高埋深软硬岩互层地质条件下敞开式TBM岩爆段施工方法研究

基于喜马拉雅山区域某软硬岩性互层地质条件下的深埋隧洞工程,为解决该区域TBM施工过程中的岩爆问题,统计分析了TBM施工过程中的岩爆特征;在施工过程中开展了多种岩爆规避试验,形成了一套较完整的有针对性的施工方法： 1）岩爆风险巡查常态化; 2）超前地质预报和超前处理措施相结合; 3）支护材料和支护方式合理化; 4）掘进参数动态调整。在后续的施工中加以应用,取得了较好的效果,可以为类似地质条件下的安全施工提供参考。     

喜马拉雅山区域深埋软硬互层地质条件下敞开式TBM施工方法研究

针对敞开式TBM在深埋软硬互层围岩地质条件下遇到的技术难题,以喜马拉雅山区域某深埋水工隧洞为背景,分析了深埋软硬互层围岩地质条件下软岩对TBM掘进的影响及表现特征,提出了针对性的解决措施并成功实践。研究发现:由于岩层软硬相间变化频繁,造成软岩灾害在空间上随机分布;在大埋深高地应力洞段,软岩地层一般具有遇水崩解软化效应显著、变形快、"泥裹刀"现象严重、向外鼓胀崩解、难以出渣及塌方频发的特点,严重制约TBM快速掘进。通过实例分析总结了软硬互层围岩地质条件下顺利通过软岩的施工方法,采取分区段动态调整施工对策以适应深埋软硬互层复杂地质条件,可为国内外类似工程提供借鉴。     

机器学习在隧道岩爆微震监测预警中的应用

深部隧道岩爆是地下工程建设中的安全隐患，准确预警岩爆能够保障工程人员的生命财产安全。机器学习等智能技术的出现为岩爆预警带来了新的思路和方法，提高了预警的准确性、及时性和智能化水平。对机器学习在深部隧道岩爆微震监测预警中的应用现状开展了系统研究。首先，对岩爆微震监测评估预警中的机器学习算法进行总结，分析了现有各类机器学习算法的特征优势，然后，对微震监测岩爆预警指标体系进行了归纳，进一步，分析了基于不同机器学习的岩爆微震监测预警应用效果。结果表明神经网络（NN）是岩爆预警算法中的热门方法，微震事件数（N）、微震能量（E）、视体积（V）及其变体是使用频次最高的岩爆预警指标，大部分岩爆预警指标个数主要在3～7个之间。岩爆等级是岩爆预警的研究热点，大部分机器学习方法的预警准确率基本能达到80%及以上，表明机器学习方法具有较好的应用效果与发展前景。最后，对发展方向进行了展望，更先进的机器学习算法、预警指标体系的有效性与全面性、样本的丰富性、岩爆发生时间预警、数据处理能力等需要进一步深入研究。