法研究", 湖南交通科技, no. 04, 30 December 2014 (2014-12-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195380A (zh) * | 2023-11-07 | 2023-12-08 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
CN117195380B (zh) * | 2023-11-07 | 2024-01-30 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114969897B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105765582B (zh) | 用于评估由地下采矿产生的高能大地突裂风险的方法及*** | |
CN107503797B (zh) | 基于3d仿真平台的矿井瓦斯浓度趋势预警*** | |
EP3557222A1 (en) | Calculation method and testing system for cumulative dust exposure to respirable dust of mine workers | |
EP2115479B1 (en) | Method and system for detecting and monitoring emissions | |
CN112288275B (zh) | 一种基于物联网的地下水水质分析评价***及方法 | |
CN111781113B (zh) | 一种粉尘网格化定位方法及粉尘网格化监测方法 | |
CN112507048A (zh) | 一种污染场地水土环境多要素一站式管理*** | |
CN102162370A (zh) | 基于gis的矿山安全管理信息*** | |
CN111650344A (zh) | 基于履带式智能机器人的井下信息采集***及方法 | |
CN114969897A (zh) | Tbm施工中周边环境探测方法 | |
CN116842765B (zh) | 基于物联网实现石油测井下的安全管理方法及*** | |
CN113449362A (zh) | 基于5g移动网络的道路勘察设计方法及*** | |
CN117433440A (zh) | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 | |
CN109557284A (zh) | 一种隧道围岩级别智能快速判定***及方法 | |
CN110308486A (zh) | 一种污染区域边界划定方法 | |
CN113091826B (zh) | 一种用于采煤沉陷区地质环境监测的多功能装置 | |
CN212459606U (zh) | 基于履带式智能机器人的井下信息采集*** | |
CN115773097A (zh) | 一种煤矿瓦斯抽采深孔预裂***增透装置及其方法 | |
CN111553009A (zh) | 一种基于声纳法的地铁工程地下连续墙渗透性评价方法 | |
Yuan et al. | Joint investigation and 3D visual evaluation of rock mass quality | |
Tian et al. | Rock fracture identification with measurement while drilling data in down-the-hole drills | |
Vanderbeck | A bayesian approach to convergence detection in underground excavations using lidar | |
CN113932982B (zh) | 多信息融合的co2封存状态组网监测设备、***和方法 | |
CN110043320A (zh) | 一种隧道施工环境监控方法 | |
CN116402387A (zh) | 一种瓦斯抽采参数挖掘与达标评价***及方法 |
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 |