隧道爆破掘进中大斜线掏槽优化参数探讨

随着西部大开发的不断深入,国家对公路交通建设的投入越来越大,长大公路的需求量远超以前。我国是一个多山国家,在修建公路的过程中势必要穿山越岭,这就需要修建大量的隧道。隧道掘进的关键之一是中心掏槽,目前中心掏槽方法主要采用斜线掏槽和直线掏槽。大斜线掏槽在隧道掘进爆破中得到了广泛应用,斜线的角度和长度是确保掘进进尺的关键参数之一,通过计算机模拟和现场试验,进行了不同掏槽角度的优化试验,得出了掏槽角度70°的优化角度结论;通过现场试验验证,效果优良。     

隧道掘进爆破振动波形特性分析

以地铁隧道爆破施工为背景工程,通过监测隧道爆源正上方地表的振动,研究了隧道爆破振动波特性与爆破参数的关系,并分析了爆破振动波形各频带能量分布规律。通过研究分析,得出以下结论:(1)隧道掘进毫秒延期爆破,各段位爆破震动衰减规律各不相同,相对于k和α的修正方法,采用一个药量折减系数对单段药量进行修正更简便、更科学;(2)药量折减系数与最小抵抗线、临空面面积相关,其大小随着最小抵抗线的减小而减小,随着临空面面积的增大而减小;(3)运用Fourier变换得到振动波的频谱图,运用小波变换将振动波分解为若干频带,并绘制各频带能量分布图,两者结合更有利于分析振动波的优势频率,为减震、抗震提供依据。     

浅埋隧道掘进爆破振动特征研究

浅埋隧道掘进爆破振动特征有别于其他类型的爆破,作者根据浅埋隧道掘进爆破振动监测数据,拟合得到了泰山花岗岩中地面振动速度的变化规律。应用小波分析方法分析了浅埋隧道掘进爆破的振动频谱及能量分布特征。其研究对丰富地震波传播理论、指导隧道工程开挖爆破施工和保证地面建筑物安全起到了重要作用。     

爆破振动波形预测模型及应用

依据爆炸的几何相似原理,构造波形函数,建立了爆破振动时程波形预测模型,结合具体实例,对单段爆破和微差爆破的波形进行了预测,模拟出的波形基本符合地面振动波的传播规律,增加了爆破的安全性。     

浅谈水压爆破在隧道掘进中的应用

水压爆破是近几年兴起的一种隧道开挖工法,它克服了传统爆破方法的弊病,节约炸药,加快进度,减少施工成本,还能改善施工环境。现以黄竹山隧道实际施工方面的经验进行阐述。     

研究水压爆破技术在隧道掘进施工中的应用

文章首先对水压爆破技术进行了阐述说明,之后着重对其应用方式及效果进行了分析研究,以此加强人们对此项技术的了解掌握度。     

水压爆破技术在隧道掘进施工中的应用

结合沪昆客专杭长湖南段茶坡里隧道掘进施工实践,通过对常规钻爆与水压爆破施工进行详细的对比,阐明了水压爆破施工技术可以有效的提高炸药利用率、提高施工效率、提高经济效益和保护环境,为今后类似的隧道水压爆破施工提供依据。     

盾构隧道施工引起地表沉降的预测与控制

通过研究盾构施工引起地层移动及地表沉降的原因与机理,对施工过程中的地表变形量进行预测和数值模拟计算,并据此在设计与施工中根据现场特殊的施工工况和周边环境条件,制定和采取有针对性的沉降控制措施.     

复合地层掘进参数预测分析

为了实现对盾构机在复杂地质条件下掘进速度的预测,文章以珠机城际横琴至珠海机场段HJZQ-2标盾构隧道工程为依托,提出盾构掘进速度预测模型。通过皮尔森相关系数分析了不同地质参数、施工参数与盾构机掘进速度的相关性。以3个地质参数与6个施工参数作为预测模型的输入参数,将盾构机掘进速度作为输出值。并利用训练后的预测网络模型对盾构机掘进的速度进行预测与分析。通过分析对比预测结果与盾构机掘进速度实测值,验证了模型预测的有效性。     

隧道爆破的楔形掏槽孔自适应布置研究

针对当前隧道爆破中垂直楔形掏槽参数受人为因素影响问题,按照爆破设计与施工所涉及参数特点及其要求,确定了按循环进尺划分楔形掏槽级数为单式、二级复式的原则,提出了炮孔孔口位置搜索原则及其相关计算方法和调整方式.实践表明,给出的搜索原则及其数学模型能达到计算机替代人工设计搜索掏槽孔孔口位置、炮孔钻进方向的要求,从而实现炮孔的自适应布置.     

盾构施工引起地表沉降的影响因素分析

在Loganathan公式的基础上,利用正交试验方法,分析了盾构施工中注浆填充率、支护压力比、偏心率、盾构埋深4个因素对地表沉降的影响程度,分析结果可以为施工提供重要的指导。     

基于循环神经网络的盾构隧道#br# 引发地面最大沉降预测

伴随着计算机技术的快速发展,机器学习等新兴算法正在被越来越多地运用于预测隧道掘进引发的地面最大沉降。在隧道施工过程中,由盾构机和地面监测点位采集的数据具有很强的序列化特征,而传统的机器学习算法对序列数据的处理存在一定的局限性。循环神经网络(RNN)具有极强的对时序型数据的处理能力,在视频识别、语音翻译等领域有着广泛的应用。采用两种RNN模型(LSTM、GRU)和传统的BP神经网络模型,以地质参数、几何参数和盾构机参数作为输入,对隧道施工过程中引发的地面最大沉降进行预测分析。结果显示,RNN对隧道沉降的预测结果优于传统的BP神经网络模型,并且RNN在连续未知区段的预测结果比BPNN更加稳定。     

Prediction of maximum surface settlement caused by earth pressure balance (EPB) shield tunneling with ANN methods

In order to determine the appropriate model for predicting the maximum surface settlement caused by EPB shield tunneling, three artificial neural network (ANN) methods, back-propagation (BP) neural network, the radial basis function (RBF) neural network, and the general regression neural network (GRNN), were employed and the results were compared. The nonlinear relationship between maximum ground surface settlements and geometry, geological conditions, and shield operation parameters were considered in the ANN models. A total number of 200 data sets obtained from the Changsha metro line 4 project were used to train and validate the ANN models. A modified index that defines the physical significance of the input parameters was proposed to quantify the geological parameters, which improves the prediction accuracy of ANN models. Based on the analysis, the GRNN model was found to outperform the BP and RBF neural networks in terms of accuracy and computational time. Analysis results also indicated that strong correlations were established between the predicted and measured settlements in GRNN model with MAE = 1.10, and RMSE = 1.35, respectively. Error analysis revealed that it is necessary to update datasets during EPB shield tunneling, though the database is huge.     

Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling

Numerous empirical and analytical relations exist between shield tunnel characteristics and surface and subsurface deformation. Also, 2-D and 3-D numerical analyses have been applied to such tunneling problems. Similar but substantially fewer approaches have been developed for earth pressure balance (EPB) tunneling. In the Bangkok MRTA project, data on ground deformation and shield operation were collected. The tunnel sizes are practically identical and the subsurface conditions over long distances are comparable, which allow one to establish relationships between ground characteristics and EPB – operation on the one hand, and surface deformations on the other hand. After using the information to identify which ground- and EPB-characteristic have the greatest influence on ground movements, an approach based on artificial neural networks (ANN) was used to develop predictive relations. Since the method has the ability to map input to output patterns, ANN enable one to map all influencing parameters to surface settlements. Combining the extensive computerized database and the knowledge of what influences the surface settlements, ANN can become a useful predictive method. This paper attempts to evaluate the potential as well as the limitations of ANN for predicting surface settlements caused by EPB shield tunneling and to develop optimal neural network models for this objective.     

盾构掘进引起地表沉降因素分析

随着我国城市的快速发展,城市路面也变得越来越复杂,盾构施工产生的安全问题越来越突出,通过分析引起地表沉降的各项施工因素,进而剔除不相关的因素,对某盾构施工的地表沉降与施工数据进行对比分析,并进行误差比较。结果表明与实际沉降拟合度较高,可以作为该地区主要盾构施工因素,可供同类施工参考。     

基于BP神经网络的水下岩溶地层#br# 盾构掘进参数预测与分析

随着我国城市地铁网的建设,越来越多的隧道将不可避免的穿越水下岩溶区,受制于岩溶地层的复杂性、注浆加固后地层的诸多不确定性,盾构穿越该类地层施工风险极大,而选取合理的盾构掘进参数是确保盾构安全与高效掘进的关键。以长沙地铁三号线盾构穿越水下岩溶段为工程依托,首先通过统计与分析钻探数据,明确了岩溶分布特征;其次,通过输入地层特征参数和隧道特征参数,建立了可输出盾构掘进速度、推力、刀盘扭矩、开挖仓压力、气垫仓压力和同步注浆量等掘进参数的BP神经网络水下岩溶盾构掘进参数预测模型;最后,对样本数据进行了训练,并成功应用于工程实践。研究结果表明：训练的输出值与期望值吻合度较高,构建的BP神经网络模型具有较好的适应性;输出的预测结果能有效反映实际盾构掘进参数的变化趋势,预测值与实际期望值的平均误差均低于13%,在误差可接受范围内。现场应用结果表明,地表沉降在安全范围内,盾构掘进过程中未发生工程事故,盾构掘进参数选取合理,姿态控制较好。研究成果可用于指导水下岩溶盾构隧道工程施工,且该方法的提出也为其他复杂地层盾构掘进参数合理选取提供了新思路。     

爆破地震引起质点振动的影响因素分析

利用LS-DYNA软件,建立了仿真模型,分析了不同装药情况下,距离爆心不同水平距离处的质点振动速度差距和衰减规律,指出在工程实际中应根据具体情况采用不同的装药方式,以达到最优的爆破水平。