买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国水利水电第七工程局有限公司;成都理工大学申请的专利一种基于深度学习的高地应力软岩隧道大变形预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121561597B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610092892.5，技术领域涉及：G06F18/241；该发明授权一种基于深度学习的高地应力软岩隧道大变形预测方法是由陈柯朴;高峰;李怀良;李有根;何跃宝;师毓强;帅永建;尚苗苗;田元勋;杨祖林;宋宇;刘宗健设计研发完成，并于2026-01-23向国家知识产权局提交的专利申请。

本一种基于深度学习的高地应力软岩隧道大变形预测方法在说明书摘要公布了：本发明公开了一种基于深度学习的高地应力软岩隧道大变形预测方法，属于隧道工程地质灾害预测领域。通过构建"地质模式判识‑深度学习预测"的双分支网络架构，实现对隧道大变形的精准预测。首先采集岩体结构、风化程度、地下水情况等6项定性指标和强度应力比、支护刚度、等效洞径等3项定量指标，经编码和归一化预处理后，分别输入上下两层网络：上层采用卷积神经网络对围岩地质模式进行判识，输出软弱均质型、块裂结构型等6类易发大变形模式的概率分布；下层基于地质模式判识结果与定量指标，通过全连接神经网络预测变形量并划分风险等级。本发明能充分反映高地应力软岩隧道大变形的复杂耦合机理；针对不同地质模式实现适配性预测。

本发明授权一种基于深度学习的高地应力软岩隧道大变形预测方法在权利要求书中公布了：1.一种基于深度学习的高地应力软岩隧道大变形预测方法，其特征在于：包括以下步骤： 参数采集与预处理阶段：整合施工前地质勘察数据、现场试验数据及施工期动态监测数据，构建包括多项定性指标和定量指标的大变形影响参数数据库；对所述定性指标进行分级编码，对所述定量指标采用min-max归一化映射至[0,1]区间，并通过3σ准则剔除异常值、K近邻插值补充缺失值，形成标准化输入数据； 地质模式判识阶段：将预处理后的定性指标编码向量输入地质模式判识网络，得到多类地质模式的概率分布，当某类地质模式概率大于等于预设值时，判定为对应地质模式且标识为“易发大变形围岩”，否则标识为“非易发大变形围岩”； 变形量预测阶段：若判识结果为“易发大变形围岩”，将地质模式编码与预处理后的定量指标归一化向量拼接为多维融合向量，输入深度学习预测网络；通过线性激活函数输出连续型变形量预测值，并基于变形量区间划分离散型大变形等级； 结果输出阶段：输出变形量预测值及其对应的大变形等级，同时提供地质模式判识结果作为风险预警依据； 所述的定性指标包括岩体结构、风化程度、地下水情况、主控结构面与洞轴线关系、构造影响程度和岩体软硬程度；所述定量指标包括修正强度应力比、支护刚度和等效洞径； 所述的参数采集与预处理阶段中，定性指标编码规则为：岩体结构按散体状、碎裂状、块裂状、层状、整体状划分为1-5级；风化程度按全风化、强风化、中风化、微风化、未风化划分为1-5级；地下水情况、主控结构面与洞轴线关系、构造影响程度和岩体软硬程度均按严重程度划分为1-5级； 所述的地质模式判识网络基于卷积神经网络架构，通过卷积层提取特征、池化层下采样保留关键信息，输出6类地质模式的概率分布，包括软弱均质型、块裂结构型、软弱层状型、层状错动型、软弱互层状型、层状褶曲型； 所述的地质模式判识网络的具体架构包括： 输入层，用于接收6维定性指标编码向量； 两个卷积层，通过卷积核提取单指标关联特征，挖掘多指标耦合特征，捕捉地质模式相关差异； 池化层用于进行最大池化操作，减少计算量并保留关键特征； 扁平化层，用于将多维特征图转换为一维向量； 全连接层，用于输出6类地质模式的概率分布； 所述的深度学习预测网络基于全连接神经网络架构，包括： 输入层，用于接收4维融合向量，由地质模式编码和3项定量指标归一化向量拼接而成； 全连接层1和全连接层2，激活函数为ReLU，Dropout率为0； 输出层1，用于通过线性激活函数输出连续型变形量预测值； 输出层2，用于基于变形量区间划分离散型大变形等级。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国水利水电第七工程局有限公司;成都理工大学，其通讯地址为：611730 四川省成都市郫都区郫筒镇北大街成灌东路349号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。