隧道锚索预应力损失影响因素研究

实际施工中影响隧道锚索预应力损失的因素众多,相比于基坑和边坡用锚索,隧道中锚索预应力损失的影响因素更加复杂,并且各因素间互相关联。为探究不同因素对预应力损失影响的方式和程度,通过结合过往对锚索预应力损失的研究成果,将影响锚索预应力的因素划分为系统损失、短期损失和长期损失,并对隧道锚索预应力损失的影响因素和损失机理进行了总结和归纳,从而更加清晰地认识了各因素对预应力的影响方式,其对隧道锚索的设计、施工和管理有一定参考价值,有利于提高锚固工程的经济效益和社会效益。

隧道预应力张拉设备的研究与应用

锚索预应力损失是预应力支护失效的关键因素,关系到锚固工程的安全与否,而张拉过程中不同的张拉设备系统造成锚索预应力损失的影响也不同。为了探究不同张拉设备对预应力损失的影响效应,依托甘肃省某公路隧道工程的炭质板岩工段区,选用气动张拉设备和自动张拉设备开展现场试验。试验结果表明:对于此公路隧道炭质板岩的工区,采用自动张拉设备的预应力损失率和离散性均小于气动张拉设备。证明了自动张拉设备在张拉和锚固效果上的优越性,同时也为特定工程的设备选择提供了参考依据。

基于图像识别的公路隧道围岩智能动态分级研究

针对勘察设计阶段判别的隧道围岩等级与施工过程中实际揭露的围岩情况不符的问题,提出一种以隧道施工期实际揭露的围岩为研究对象的智能动态分级方法。首先,依托甘肃省渭武高速公路木寨岭隧道工程,利用单反相机采集掌子面图像,基于深度学习Res Net18网络设计T-Res Net模型,进行掌子面围岩图像特征定性识别分类;然后,利用数字图像处理技术定量识别、提取节理裂隙特征参数,进而确定掌子面完整性指标;最后,结合岩石坚硬程度、岩体完整程度、主结构面产状、地下水发育状况、初始地应力、节理延展性6个指标建立围岩分级指标体系,并采用特征加权KNN(K-nearest neighbor)算法模型实现隧道围岩智能动态分级。研究结果表明:1)T-Res Net模型在节理裂隙测试集的准确率达到83.23%,在地下水测试集的准确率达到92.86%,可以实现围岩特征的有效识别与精确分类;2)使用机器视觉方法处理现场围岩图像,可快速提取岩体完整性系数和地下水发育情况,实现现场智能化高效分析;3)KNN智能动态分级方法在依托工程具有良好的适用性和较高的准确性,可有效实现隧道施工过程中的围岩动态分级。