CN115511001B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115511001B
CN115511001B CN202211296560.7A CN202211296560A CN115511001B CN 115511001 B CN115511001 B CN 115511001B CN 202211296560 A CN202211296560 A CN 202211296560A CN 115511001 B CN115511001 B CN 115511001B
Authority
CN
China
Prior art keywords
surrounding rock
data
grading
model
result
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
Application number
CN202211296560.7A
Other languages
English (en)
Other versions
CN115511001A (zh
Inventor
张广泽
赵思为
罗威
尹小康
冯涛
徐正宣
魏栋华
王哲威
宋章
林之恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Eryuan Engineering Group Co Ltd CREEC
Original Assignee
China Railway Eryuan Engineering Group Co Ltd CREEC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Eryuan Engineering Group Co Ltd CREEC filed Critical China Railway Eryuan Engineering Group Co Ltd CREEC
Priority to CN202211296560.7A priority Critical patent/CN115511001B/zh
Publication of CN115511001A publication Critical patent/CN115511001A/zh
Application granted granted Critical
Publication of CN115511001B publication Critical patent/CN115511001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
    • G01V3/26—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with magnetic or electric fields produced or modified either by the surrounding earth formation or by the detecting device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供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，包括：预先建立航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；获取目标隧道围岩区域的航空物探数据、地面大地电磁数据以及钻探数据数据；将获取到的航空物探数据与地面大地电磁数据分别输入至所述航空物探围岩分级模型与所述大地电磁围岩分级模型，得到第一分级结果与第二分级结果；基于所述钻探数据数据生成第三分级结果；基于数据融合算法对所述第一分级结果与第二分级结果、第三分级结果进行融合，得到目标隧道围岩区域对应的最终围岩分级结果。本方法从多方法、多角度进行隧道围岩分级，大幅提高了隧道围岩分级结果的可靠度。

Description

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
技术领域
本发明涉及隧道勘察技术领域，具体涉及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。
背景技术
近年来随着高速铁路的发展，尤其西南片区大瑞、渝昆、丽香、滇藏等复杂构造的铁路隧道建设越来越多，隧道设计工作越趋复杂。隧道整体围岩等级变更率较其他区域明显偏高，引起投资增加，给地质勘察工作带来很大压力。另外不同的围岩等级需要采取不同的施工工艺，围岩等级判断不准确将带来极大的施工风险。
现有成熟的隧道围岩分级方法通常通过综合测井以及钻探数据进行围岩分级，但钻探以及综合测井分级方法对专家经验依赖度较高、并且只对钻孔范围内的地质情况有清晰的判定，无法做到以点到面；另外一部分现有技术也提供了通过地面大地电磁数据进行围岩分级的方法，例如：申请公开号为CN110968840A的中国专利公开的一种基于大地电磁测深电阻率判定隧道围岩等级的方法，包括：(1)根据已知区域的隧道围岩等级与洞身电阻率数值样本，建立隧道围岩等级与电阻率区间的对应关系模型；(2)获取待分级区域的电阻率数值；(3)根据步骤2获得的待分级区域的电阻率以及步骤1建立的隧道围岩等级与电阻率区间的对应关系模型，得出待分级区域的隧道围岩等级该专利采用统计学方法利用隧道围岩等级与电阻率区间的对应关系模型对隧道围岩进行分级。
但是对于位于复杂艰险地带的隧道，隧道围岩等级会受到多因素的影响，单一因素的围岩分级方式可能会导致分级不准确、且复杂山区铁路隧道围岩变更率偏高的问题，同时围岩分级的不准确会极大影响工程造价的准确性，并对后期隧道施工带来安全风险。
发明内容
本发明的目的在于克服现有围岩分级方法分级维度单一、准确度不高的问题，提供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，本方法结合钻探以及空地井综合物探，从多方法、多角度对隧道围岩进行智能分级，提高对复杂构造影响的山区隧道围岩认识，降低复杂山区铁路隧道围岩变更率。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于空地井综合勘探资料的隧道围岩分级方法，包括：
预先建立航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；
获取目标隧道围岩区域的航空物探数据、地面大地电磁数据以及钻探数据数据；
将获取到的航空物探数据与地面大地电磁数据分别输入至所述航空物探围岩分级模型与所述大地电磁围岩分级模型，得到第一分级结果与第二分级结果；基于所述钻探数据数据生成第三分级结果；
基于数据融合算法对所述第一分级结果与第二分级结果、第三分级结果进行融合，得到目标隧道围岩区域对应的最终围岩分级结果。
根据一种具体的实施方式，上述基于空地井综合勘探资料的隧道围岩分级方法中，基于改进型卷积神经网络模型预先建立所述航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；
其中，所述改进型卷积神经网络模型为：残差块采用两路并行卷积层的卷积神经网络。
根据一种具体的实施方式，上述基于空地井综合勘探资料的隧道围岩分级方法中，所述两路并行的卷积层的滤波器形状尺寸分别为2×8和4×4。
根据一种具体的实施方式，上述基于空地井综合勘探资料的隧道围岩分级方法中，所述基于改进型卷积神经网络模型预先建立所述航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型，包括：
获取不少于预设数量的航空物探分级样本数据与大地电磁分级样本数据，
基于改进型卷积神经网络模型构建两个初始网络，分别利用航空物探分级样本数据与大地电磁分级样本数据对两个初始网络进行训练，得到训练完成的航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型。
根据一种具体的实施方式，上述基于空地井综合勘探资料的隧道围岩分级方法中，基于数据融合算法对所述第一分级结果与第二分级结果、第三分级结果进行融合，包括：
构建数据融合模型，
设置所述第一分级结果与第二分级结果、第三分级结果的初始权重，其中，所述第三分级结果的初始权重大于第一分级结果的权重大于第二分级结果的权重；
将第一分级结果与第二分级结果、第三分级结果及其初始权重输入至所述数据融合模型，得到分级融合结果。
根据一种具体的实施方式，上述基于空地井综合勘探资料的隧道围岩分级方法中，所述预设数量为1000。
根据一种具体的实施方式，上述基于空地井综合勘探资料的隧道围岩分级方法中，所述数据融合算法采用改进型D-S证据理论模型，
其中，所述改进型D-S证据理论模型为支持模糊支持度加权的D-S证据理论模型。
本发明的另一方面，提供一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于空地井综合勘探资料的隧道围岩分级方法。
与现有技术相比，本发明的有益效果：
本发明实施例所提供的隧道围岩分级方法，通过预先建立航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；在实际工程应用时，通过预先建立的模型获取目标隧道围岩区域的航空物探分级结果与地面大地电磁分级结果，同时结合该区域的钻探数据分级结果，基于数据融合算法对三种分级结果进行融合，得到目标隧道围岩区域对应的最终围岩分级结果，本方法通过数据融合，提供一种了结合空、地、井综合物探的围岩分级方法，有效解决现有单一分级存在的“一孔之见”或者多解性等问题；同时在对航空电磁法和地面大地电磁法进行围岩分级时，通过构建神经网络模型，实现了快速、智能化围岩识别，降低了经验依赖性，大幅提高了工作效率。
附图说明
图1为本发明实施例1所述的基于空地井综合勘探资料的隧道围岩分级方法流程图；
图2a为本发明实施例所述的改进型卷积神经网络结构示意图；
图2b为本发明实施例所述的改进型卷积神经网络中每个残差块的结构示意图；
图3为本发明实施例2所述的基于空地井综合勘探资料的隧道围岩分级方法流程图；
图4a为本发明实施例所述的对某目标隧道围岩区域的航空物探分级结果示意图；
图4b为本发明实施例所述的对某目标隧道围岩区域的大地电磁分级结果示意图；
图4c为本发明实施例所述的对某目标隧道围岩区域的钻探数据分级结果示意图；
图4d为本发明实施例所述的对某目标隧道围岩区域的融合分级结果示意图；
图5为本发明实施例所述的电子设备结构示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的基于空地井综合勘探资料的隧道围岩分级方法，包括：
S1、预先建立航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；
S2、获取目标隧道围岩区域的航空物探数据、地面大地电磁数据以及钻探数据数据；
S3、将获取到的航空物探数据与地面大地电磁数据分别输入至所述航空物探围岩分级模型与所述大地电磁围岩分级模型，得到第一分级结果与第二分级结果；基于所述钻探数据数据生成第三分级结果；
S4、基于数据融合算法对所述第一分级结果与第二分级结果、第三分级结果进行融合，得到目标隧道围岩区域对应的最终围岩分级结果。
本实施例中，通过预先建立航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；在实际工程应用时，通过预先建立的模型获取目标隧道围岩区域的航空物探分级结果与地面大地电磁分级结果，同时结合该区域的钻探数据分级结果，基于数据融合算法对三种分级结果进行融合，得到目标隧道围岩区域对应的最终围岩分级结果，本方法通过数据融合，提供一种了结合空、地、井综合物探的围岩分级方法，有效解决现有单一分级存在的“一孔之见”或者多解性等问题；同时在对航空电磁法和地面大地电磁法进行围岩分级时，通过构建神经网络模型，实现了快速、智能化围岩识别，降低了经验依赖性，大幅提高了工作效率。
实施例2
在一种可能的实现方式中，上述基于空地井综合勘探资料的隧道围岩分级方法中，所述S1具体包括：
通过以往案例数据以及实际现场数据采集分别搜集预设个数的航空电磁数据集、大地电磁数据集；其中，预设个数不少于1000。将收集到的航空电磁数据集、大地电磁法数据集分别制作成1000等长等高的数据，数据缺失部分采用0值法进行填充；根据隧道围岩分级与电阻率区间的对应关系，采用专家经验法对航空电磁样本数据集、大地电磁法样本数据集进行隧道围岩分级及数据标注，将数据集按8：2的比例分为训练数据集和测试数据集，完成航空电磁样本数据集及大地电磁法样本数据集的构建。
最后构建两个初始神经网络模型，分别基于航空电磁数据样本集及大地电磁法数据样本集对两个初始神经网络模型进行训练，以得到训练完成的航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型。
本实施例中，基于人工智能技术构建相应的航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型，利用人工智能技术的非线性拟合能力提高航空物探与分级的准确性，同时提高围岩的分级效率。
在一种可能的实现方式中，采用改进的卷积神经网络模型作为所述初始神经网络模型。在深层网络中存在梯度消失或梯度***问题由归一化在很大程度上进行了解决，然而，训练深层网络时也会出现退化，残差神经网络引入“捷径连接”。根据预处理的采样矩阵的形状，提出一种如图2a所示的改进型卷积神经网络，该卷积神经网络中的残差块均采用并行结构设计。
可以理解的是，经过预处理后的采样点的排列不再是连续的，而是在空间矩阵上，相应的特征不仅在水平方向上有关而且在垂直上也有关，因此，本实施例所设计的并行卷积层，能够通过两个并行的卷积层同时关注水平和垂直两个方向的特征。进一步的，水平方向的特征与垂直方向的特征其尺寸特征并不相同，因此，如图2b所示，对两个卷积层的滤波器的尺寸进行设计，其中一个设置为较宽的形状2×8，用于提取水平方向特征，另一个设计为较窄的形状4×4，用于提取垂直方向的特征。
具体的，普通残差块结构只有单层卷积层连接，而改进的残差块采用两支路并行输入的卷积层连接，同时借鉴了Inception网络的思路，将网络做的更宽；并将将卷积层滤波器的形状设置为2×8和4×4，以得到本实施例所述的改进型卷积神经网络。通过航空电磁数据样本集及大地电磁法数据样本集对改进型卷积神经网络模型进行训练，即可得到相应的分级模型。在应用时，利用两个模型分别对围岩进行智能分级，能够快速形成空地两种方法的剖面围岩分级结果。
在一种可能的实现方式中，上述基于空地井综合勘探资料的隧道围岩分级方法，S3中，所述的基于所述钻探数据生成第三分级结果，具体包括：
采用现有成熟的钻探围岩分级模型根据勘探到的围岩数据生成相应的分级结果，例如申请公开号为CN111291934A的中国专利公开的基于钻进数据的围岩分级模型。
或者，采用与S1相同的方法，获取大量综合测井及钻探数据仅在钻孔范围的数据集，亦制作成1000等长等高的数据样本，数据缺失部分采用0值法进行填充；并结合专家标注，得到训练样本，利用训练样本对神经网络模型进行训练，得到相应的钻探分级模型。
在一种可能的实现方式中，上述基于空地井综合勘探资料的隧道围岩分级方法中，所述S4，包括：采用改进型D-S证据理论模型作为所述数据融合算法。
具体的，数据融合是将多传感器信息源的数据和信息加以联合、相关及组合，获得更为精确的位置估计及身份估计，从而实现对战场态势和威胁以及其重要程度实时、完整评价的处理过程；常用的数据融合算法有D-S算法、DAI-DAO算法等。
在一种可能的实现方式中，采用D-S证据理论模型作为本实施例的数据融合算法；具体的在利用D-S证据理论模型进行数据融合时，需要设定多个输入参数对应的初始权重，以使D-S模型基于初始权重进行拟合。因此，在本发明进一步的实施例中，对钻探、航空物探、大地电磁数据的特性进行分析，根据分析结果可知，钻探可直接揭露隧道岩石情况，具有最高的可靠度；其次分级效果更好的为航空物探数据，因此，本实施例中，在实际求解时，将钻探的初始权重设置为最高权重，其次为航空物探，最后为大地电磁数据。将三种分级结果及其初始权重输入至本实施例所构建的改进型D-S证据理论模型，拟合得到最终的分级结果。
优选的，对上述D-S证据理论模型进行改进，构建基于模糊支持度加权的D-S证据理论方法作为本实施例所述的数据融合算法。
具体的，现有D-S证据理论存在几个问题，其中包括过度依赖冲突系数K的问题以及并未考虑各个数据源相关性的问题。在各个证据源之间出现严重冲突的情况下，K值会无穷小，乃至接近于0，从而导致出现明显不符合常理的融合结果。其次，在数据融合的过程中，各个数据源提供的数据很多情况下并非单一的、孤立的，其间可能或多或少存在一些联系，而已有方法在数据融合的过程中并没有意识到这点，并充分合理地利用这些关系。
针对以上问题，提出了基于模糊支持度加权的D-S证据理论方法，其计算公式如下：
关于模糊隶属度权值fA，我们使用的计算方法是模糊统计法。其定义如下,在一个多传感器对多个对象进行检测的过程中，如果支持某一对象A(信度大于某一阈值)的传感器数目为n，全部传感器数目为N，则可用隶属函数uA)＝计算出隶属度，fA＝u(A)，隶属度值越大说明对象A的概率越高。通俗来说，就是越多传感器表示了对某对象的支持。
关于支持度权值SA的计算方法如下：
对于某一对象A,传感器m,和m,对A的支持程度的距离为
d12(A)＝|m1(A)-m2(A)|；
同理，传感器m和m3对A的支持程度的距离为
d13(A)＝|m1(A)-m3(A)|；
可以求得各个传感器之间的平均距离值为：
最终计算得到即支持度权值。
综上，本发明实施例所提供的基于空地井综合物探隧道围岩分级方法，解决了单一方法进行围岩划分时存在的存在“一孔之见”或者多解性等问题，从多方法、多角度进行隧道围岩分级，大幅提高了隧道围岩分级结果的可靠度。其次，在不同方法围岩分级过程中，建立了改进的卷积神经网络模型，实现了快速、智能化围岩分级，降低经验依赖性的同时提高了工作效率。然后，在综合不同方法围岩结果的过程中，通过D-S证据理论算法，实现了不同方法共同作用，综合各方法的优势，达到综合判断围岩分级的目的，进而提升工程施工的安全性。
实施例3
以某实际目标隧道围岩区域为例，采用本发明实施例所提供的基于空地井综合勘探资料的隧道围岩分级方法进行该区域的分级。具体的，如图3所示，分别获取该目标隧道围岩区域的钻探数据、航空物探数据、大地的电磁数据；将获取到航空物探数据、大地的电磁数据输入到本发明实施例所提供的训练好的航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型中，得到如图4a、图4b所示的分级结果。从图4a、图4b可以看出两种不同的方法处理出来的结果具有相当高的一致性，其中，当“地空”两种方法的围岩分级结果一致的区域可以认为围岩分级结果是较为准确的，同时，“地空”两种方法的处理结果也存在差异，如里程在900至1100处，航空电磁法的结果相对于地面大地电磁法电阻率较高，存在较为明显的高阻异常，而在剖面最右端的浅部，地面大地电磁法相对于航空电磁法也存在一个明显的团状高阻体，这些不同势必会引起两种方法围岩分级结果的不同。
进一步的，在“地空”两种方法的结果基础上，通过布设在明显高低阻异常上的钻孔及其钻探数据，采用本发明实施例所述的钻探分级模型，可以得到如图4c所示的分级结果。
最后，将航空电磁、地面大地电磁、综合测井及钻探得到的围岩等级划分输入到D-S证据理论模型中去，得到如图4d所示的最终隧道围岩等级划分图。从图4d中可以看出，最终的隧道围岩等级是综合了空地井三种不同方法的结果，从多方法、多角度进行的围岩等级划分，不管是围岩等级还是划分范围都是空地井三种不同方法的综合体现和共同作用。
实施例4
本发明的另一方面，如图5所示，提供一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的基于空地井综合勘探资料的隧道围岩分级方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源用于为电子设备提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于空地井综合勘探资料的隧道围岩分级方法，其特征在于，包括：
预先建立航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；
获取目标隧道围岩区域的航空物探数据、地面大地电磁数据以及钻探数据；
将获取到的航空物探数据与地面大地电磁数据分别输入至所述航空物探围岩分级模型与所述大地电磁围岩分级模型，得到第一分级结果与第二分级结果；基于所述钻探数据数据生成第三分级结果；
基于数据融合算法对所述第一分级结果与第二分级结果、第三分级结果进行融合，得到目标隧道围岩区域对应的最终围岩分级结果。
2.根据权利要求1所述的基于空地井综合勘探资料的隧道围岩分级方法，其特征在于，基于改进型卷积神经网络模型预先建立所述航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型；
其中，所述改进型卷积神经网络模型为：残差块采用两路并行卷积层的卷积神经网络。
3.根据权利要求2所述的一种方法，其特征在于，所述两路并行的卷积层的滤波器形状尺寸分别为2×8和4×4。
4.根据权利要求2所述的基于空地井综合勘探资料的隧道围岩分级方法，其特征在于，所述基于改进型卷积神经网络模型预先建立所述航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型，包括：
获取不少于预设数量的航空物探样本数据与大地电磁样本数据，
基于改进型卷积神经网络模型构建两个初始网络，分别利用航空物探样本数据与大地电磁样本数据对两个初始网络进行训练，得到训练完成的航空物探围岩分级神经网络模型与大地电磁围岩分级神经模型模型。
5.根据权利要求4所述的基于空地井综合勘探资料的隧道围岩分级方法，其特征在于，所述预设数量为1000。
6.根据权利要求1～5任一所述的基于空地井综合勘探资料的隧道围岩分级方法，其特征在于，基于数据融合算法对所述第一分级结果与第二分级结果、第三分级结果进行融合，包括：
构建数据融合模型，
设置所述第一分级结果与第二分级结果、第三分级结果的初始权重，其中，所述第三分级结果的初始权重大于第一分级结果的权重大于第二分级结果的权重；
将第一分级结果与第二分级结果、第三分级结果及其初始权重输入至所述数据融合模型，得到分级融合结果。
7.根据权利要求6所述的基于空地井综合勘探资料的隧道围岩分级方法，其特征在于，所述数据融合算法采用改进型D-S证据理论模型，
其中，所述改进型D-S证据理论模型为支持模糊支持度加权的D-S证据理论模型。
8.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的基于空地井综合勘探资料的隧道围岩分级方法。
CN202211296560.7A 2022-10-21 2022-10-21 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 Active CN115511001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211296560.7A CN115511001B (zh) 2022-10-21 2022-10-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211296560.7A CN115511001B (zh) 2022-10-21 2022-10-21 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

Publications (2)

Publication Number Publication Date
CN115511001A CN115511001A (zh) 2022-12-23
CN115511001B true CN115511001B (zh) 2023-07-18

Family

ID=84510714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211296560.7A Active CN115511001B (zh) 2022-10-21 2022-10-21 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

Country Status (1)

Country Link
CN (1) CN115511001B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117590A (zh) * 2021-11-11 2022-03-01 山东大学 基于随钻测试与地化特征分析的隧道围岩分级***及方法
CN114355447A (zh) * 2022-01-13 2022-04-15 中国安能集团第三工程局有限公司 一种隧道工程围岩等级快速划分方法及装置
CN115062375A (zh) * 2022-05-24 2022-09-16 中国铁道科学研究院集团有限公司铁道建筑研究所 一种用于隧道围岩的分级方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110489844B (zh) * 2019-08-09 2021-04-16 山东大学 一种适用于软岩隧道不均匀大变形等级预测方法
CN111291934B (zh) * 2020-02-18 2023-04-07 山东科技大学 一种隧道施工过程中围岩实时分级预测及自检方法
CN113112446A (zh) * 2020-03-05 2021-07-13 成都理工大学 基于残差卷积神经网络的隧道围岩级别智能判定方法
CN113570139A (zh) * 2021-07-28 2021-10-29 新疆建筑科学研究院（有限责任公司） 以物探资料为基础的神经网络围岩分级预测方法及***
CN113779690B (zh) * 2021-11-11 2022-03-29 山东大学 基于随钻感知的超前地质预报方法及***
CN114429563A (zh) * 2021-12-16 2022-05-03 山东大学 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117590A (zh) * 2021-11-11 2022-03-01 山东大学 基于随钻测试与地化特征分析的隧道围岩分级***及方法
CN114355447A (zh) * 2022-01-13 2022-04-15 中国安能集团第三工程局有限公司 一种隧道工程围岩等级快速划分方法及装置
CN115062375A (zh) * 2022-05-24 2022-09-16 中国铁道科学研究院集团有限公司铁道建筑研究所 一种用于隧道围岩的分级方法及***

Also Published As

Publication number Publication date
CN115511001A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN109709603B (zh) 地震层位识别与追踪方法、***
US8374974B2 (en) Neural network training data selection using memory reduced cluster analysis for field model development
CN110442666B (zh) 一种基于神经网络模型的矿产资源预测方法及***
Wan A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map
KR101618713B1 (ko) 지반정보에 기초한 3차원 공간 모델링 방법
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和***
Tschannen et al. Facies classification from well logs using an inception convolutional network
CN115291281B (zh) 基于深度学习的实时微地震震级计算方法及装置
Niu et al. Susceptibility assessment of landslides triggered by the Lushan earthquake, April 20, 2013, China
Magalhães et al. Targeting of gold deposits in Amazonian exploration frontiers using knowledge-and data-driven spatial modeling of geophysical, geochemical, and geological data
CN114036841A (zh) 基于半监督支持向量机模型的滑坡易发性预测方法及***
Mahjour et al. Developing a workflow to represent fractured carbonate reservoirs for simulation models under uncertainties based on flow unit concept
CN117274520A (zh) 一种地质勘探的测绘方法
CN113902861A (zh) 一种基于机器学习的三维地质建模方法
CN114548299A (zh) 一种地震相识别方法、装置、计算机设备及存储介质
Saxena et al. Comparative Analysis Of AI Regression And Classification Models For Predicting House Damages İn Nepal: Proposed Architectures And Techniques
CN111894563A (zh) 潜山段中裂缝型储层的分类确定方法及***
Kim et al. Application of classification coupled with PCA and SMOTE, for obtaining safety factor of landslide based on HRA
CN113779880A (zh) 一种基于超前钻探数据的隧道围岩二维质量评价方法
CN115511001B (zh) 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
CN114972906A (zh) 一种土压平衡盾构开挖面土质类型识别方法
Zhang et al. Performance and Applicability of Recognizing Microseismic Waveforms Using Neural Networks in Tunnels
Liu et al. Machine learning assisted recovery of subsurface energy: a review
Hou et al. Identification of carbonate sedimentary facies from well logs with machine learning
CN117474340B (zh) 用于地铁盾构施工沉降的风险评价方法及***

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