岩溶帷幕灌浆量的智能预测方法基于支持向量机

文摘

灌浆量的预测是一个非常重要的任务在灌浆质量控制。由于岩溶帷幕灌浆工程的隐蔽性和复杂性,几乎没有研究岩溶帷幕灌浆量的预测(KCGV)和预测是阻碍了小样本的实际问题,高维度,和非线性。在这项研究中,基于支持向量机(SVM)的基本思想,KCGV的多参数综合智能预测方法,提出了克服的局限性几个样本数据在实际工程。该方法以灌浆施工条件和泥浆条件控制泥浆扩散作为输入参数,这是基本的数据可以很容易地获得该领域的灌浆过程。这个功能大大提高了预测精度和泛化性能的方法。KCGV基于支持向量机的智能预测方法应用于一个典型的喀斯特帷幕灌浆工程。预测结果的平均绝对误差为3.47 L / m,和预测结果的平均绝对百分比误差为5.97%。结果表明,该预测方法具有良好的预测效果KCGV和可以提供实用和有益的帮助岩溶帷幕灌浆工程。

1。介绍

喀斯特地貌是广泛分布在中国西南地区1,2]。在这些岩溶发达地区,岩溶地层的防渗是[共同挑战3- - - - - -8]。在当前的理论分析、数值模拟和实验研究岩石的裂缝(9- - - - - -31日),几乎没有研究喀斯特裂缝和渗漏。灌浆方法已经越来越多的被广泛使用作为一个有效的手段来控制漏水灾害(32- - - - - -36]。岩溶帷幕灌浆是一个可靠的方法来解决岩溶渗漏的问题根据岩溶地区的特殊条件(37]。岩溶帷幕灌浆体积(KCGV)是一个重要的参数在岩溶帷幕灌浆工程的设计和施工,这直接影响岩溶帷幕灌浆的质量和防渗效果(38]。因此,科学、准确的预测KCGV将提供更多为岩溶帷幕灌浆工程质量控制信息。

传统方法预测灌浆体积可分为两类。一个是人工经验预测方法,该方法基本上是基于工程经验的技术人员和依赖于人工经验来预测灌浆体积。Sohrabi-Bidar et al。39)建立了经验估算方法的灌浆体积通过Bakhtiari坝址为例。Gustafson和Stille40)建立了一个预测方法基于经验知识的灌浆体积在灌浆施工根据灌浆特征和水文地质数据。然而,由于粗糙度和差异的实证估计,结果将有一个伟大的对项目的质量和成本的影响。另一种是传统的统计预测方法,该方法主要使用回归聚类分析建立预测模型的基础上,收集大量的灌浆数据。Sadeghiyeh et al。41)建立了灌浆量的统计预测模型的基础上,统计岩体的渗透性和groutability Ostur坝址。歌和刘42)获得了岩溶地区的灌浆量的预测模型基于帷幕灌浆的统计数据的Zhongguan铁矿在最近三年。然而,这种方法的应用效果并不十分理想,而且没有良好的应用推广。

随着智能算法的出现,智能灌浆预测方法已应用于注浆量的预测。在这种方法中,人工智能应用于岩体的灌浆工程,和灌浆量的智能预测模型,建立了基于各种智能算法来实现灌浆量的预测。根据常用的智能算法,这种方法包括模糊理论预测方法、灰色理论预测方法和神经网络预测方法。陈和道43)建立了一个模糊综合评价模型的优化注浆方案预测灌浆体积。程和黄平君44)建立了一个进化的模糊 - - - - - -最近邻推理模型来预测灌浆体积。Markou et al。45,46)利用模糊线性回归方法估计灌浆体积。然而,由于指标的隶属度和权重的模糊理论预测方法不容易确定,由不同的评估模型和评估结果是不同的,模糊理论预测方法有许多缺点,没有良好的工程实践的实用性。李和沈47)使用了灰色理论预测模型来预测灌浆体积。然而,灰色理论预测方法主要是基于大量的灌浆数据,不考虑灌浆机理,所以它需要科学和可行性验证。王,郝48)提出,建立了遗传神经网络模型求解灌浆体积,和遗传神经网络方法用于预测灌浆体积。郝et al。49]介绍了反向传播神经网络和信息扩散方法到灌浆实践预测灌浆体积。Tekin和Akbas50,51)建立人工神经网络模型和自适应neurofuzzy推理系统模型来预测灌浆体积。廖et al。52)开发了径向基函数神经网络来预测渗透注浆的注浆量。然而,神经网络预测方法缺乏一个统一的数学基础,及其结构选择和权重的初始值设置需要经验的帮助下,和获得的模型通常是一个局部最优解,而不是全局最优解,因此其泛化性能很差。此外,这种方法是基于大样本的学习方法,只有足够的学习样本可以训练一个预测模型精度高。实际情况是,不可能有足够的学习样本灌浆试验和施工的过程中,和在大多数情况下只有小样本数据。因此,神经网络预测方法的可靠性差。

总之,现有预测方法上有许多非理性灌浆工程的灌浆量和几乎没有研究KCGV的预测。此外,由于岩溶帷幕灌浆工程的隐蔽性和复杂性,实际项目的样本数据是有限的。此外,大多数KCGV影响因素是随机和不确定,和他们中的很多人常常相互影响,导致灌浆数据的离散性。结果,是一个复杂的非线性KCGV及其影响因素之间的关系。这表明KCGV的预测是面对小样本的问题,高维度,和非线性。因此,有必要提出一种新的、更可靠的方法来预测KCGV。

在机器学习方法,支持向量机(SVM)是一种非常有效的工具来解决复杂的情况(学习和预测问题53]。Verbiest et al。54)指出,支持向量机算法是其中最强大的,流行的,准确的分类器。目前,支持向量机已广泛应用于土木工程来解决分类和回归问题的预测(55- - - - - -58]。甚至有性能优良的SVM模型解决实际问题,如小样品,高维度和非线性(59,60]。因此,支持向量机可以用来预测KCGV。

本文介绍了支持向量机的预测KCGV,和主要影响因素选择KCGV预测因素。在此基础上,一个聪明KCGV基于支持向量机的预测方法。方法综合考虑了影响因素如灌浆施工条件和泥浆条件和克服障碍的样本数据有限,高维度,和非线性在实际工程中,大大提高了预测精度。验证该方法的合理性和适用性,典型的喀斯特帷幕灌浆工程。

2。方法

2.1。支持向量机

支持向量机是基于统计学习理论的机器学习方法,具有良好的泛化性能的统计与小样本学习问题。SVM的学习方法是根据结构风险最小化准则,建立及其算法是一个凸二次优化问题,确保获得的解是全局最优的解决方案。支持向量机的基本思想是将输入空间映射到一个高维特征空间的基础上定义的非线性变换核函数和输入变量和输出变量之间的非线性关系在这个高维空间。支持向量机的基本结构如图1。

支持向量机的回归问题,拟合数据的问题 线性拟合函数 首先应该考虑。假设所有训练数据都配备了一个线性函数没有错误精度, 在哪里权向量,是阈值,的输入向量th样本,目标的价值吗th样本,是样本容量。

优化目标是最小化 。根据统计学习理论,更好的泛化能力可以优化目标下实现。考虑到拟合误差,放松的因素 和 介绍了。方程(1)可以更改如下:

实际的支持向量机结构风险考虑经验风险和置信区间。有必要控制函数的复杂性降低信心,这是最平坦的回归函数。因此,优化目标是最小化方程(3)给出如下: 在哪里 是惩罚参数,表明对样本的惩罚的程度超过错误呢 。

上述优化问题转化为对偶问题通过引入拉格朗日乘子 。解决方案的目标是最大化方程(4)给出如下:

约束方程(5)给出如下:

基于上面的最大化函数中,支持向量机的回归函数如下:

对于非线性问题,最初的问题可以映射到一个高维特征空间的线性问题的非线性变换,然后,它可以解决。高维特征空间的内积操作在线性问题可以被内核函数,也就是说,

内核函数实现的功能在原始空间,所以没有必要知道的具体形式的非线性变换。通过这种方式,非线性函数回归问题可以转化为最大化方程(8约束方程(下)下面5):

获得的支持向量机回归函数如下:

主要包括常用的内核函数(1)给定的多项式核函数如下: (2)径向基函数内核给出如下: (3)乙状结肠内核函数给出如下:

在高维非线性空间,径向基函数内核通常可以获得令人满意的结果(61年,62年]。

2.2。KCGV基于支持向量机的预测方法

岩溶帷幕灌浆完成后,泥浆注入的体积单位长度的灌浆孔称为喀斯特帷幕灌浆体积(KCGV)。它反映了灌浆的难度,是否可以将岩体灌浆。KCGV是受许多因素的影响。摘要代表参数选为许多影响因素的预测因素。这些主要影响因素包括灌浆时间( ),灌浆段的长度( ),灌浆压力( ),灌浆流量( ),和水:水泥砂浆的比率( )。这些主要影响因素基本上可以反映浆液扩散的两个控制条件,即灌浆施工条件和泥浆条件。

因为KCGV及其主要影响因素之间的关系通常不是一个简单的线性关系,很难用一个线性数学方程来表达它们之间的关系。这项研究结合了支持向量机的基本思想和主要影响因素KCGV表达之间的映射关系,并使用支持向量机KCGV及其主要影响因素;即KCGV及其主要影响因素之间的非线性关系可以表示支持向量机的功能 给出如下: 在哪里 KCGV的主要影响因素,即灌浆时间( ),灌浆段的长度( ),灌浆压力( ),灌浆流量( ),水:水泥砂浆的比率( ),和KCGV。

为了建立之间的非线性映射关系KCGV及其主要影响因素 ,现有的灌浆样本数据用于学习。根据支持向量机理论,KCGV之间的非线性逼近函数及其主要影响因素如下: 在哪里代表了灌浆体积对应KCGV的主要影响因素,学习样本的数量, 是内核函数, 是支持向量机的拉格朗日乘数法, , 是惩罚参数。

在这项研究中,提出了预测方法的基于SVM的KCGV如图2的收购,这主要包括三个部分:输入参数,建立基于支持向量机的智能预测模型,模型应用程序的输出。

步骤1。决定了两种类型的输入参数影响KCGV。这些参数都是基于灌浆过程的数据和从现场获得灌浆浆属性。灌浆施工条件参数可以从灌浆过程中获得数据,包括灌浆时间( ),灌浆段的长度( ),灌浆压力( ),初始灌浆流量( ),和结束灌浆流量( )。泥浆条件参数可以从泥浆获得属性数据,包括初始水:水泥砂浆的比率( )和水:水泥砂浆的比率( )。输入参数在本研究的基本数据,可以很容易地获得现场灌浆过程中,不需要太多的探察测试和计算。因此,预测方法具有良好的泛化性能。

步骤2。建立了基于支持向量机的智能预测模型。程序(1)输入选定灌浆数据集作为学习样本;(2)选择支持向量机模型参数根据学习样本,包括核函数选择和惩罚参数选择;和(3)研究和培训需求和建立支持向量机预测模型。

步骤3。建立了智能预测模型应用于实际的项目。KCGV可以预测。通过比较和分析预测值和实际值,可以验证模型的合理性和适用性。

3所示。验证

3.1。典型的喀斯特帷幕灌浆工程

岩溶帷幕灌浆工程的典型案例是盘龙铅锌矿的防渗帷幕灌浆工程,保护项目的库区Datengxia水控制项目在广西,中国。Datengxia水控制与综合利用项目是一个大型水利工程的防洪、航运、发电、灌溉。水库的正常水位61.0米。蓄水后Datengxia水控制项目,钱江的返回水位河东侧的盘龙铅锌矿将达到61.5米,水库渗漏会影响安全生产的(盘龙铅锌矿的部分。因此,防渗帷幕的安排在东矿区(部分防止钱江的河隆起的影响矿山生产。防渗帷幕的轴线的平面位置如图3。

根据地质资料的野外地质调查,Shanglun形成含水层的泥盆纪的直接充水含水层(盘龙铅锌矿的部分,这是窗帘防渗帷幕的保护部分项目。地层的条件显示灌浆孔和观察孔两边的窗帘表明,岩溶在帷幕灌浆的施工现场项目主要是开发的白云石。岩溶的统计结果揭示了钻探图所示4。

灌浆前水压试验装置进行了灌浆洞岩溶地区的Shanglun帘线形成。分段的统计结果和水压试验装置的subelevation Shanglun形成的帘线如图5。

如图所示在上面的数据中,岩溶发育的程度和岩层透水性降低逐渐随着地层深度的增加。通过比较和分析岩溶发育的程度和水压力测试的结果,可以得出结论,在Shanglun形成的白云岩地层,部分海拔-80米以上的部分是fracture-karst洞穴水渗透性强,部分海拔-80到-120米的部分是岩溶cave-fissure水介质渗透性,和部分海拔-120米以下的部分是岩溶裂隙水渗透性较弱。

3.2。方法验证

部分的目的是验证该预测方法的合理性和适用性的KCGV典型的喀斯特帷幕灌浆现场试验的项目。在岩溶帷幕灌浆试验,一个典型的部分通常可以代表灌浆地区岩溶发育的特点是选为现场灌浆试验部分。岩溶帷幕灌浆试验部分包括两部分不同的岩溶发育特征。其中,北部灌浆试验部分的面积代表强岩溶发育,而南部灌浆试验部分代表弱岩溶发育的地区。北部和南部的平面布局和配置文件灌浆试验部分所示的数据6和7。

注浆技术和参数用于岩溶帷幕灌浆试验根据实际情况确定的建筑面积和类似岩溶帷幕灌浆的实践项目。灌浆试验部分安排双行线性灌浆孔,和灌浆孔的行间距是3米。首先,连续灌浆孔的一侧矿区构造,然后,一排灌浆孔的钱江。每一行的灌浆孔构造两个序列。我序列的灌浆孔构造第一,然后,第二灌浆孔构造序列。在灌浆试验,窗帘的顶部位置,2米以上岩石和土壤之间的边界,和底部的窗帘是海拔-150米。最初的灌浆孔的直径不小于110毫米,和结束灌浆孔的直径不小于75毫米。灌浆法是downward-sectional pure-pressure灌浆方法。灌浆材料是普通的水泥浆。首先,泥浆浓度较低,然后,泥浆的浓度增加与灌浆过程一步一步,最后,较高的灌浆完成后的泥浆浓度。 The inspection standard of karst curtain grouting quality is that when the water permeability of a single inspection hole obtained by the water-pressure test is not more than 5 Lu, it is considered that the grouting quality is better and meets the quality acceptance standard.

在这项研究中,56组灌浆数据选择从岩溶帷幕灌浆的现场灌浆试验项目,并建立了KCGV的智能预测模型。有28组灌浆数据在北部灌浆测试区(一段强烈的岩溶发育)和28组灌浆数据在南部注浆测试区(一段岩溶发育较弱)。灌浆时间( ),灌浆段的长度( ),灌浆压力( ),灌浆流量( ),和水:水泥砂浆的比率( )作为样本的输入参数,而KCGV作为样本的输出参数。44组灌浆数据随机选择预测模型的学习样本,剩下的12组灌浆数据用于建立测试模型。回归分析采用SVM算法在机器学习库的Python编程语言,它实现了支持向量机预测模型的建立给内核函数和惩罚参数,输入训练样本,完成自动回归计算。在这项研究中,数据集的训练和测试如表所示1。输入和输出参数的数值统计如表所示2。影响因素的盒子图如图所示8。

从表可以看出2和图8的数据 , , ,和相对固定和常规,而数据的 , ,和是分散的。

正如上面提到的,56组灌浆数据随机分为两个部分:44组灌浆数据的训练样本和12组灌浆数据验证样本。训练样本用于构建预测模型,而测试样品是用来评估模型的性能。在这项研究中,各种各样的内核函数测试后,选择径向基函数为核函数,所以hyperparameters是核函数的支持向量机模型参数和惩罚参数 。核函数参数越小回归风险越小,回归函数曲线越平滑,但结构性风险越大。更大的惩罚参数是,更大的近似函数的错误分类的惩罚吗支持向量机的训练精度控制 。网格搜索法在Python编程语言是用于获得最好的hyperparameters。网格搜索法是穷举搜索的参数调整方法。的范围和步骤和,网格搜索方法遍历双环回归评分在每种情况下的遍历方法。当选择最佳的得分,hyperparameters最好的是40,是1.118。建立了智能预测模型用于预测KCGV。通过比较和分析的预测值和实际值KCGV(图9),可以看出,预报值很符合实际的价值。根据的预测性能指标KCGV(图10),预测结果的平均绝对误差为3.47 L / m,和预测结果的平均绝对百分比误差为5.97%;因此,预测精度满足工程要求。这些表明,建立智能KCGV基于支持向量机的预测模型具有良好的预测效果KCGV和可以提供现场灌浆工程实用和有益的帮助。

4所示。讨论

事实上,岩溶帷幕灌浆是最复杂的过程之一在土木工程领域。许多因素会影响KCGV的决心。这些影响因素具有随机性和不确定性的特点,和他们中的很多人常常相互影响,导致一个复杂非线性KCGV及其影响因素之间的关系。很难概括这种关系用数学回归一个显式表达式。因此,建立科学的多参数综合KCGV的智能预测模型是对智能灌浆技术的发展具有重要意义。

目前常用的智能预测方法KCGV包括模糊理论预测方法、灰色理论预测方法和神经网络预测方法。因为隶属程度和体重指数的模糊理论预测方法不容易确定,由不同的评估模型和评估结果明显不同,模糊理论预测方法在工程实践中并不是很实用。灰色理论预测方法主要是基于大量的灌浆数据,不考虑灌浆机理,所以它需要科学和可行性验证。神经网络预测方法是一个基于大样本的学习方法。只有有足够的学习样本训练预测模型精度高,但是不可能有足够的学习样本工程实践,而且在大多数情况下,它是面对小样本数据。此外,学习方法的速度和效率是慢,和获得的结果通常是局部最优解,而不是全局最优的解决方案。因此,可靠性和泛化性能的神经网络预测方法很穷。总之,现有的主要智能预测方法的应用效果KCGV并不理想,从而导致缺乏良好的应用推广。

KCGV的智能预测方法提出了结合支持向量机的基本思想,研究解决问题的一些示例数据,高维度,和非线性中遇到实际的岩溶帷幕灌浆工程,并极大地提高了预测模型的性能。在建立模型的过程中,hyperparameters ( , )的支持向量机对预测结果有很大的影响,及其合理的确定直接影响到模型的精度和泛化能力。因为手动搜索方法找到支持向量机的参数有很大的盲目性,也并不能保证发现hyperparameters最佳hyperparameters。在这项研究中,使用Python编程语言中的网格搜索方法获得最优hyperparameters ( , )。网格搜索法是穷举搜索的参数调整方法。范围和步骤后的核函数参数和惩罚参数,网格搜索方法遍历双环回归评分在每种情况下的遍历方法。当选择最好的分数,最优hyperparameters ( , )将获得的。它确保模型的预测精度。

此外,选定的输入因素的研究反映了两个控制条件泥浆扩散,即灌浆施工条件和泥浆条件。这些参数的基本数据,可以很容易地获得现场灌浆过程中,不需要太多的探索试验和计算。此外,数据来源可靠,成本低,具有较强的工程针对性和明显的技术可行性。与此同时,结果比较合理。因此,提出预测方法KCGV具有良好的适用性和推广的岩溶帷幕灌浆工程,可以满足设计的需要,建设和理论研究岩溶帷幕灌浆。

在未来的研究中,如果KCGV基于支持向量机的智能预测模型嵌入实时灌浆监测系统,实时指导不仅可以避免这一事实窗帘不能满足帷幕灌浆防渗标准的设计由于缺乏灌浆体积在灌浆施工过程中也避免灌浆材料的浪费造成的过度灌浆体积。它将帮助的建筑商灌浆现场控制灌浆质量更及时、全面的方式。

5。结论

为了克服的局限性灌浆体积常用的预测方法目前在岩溶帷幕灌浆工程,在这项研究中,选择KCGV的主要影响因素的预测因素,和支持向量机的基本思想的总和。在此基础上,多参数综合提出KCGV的智能预测方法。可以得出的主要结论如下:(1)KCGV预测的复杂的问题,提出了智能预测方法的KCGV不仅性能优良的利用支持向量机在解决小样本问题,高维度和非线性还考虑了灌浆施工条件和泥浆条件控制泥浆扩散,大大提高了预测精度和泛化性能的方法(2)根据灌浆过程的数据和泥浆性能从现场灌浆,获得该方法可用于科学预测KCGV。过程(i)选择的因素影响KCGV作为输入参数,(2)建立基于支持向量机的智能预测模型,和(3)预测KCGV通过灌浆数据获得的实际注浆工程。该方法容易获得灌浆数据从项目网站;同时,数据来源可靠,成本低,具有较强的工程针对性和明显的技术可行性(3)提出智能KCGV基于支持向量机的预测方法应用于典型的喀斯特帷幕灌浆斥资盘龙铅锌矿的防渗帷幕灌浆工程,保护项目的库区Datengxia水控制项目在广西,中国。灌浆区域的现场灌浆数据选择不同的岩溶发育特征建立预测模型。预测结果的平均绝对误差为3.47 L / m,和预测结果的平均绝对百分比误差为5.97%。预测误差在可以接受的范围从一个工程的观点。这表明该预测方法具有一定的合理性和适用性在岩溶帷幕灌浆工程的实际应用(4)灌浆前完成,工程师可以很容易地和准确地检查和验证实际KCGV利用KCGV基于支持向量机的智能预测模型,结合KCGV的主要影响因素。因此,该方法可以减少现场测试的数量,提高经济效益,帮助工程师加强岩溶帷幕灌浆的质量控制项目

数据可用性

使用的数据来支持本研究的结果包括在纸上。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是基础研究基金支持的中央大学中南大学(授予数量:2020 zzts619),研究和湖南省研究生创新项目(批准号:CX20200349),和2020年的创新和创业资金项目中南大学的大学生(项目编号:S2020105330276、项目类型:创新训练项目)。作者还要感谢中国湖南水利水电勘察设计研究所实地测试数据的试验灌浆钻孔。

引用

1. 蒋郭f, g, d .元,j·s·波尔克”演化的主要环境地质问题在中国西南岩溶地区,”环境地球科学,卷69,不。7,2427 - 2435年,2013页。视图:出版商的网站|谷歌学术搜索
2. 郑x l . Liu j .太阳,f, g . Li和j .徐”成像的地下岩溶水通道使用一种改进的多道瞬态瑞雷波检测方法,”《公共科学图书馆•综合》,13卷,不。6篇文章e0199030 2018。视图:出版商的网站|谷歌学术搜索
3. d . j .任美国l .沈n . (w . c . Cheng和z . f . Wang“地质形成和地质灾害在广州地铁建设期间,“环境地球科学,卷75,不。11,934年,页2016。视图:出版商的网站|谷歌学术搜索
4. 问:l .崔s . l .沈y s徐h . n .吴y和z阴,“缓解岩溶地区地质灾害在深度挖掘洞穴:一个案例研究中,“工程地质卷。195年,16-27,2015页。视图:出版商的网站|谷歌学术搜索
5. Yilmaz,“基于GIS在石膏岩溶抑郁的易感性映射:一个案例研究从中部瑟瓦斯省盆地(土耳其),“工程地质,卷90,不。1 - 2、89 - 103年,2007页。视图:出版商的网站|谷歌学术搜索
6. z s . c . Li问:周,l . p . Li z h .徐问:问:张先生,和美国美国史,“风险评估岩溶隧道突水的基于属性综合评价系统,”隧道与地下空间技术卷,38 - 58,2013页。视图:出版商的网站|谷歌学术搜索
7. 崔问:l . h . n, s . l .沈y s, g . l .你们,”中国岩溶地质和措施防止地质灾害与洞穴,在岩溶地区隧道盾构掘进期间”自然灾害,卷77,不。1,第152 - 129页,2015。视图:出版商的网站|谷歌学术搜索
8. c . Zhang j .傅j .杨x Ou, x,, y,“灌浆材料的配方和性能的水下盾构隧道施工岩溶地面,“建筑和建筑材料卷,187年,第338 - 327页,2018年。视图:出版商的网站|谷歌学术搜索
9. 赵y, y, w . Wang l .唐问:刘,和g . Cheng”建模的流变断裂行为的岩石裂缝受到液压和远场应力,”理论和应用断裂力学卷,101年,页59 - 66,2019。视图:出版商的网站|谷歌学术搜索
10. y赵,l . Zhang j .廖问:刘,w . Wang和l .唐”实验研究岩石断裂韧性和亚临界裂纹增长的三个不同的环境下,“国际地质力学杂志,20卷,不。8,04020128条,2020年。视图:出版商的网站|谷歌学术搜索
11. 赵y, y, w . Wang w .广域网和j .唐“坚硬的岩石非线性流变特性的建模使用三轴流变试验,”国际岩石力学和采矿科学杂志》上卷,93年,第75 - 66页,2017年。视图:出版商的网站|谷歌学术搜索
12. j . y .赵,l . Zhang w . Wang, h·林和w .广域网,“瞬态脉冲试验和形态分析,单一的岩石裂缝,“国际岩石力学和采矿科学杂志》上卷,91年,第154 - 139页,2017年。视图:出版商的网站|谷歌学术搜索
13. w . y .赵,l . Zhang w . Wang湾和w·马”elastoviscoplastic分离菌株的岩石非线性蠕变模型,”国际地质力学杂志,18卷,不。1,04017129条,2018。视图:出版商的网站|谷歌学术搜索
14. h . y . Wang, h·林赵y, y . Liu,“central-flawed岩板的断裂行为在单轴压缩下,“理论和应用断裂力学文章ID 102503卷,106年,2020年。视图:出版商的网站|谷歌学术搜索
15. h . y . Wang Lin y赵、李x p .郭和y . Liu”分析压裂的特点无侧限岩石板侧向冲击载荷作用下,“欧洲环境与土木工程杂志》上卷。19日,硕士论文,2019页。视图:出版商的网站|谷歌学术搜索
16. 林h, h·杨,y, y赵,和r·曹”决心的应力场和裂纹开裂角开放缺陷尖端在单轴压缩下,“理论和应用断裂力学第102358条,卷。104年,2019年。视图:出版商的网站|谷歌学术搜索
17. 王谢,h·林y et al .,“统计损伤本构模型考虑节理剪切变形,“损伤力学的国际期刊卷,29号6,988 - 1008年,2020页。视图:出版商的网站|谷歌学术搜索
18. r·h·曹、曹p . x的粉丝,x,和h·林,“力学行为的实验和数值研究ubiquitous-joint脆如磐石般坚韧的标本在单轴压缩下,“岩石力学和岩石工程卷,49号11日,第4338 - 4319页,2016年。视图:出版商的网站|谷歌学术搜索
19. r·h·曹曹p, h·林,c . z Pu和k . Ou”脆弱的力学行为与预先存在的单轴荷载作用下裂缝如磐石般坚韧的标本:实验研究和粒子力学方法,”岩石力学和岩石工程卷,49号3、763 - 783年,2016页。视图:出版商的网站|谷歌学术搜索
20. y赵,l .张问:刘,w . Wang l . Tang和g . Cheng”试验研究剪切行为和填充岩石节理抗剪强度模型,修正”国际地质力学杂志,20卷,不。9,04020141条,2020年。视图:出版商的网站|谷歌学术搜索
21. x p .周”,本地化的变形和应力-应变关系介观异质脆性岩石材料在卸货,”理论和应用断裂力学,44卷,不。1,27-43,2005页。视图:出版商的网站|谷歌学术搜索
22. 周x p . y . x张问:l . Ha和k . s .朱,“微机械造型的完整应力应变关系裂纹岩石受到压缩载荷减弱,”岩石力学和岩石工程第41卷。。5,747 - 769年,2008页。视图:出版商的网站|谷歌学术搜索
23. x p .周和h .问:杨”,文中岩体动态损伤定位:应变能密度因子方法,”理论和应用断裂力学卷,97年,第302 - 289页,2018年。视图:出版商的网站|谷歌学术搜索
24. h . y . Wang, h·林y赵、李x和y . Liu”的力学行为和失效分析fracture-filled片麻状花岗岩,”理论和应用断裂力学文章ID 102674卷,108年,2020年。视图:出版商的网站|谷歌学术搜索
25. h·林,x, y王et al .,“改善非线性nishihara剪切蠕变模型与变量参数如磐石般坚韧的材料,”土木工程的发展卷,2020篇文章ID 7302141, 15页,2020年。视图:出版商的网站|谷歌学术搜索
26. 赵c . Wang y, y赵和w·Wan”研究共线裂纹之间的相互作用和翼裂纹和开裂行为的岩石在单轴压缩下,“土木工程的发展卷,2018篇文章ID 5459307, 10页,2018。视图:出版商的网站|谷歌学术搜索
27. x商和h . Tkalčić点源小和中度地震纵波极性反转和P / S振幅比率在一个分层贝叶斯框架:间歇泉地震影响,”地球物理学研究杂志:固体地球,卷125,不。2篇文章ID e2019JB018492 2020。视图:出版商的网站|谷歌学术搜索
28. j . k . Peng周、问:邹和f .严”砂岩变形特征与不同循环加载和卸载期间下限压力在不同围压下,“国际期刊的疲劳卷,127年,第100 - 82页,2019年。视图:出版商的网站|谷歌学术搜索
29. p . Kang l .香港y人治,z Quanle, s .肖和l . Zhaopeng“温度对力学性能的影响不同的断裂模式下的花岗岩,”工程断裂力学第106838条,卷。226年,2020年。视图:出版商的网站|谷歌学术搜索
30. k .彭y王,邹,z . Liu和j .备忘录”砂岩的裂缝角度对能量的影响特征复杂应力路径下,“工程断裂力学第106577条,卷。218年,2019年。视图:出版商的网站|谷歌学术搜索
31. w .元,j . x, z h . Li w·王,x和y的太阳,“基于广义强度减少方法Hoek-Brown(奸)标准岩石边坡稳定性分析,“电脑和土工技术第103240条,卷。117年,2020年。视图:出版商的网站|谷歌学术搜索
32. j .牛b, c,和k·陈,“实验研究灌浆浆液的粘度特征在地面温度高的环境中,“材料,13卷,不。14,3221年,页2020。视图:出版商的网站|谷歌学术搜索
33. 问:美国,w•汉美国李et al .,“综合灌浆处理涌水分析灰岩角砾岩裂缝区,“中国岩石力学与工程学报没有,卷。31日。12日,第2419 - 2412页,2012年。视图:谷歌学术搜索
34. 李,张问:s, r . Liu z z太阳,x,和m·t·朱”研究c浆液扩散机制的行为粘度随时间变化,“中国岩石力学与工程学报,32卷,不。12日,第2421 - 2415页,2013年。视图:谷歌学术搜索
35. r·t·刘研究基于扩散和堵塞机制快速凝水泥泥浆在地下动水注浆和它的应用程序中,[博士。论文)山东大学,济南,中国,2012。
36. z .问:杨,k . p .侯,t·t·郭和问:妈,“column-hemispherical渗透注浆机理的研究基于时间的宾汉流体粘度的行为,”岩石和土力学,32卷,不。9日,第2703 - 2697页,2011年。视图:谷歌学术搜索
37. p . t . Milanovic在岩溶水资源工程美国佛罗里达州波卡拉顿,CRC新闻,2004年。视图:出版商的网站
38. g·j·j . d .牛b . Wang Chen和k·陈,“单位注浆量的预测岩溶水帷幕灌浆的岩层渗透率,”应用科学,9卷,不。22日,第4814页,2019年。视图:出版商的网站|谷歌学术搜索
39. a . Sohrabi-Bidar a Rastegar-Nia, a . Zolfaghari”估计的灌浆使用经验(案例研究:Bakhtiari大坝网站)的关系,“《工程地质和环境,卷75,不。2、425 - 438年,2016页。视图:出版商的网站|谷歌学术搜索
40. g . Gustafson和h . Stille groutability灌浆特性和水文地质数据的预测,”隧道与地下空间技术,11卷,不。3、325 - 332年,1996页。视图:出版商的网站|谷歌学术搜索
41. s . m . Sadeghiyeh m . Hashemi和r . Ajalloeian”比较的渗透率和groutability Ostur坝址岩体灌浆帷幕设计”岩石力学和岩石工程,46卷,不。2、341 - 357年,2013页。视图:出版商的网站|谷歌学术搜索
42. f .歌曲和x s .刘科技成果汇编Zhongguan铁矿帷幕灌浆工程中国地质大学出版社有限公司,武汉,中国,2012。
43. g·f·陈和h·b·道“灌浆方案模糊优化及其工程应用,”采矿业的表达信息,11卷,不。12月19 - 21日,2004页。视图:谷歌学术搜索
44. m . y . Cheng和n . d .黄平君Groutability估计与超细水泥灌浆过程使用一个进化基于实例的学习方法,”计算机在土木工程杂志》上,28卷,不。4,04014014条,2014年。视图:出版商的网站|谷歌学术搜索
45. i . n . Markou d . n . Christodoulou和b·k·帕帕多普洛斯”超细水泥水泥浆的穿透性:实验调查和模糊回归建模、”加拿大岩土期刊,52卷,不。7,868 - 882年,2015页。视图:出版商的网站|谷歌学术搜索
46. i n . Markou d . n . Christodoulou e . s . Petala和d . k . Atmatzidis”注入能力的超细水泥水泥浆与不同的层次:石灰岩砂实验调查和预测,“岩土工程和地质工程,36卷,不。2、959 - 981年,2018页。视图:出版商的网站|谷歌学术搜索
47. f·l·李和沈问:t .灌浆压力的预测模型基于改进GM (1,1),“自动化技术和应用程序,27卷,不。3、12 - 15,2008页。视图:谷歌学术搜索
48. s . h . Wang和z,“基因algorithm-neural网络方法来预测小型岩石裂缝灌浆矩阵,”中国岩土工程杂志》上,23卷,不。5,572 - 575年,2001页。视图:谷歌学术搜索
49. z, b . Liu x r .他和z张问:“人工神经网络应用于岩体的灌浆工程”有色金属矿业和冶金,14卷,不。5、3 - 5,1998页。视图:谷歌学术搜索
50. 大肠Tekin和s . o . Akbas“人工神经网络方法估算的groutability颗粒与水泥基土壤水泥浆,”《工程地质和环境,卷70,不。1,第161 - 153页,2011。视图:出版商的网站|谷歌学术搜索
51. 大肠Tekin和s . o . Akbas”预测groutability粒状土壤使用自适应神经模糊推理系统,”神经计算和应用没有,卷。31日。4、1091 - 1101年,2019页。视图:出版商的网站|谷歌学术搜索
52. k·w·廖、j . c .风扇和c·l·黄”groutability预测的人工神经网络渗透与超细灌浆水泥水泥浆,”电脑和土工技术,38卷,不。8,978 - 986年,2011页。视图:出版商的网站|谷歌学术搜索
53. l . Jedlinski j . Jonak,“基于支持向量机的齿轮箱早期故障检测与连续小波变换和多层感知器,”应用软计算,30卷,第641 - 636页,2015年。视图:出版商的网站|谷歌学术搜索
54. n . Verbiest j . Derrac c . Cornelis s加西亚和f . Herrera”进化包装方法支持向量机训练集的选择作为预处理机制:实验评价和支持向量分析,“应用软计算卷,38 10-22,2016页。视图:出版商的网站|谷歌学术搜索
55. h·戴·h·张,w . Wang和g .雪”结构可靠性评估由当地近似极限状态函数的使用自适应马尔可夫链模拟和支持向量回归,”计算机辅助土木与基础设施工程,27卷,不。9日,第686 - 676页,2012年。视图:出版商的网站|谷歌学术搜索
56. 王,邱,w . Wang d·肖和k·c·p·王,“破解使用最小矩形cover-based支持向量机分类,“计算机在土木工程杂志》上没有,卷。31日。5,04017027条,2017年。视图:出版商的网站|谷歌学术搜索
57. y, w·苏l .叮,h·罗和p·e·d·爱,“预测安全风险在地铁深基坑基础设施项目:支持向量机方法,”计算机在土木工程杂志》上没有,卷。31日。5,04017052条,2017年。视图:出版商的网站|谷歌学术搜索
58. n . d .黄平君和d . t .中方通过预测土壤液化震陷基于内核的杂交Fisher判别分析和最小二乘支持向量机:multi-dataset的一项研究中,“《工程地质和环境,卷77,不。1,第204 - 191页,2018。视图:出版商的网站|谷歌学术搜索
59. j·s·周和公元Pham,“智能人工萤火虫群算法支持向量回归在土木工程,增强预测”计算机辅助土木与基础设施工程,30卷,不。9日,第732 - 715页,2015年。视图:出版商的网站|谷歌学术搜索
60. g . Mountrakis j . Im, c . Ogole“支持向量机在遥感:复习一下,”ISPRS《摄影测量与遥感,卷66,不。3、247 - 259年,2011页。视图:出版商的网站|谷歌学术搜索
61. c . w .许和c·j·林”,一个简单的分解方法,支持向量机,“机器学习,46卷,第314 - 291页,2002年。视图:出版商的网站|谷歌学术搜索
62. 林Keerthi和c . j .,”渐近行为与高斯核支持向量机,”神经计算,15卷,不。7,1667 - 1689年,2003页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020李建东妞妞等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。