Blog

Jun 22, 2023

Identifizierung der Strahlschwingungseigenschaften von Grundwasser

Scientific Reports Band 13, Artikelnummer: 13557 (2023) Diesen Artikel zitieren 218 Zugriffe auf Metrikdetails Sprengungen werden häufig im Bergbau, in der U-Bahn, bei Abrissarbeiten und in grundwasserdichten Tunneln eingesetzt

Wissenschaftliche Berichte Band 13, Artikelnummer: 13557 (2023) Diesen Artikel zitieren

218 Zugriffe

Details zu den Metriken

Sprengungen werden häufig in Bergbau-, U-Bahn-, Abbruch- und grundwasserdichten Tunneln eingesetzt, wobei letzterer aufgrund seiner vielen angrenzenden Tunnel, hohen Anforderungen an den Versickerungsschutz, strenger Sprengkontrolle usw. weit verbreitet ist. Die Identifizierung von Sprengeigenschaften ist weit verbreitet von großer Bedeutung für den Sprengbau und die Sicherheitsbewertung des grundwasserdichten Tunnels. Angesichts des Problems, dass herkömmliche Methoden zur Merkmalsidentifizierung in grundwasserdichten Tunneln weniger erforscht sind, wurde eine komplementäre empirische Ensemble-Modenzerlegung mit adaptivem Rauschen und Multiskalen-Permutationsentropie sowie die Hilbert-Huang-Transformationsmethode (HHT) vorgeschlagen. Anschließend wurde die vorgeschlagene Methode durch numerische Simulation und den grundwasserdichten Tunnelbau von Huangdao verifiziert. Die Ergebnisse zeigen, dass die vorgeschlagene Methode modales Aliasing und Signalrauschen unterdrücken und die Sprengeigenschaften von grundwasserversiegelten Tunneln effektiv identifizieren kann. Darüber hinaus wurde die Strahlvibrationsenergie zusammengefasst, die im Frequenzbereich von 0–200 Hz 94,7 % und im Frequenzbereich 0–50 Hz 72,5 % ausmacht. Darüber hinaus wurde der Sicherheitsstatus jedes Überwachungspunkts durch HHT bewertet und die Durchführbarkeit von Sprengungen im Millisekundenbereich ermittelt. Mit der vorgeschlagenen Methode können die Vibrationseigenschaften und der Sicherheitsstatus von grundwasserversiegelten Tunneln aus der Perspektive von Zeit, Frequenz und Energie effektiv ermittelt werden.

Sprengungen, ein wirtschaftliches und effektives Aushubverfahren, werden häufig im Bergbau, bei Eisenbahnen, in Autobahntunneln, im Wasserkraftbau, in grundwasserdichten Tunneln und beim Abriss städtischer Hochhäuser eingesetzt1,2,3. Unter grundwasserdichtem Tunnelspeicher versteht man ein unterirdisches Raumsystem, das das Prinzip der Wasserabdichtung zur Speicherung von Öl- und Gasenergie nutzt und in einer bestimmten Tiefe des Gesteins unterhalb eines stabilen Grundwasserspiegels ausgehoben wird. Es ist in der globalen Industrie als „sehr strategisches und sicheres Reservereservoir“ bekannt und hat sich international zur wichtigsten Speichermethode für Energie wie Öl und Flüssiggas entwickelt. Der grundwasserdichte Tunnel befindet sich in einer dynamischen unterirdischen Wasserumgebung mit vielen angrenzenden Kavernen, hohen Anforderungen an den Versickerungsschutz, einer strengen Sprengkontrolle usw., wodurch die Stabilität und Sicherheitskontrolle des Tunnels die Grundlage für den Bau und den sicheren Betrieb bilden. Während der Sprengung und des Aushubs wird ein Teil der Sprengenergie dazu verwendet, die Gesteinsmasse aufzubrechen (die Gesteinsmasse zu verformen, zu zerstören, zu bewegen und zu werfen usw.), während gleichzeitig Arbeiten an der Gesteinsmasse rund um das Sprengloch durchgeführt werden. In der Zwischenzeit wird ein anderer Teil der Energie dynamisch in Form seismischer Wellen auf die Gesteinsmasse übertragen, was zu Vibrationen und Schäden an angrenzenden Tunneln und unterstützenden Einrichtungen führt4,5. Das Ausbreitungsgesetz, die Wellenformeigenschaften, die Energieeigenschaften und das Dämpfungsgesetz der seismischen Sprengwellen im Medium können durch Überwachung, Extraktion und Analyse der Informationen im Sprengvibrationssignal sowie durch Untersuchung des Frequenzspektrums und der Energieverteilungseigenschaften des Sprengvibrationssignals aufgedeckt werden6 ,7,8. Die Analyse und Bewertung der Sprengschwingungen ist von großer Bedeutung für die Qualitätswirkung des Sprengbaus und die Sicherheit und Stabilität angrenzender Tunnel9. Die traditionellen Methoden zur Merkmalsidentifizierung werden jedoch hauptsächlich bei gewöhnlichen Tunneln, Bergwerken und Hangaushubarbeiten angewendet, die in grundwasserdichten Tunneln weniger häufig untersucht werden. Daher ist es notwendig, die Identifizierung der Sprengeigenschaften für grundwasserversiegelte Tunnel zu untersuchen.

Das gesamte Sprengvibrationssignal weist aufgrund des Einflusses bestimmter Faktoren, wie z. B. komplexer Umgebung, elektromagnetischer Interferenzen und Fehler der Überwachungsinstrumente, instationäre und nichtlineare Eigenschaften auf10. Einige Wissenschaftler verwenden bestimmte aktuelle Zeit-Frequenz-Analysetechniken, um das Signal zu identifizieren und zu analysieren. Die schnelle Fourier-Transformation (FFT) wandelt das Signal vom gesamten Zeitbereich in den Frequenzbereich um, analysiert die dynamischen Änderungs- und Dämpfungseigenschaften der seismischen Wellenenergie mit der Zeit und der Momentanfrequenz und unterscheidet verschiedene Arten von Wellenformen11. Mit der Wavelet-Analyse können Zeit-Frequenz-Analysen, Mehrbandanalysen und Energieverteilungscharakteristikanalysen realisiert und die Energieverteilungseigenschaften von seismischen Sprengwellen mit mehreren Frequenzbändern im Vergleich zu früheren Methoden identifiziert werden, die nur anhand eines einzelnen Elements analysiert werden können, wie z Amplitude, Frequenz und Dauer der Strahlschwingungswellen12. Die von Huang et al.13 vorgeschlagene empirische Modenzerlegung (EMD) kann eine mehrschichtige adaptive Zerlegung für die Eigenschaften instationärer und nichtlinearer Signale durchführen und die intrinsische Modenfunktion (IMF)14 erhalten, die verschiedene charakteristische Zeitskalen enthält und hat seine eigene physikalische Bedeutung, die die lokalen Merkmale des Signals hervorheben und eine Analyse mit mehreren Auflösungen durchführen kann15. Die Ensemble-EMD- (EEMD) und komplementären EEMD-Methoden (CEEMD) werden basierend auf EMD durch Hinzufügen von Gaußschem weißem Rauschen verbessert. Diese Methoden unterteilen das Originalsignal in Komponenten unterschiedlicher Skalen im Zeit-Frequenz-Raum, sind allesamt adaptive, rauschunterstützte Datenanalysemethoden16, können das Problem des modalen Aliasings bis zu einem gewissen Grad lösen und eine adaptive Zerlegung und Zeit-Frequenz-Merkmalsextraktion realisieren von instationären Signalen17. Das CEEMD mit adaptivem Rauschen (CEEMDAN), das ebenfalls auf der Basis von EMD durch adaptives Hinzufügen von weißem Rauschen verbessert wurde, reduziert das Phänomen des modalen Aliasings, überwindet das Problem des Rekonstruktionsfehlers und kann das Originalsignal genau rekonstruieren18.

Obwohl die Fourier-Transformation die gesamte Frequenzverteilung beschreiben kann, kann sie nicht gleichzeitig die gesamten oder lokalen Eigenschaften des Signals im Zeit- und Frequenzbereich widerspiegeln. Die Anwendungsbedingungen sind rau und es treten bestimmte Probleme auf, wie z. B. die Verwechslung der Frequenzkomponenten bei instationären Signalen. Die Wavelet-Transformation (WT) ist eine Art Fourier-Transformation mit einem einstellbaren Fenster, kann jedoch die Einschränkungen der Fourier-Transformation nicht vermeiden. Darüber hinaus wirkt sich die Auswahl der Wavelet-Basis auf die Ergebnisse aus, und die begrenzte Länge des Wavelets führt zu einem Verlust von Signalenergie, was eine quantitative Analyse der Signalenergie-Frequenz-Zeit-Verteilungseigenschaften erschwert19. Bei der Zerlegung verrauschter seismischer Sprengwellen zur Gewinnung von IMF kommt es bei EMD häufig zu schwerwiegenden Modal-Aliasing- und Endpunktdivergenzeffekten, was die Genauigkeit der Signalanalyse bis zu einem gewissen Grad beeinträchtigt20. Obwohl EEMD und CEEMD das Originalsignal durch Hinzufügen von Gaußschem weißem Rauschen in verschiedene Skalenkomponenten im Zeit-Frequenz-Raum aufteilen können, können sie das hinzugefügte weiße Rauschen während der Rekonstruktion nicht vollständig entfernen und den Einfluss von Restrauschen vermeiden, was zu einer Verzerrung des Originalsignals führt21 . CEEMDAN kann das durch die traditionelle Zerlegungsmethode verursachte Modal-Aliasing-Phänomen lösen, reine Hauptmodalkomponenten erhalten und die Anpassungsfähigkeit der nachfolgenden HHT-Analyse verbessern22. Allerdings kann CEEMDAN den Einfluss von Restlärm23 immer noch nicht vermeiden. Mittlerweile wird die auf EMD oder HHT basierende Zeit-Frequenz-Energieanalysemethode hauptsächlich zur Identifizierung und Analyse der Sprengschwingungseigenschaften im konventionellen Tunnel- und Bergbaubau eingesetzt, seltener jedoch im grundwasserdichten Tunnelbau. Die Identifizierung und Analyse der Sprengschwingungseigenschaften grundwasserdichter Tunnel wird weitreichende Bedeutung für die Schadenswirkung von Gebirgsschwingungen und die Sicherheitskontrolle angrenzender Tunnel haben.

Um die oben genannten Probleme bei der Verarbeitung von Sprengschwingungssignalen zu lösen und die Strahlschwingungseigenschaften sowie die Sicherheit und Stabilität in grundwasserdichten Tunneln zu analysieren und zu bewerten, verwendet diese Arbeit die Multiskalen-Permutationsentropie (MPE) als Erkennungsmethode für Signalzufälligkeit und -dynamik Mutation, um die Komplexität und Zufälligkeit von aus der CEEMDAN-Zerlegung abgeleiteten IMFs zu erkennen, Rauschen oder Störkomponenten zu eliminieren, um eine Reduzierung und Reinigung des Signalrauschens zu erreichen und die Machbarkeit für die anschließende Hilbert-Transformation bereitzustellen24. Die CEEMDAN-MPE-Methode bietet im Hinblick auf Rauschunterdrückung und adaptive Diskriminierung im Vergleich zu anderen Methoden viele Vorteile. Bei der Merkmalsextraktion und -analyse durchbricht die Hilbert-Huang-Transformation (HHT), eine neue Methode zur Verarbeitung nichtlinearer und instationärer Signale, die Beschränkungen des Heisenbergschen Unschärfeprinzips und spiegelt die Änderungseigenschaften von Signalen im Zeit-Frequenz-Bereich genau wider Energie. Frühere Forschungen zu Sprengschwingungssignalen berücksichtigen hauptsächlich einzelne Faktoren wie Frequenz oder Amplitude durch FFT, WT usw. In dieser Arbeit wird die HHT-Analysemethode verwendet, um die spezifische Verteilung der Schwingungssignalenergie umfassend und klar über Zeit und Frequenz darzustellen und die Eigenschaften des Sprengschwingungssignals aus der Perspektive von Zeit, Frequenz und Energie effektiv zu identifizieren.

Angesichts des Problems, dass die herkömmlichen Methoden zur Merkmalsidentifizierung bei grundwasserdichten Tunneln weniger erforscht sind, schlägt diese Arbeit eine Methode zur Identifizierung abnormaler Signale und zur Rauschreduzierung von CEEMDAN-MPE vor, die eine Signalzerlegung und Rauschreduzierung durchführt und ein analoges Simulationssignal erstellt Vergleichen und verifizieren Sie die vorgeschlagene Methode mit EMD, WT und anderen verwandten Methoden. Anschließend werden die oben genannten Methoden in Kombination mit der HHT-Methode zur Zeit-Frequenz- und Energiecharakteristikanalyse auf den grundwasserversiegelten Tunnelbau in Huangdao angewendet. Zunächst werden die Zeit-Frequenz- und Energiemerkmale der Sprengschwingungssignale extrahiert und analysiert. Darüber hinaus werden die Zeit-Frequenz- und Energieverteilung des Signals, das Dämpfungsgesetz der Energieausbreitung, der Sicherheitsstatus und die Ermittlung der Sprengverzögerung des grundwasserversiegelten Tunnels diskutiert. Es wird gezeigt, dass die in dieser Arbeit vorgeschlagene Methode dabei helfen kann, die Eigenschaften von Sprengschwingungssignalen zu identifizieren und die Sicherheit von grundwasserdichten Tunneln zu bewerten.

Die CEEMDAN25-Methode zerlegt das Signal, indem sie adaptives weißes Rauschen hinzufügt und die einzige Restkomponente berechnet, um das bei EMD vorhandene modale Aliasing-Phänomen zu beseitigen. Diese Methode löst auch das Problem der Übertragung von weißem Rauschen von hoher auf niedrige Frequenz und erreicht eine adaptive Zeit-Frequenz-Zerlegung instationärer Signale und einen gewissen Grad an Rauschreduzierung. Das Realisierungsprinzip ist wie folgt:

Schritt 1: Originalsignal: \(X\left( t \right)\)

\(v^{i} \left( t \right)\) ist ein Gaußsches weißes Rauschsignal mit Standardnormalverteilung, und \(\varepsilon\) ist die Standardabweichung des Rauschens, wobei positive und negative Gaußsche Weißpaare hinzugefügt werden Rauschen zum ursprünglichen Signal für das Experiment. Das \(i\)-Zeitexperiment kann als neues Signal ausgedrückt werden:

wobei \(i = 1, 2, 3, \ldots , I\).

Schritt 2: \(X^{i} \left( t \right)\) wird durch EMD zerlegt, um \(IMF_{1}\) zu erhalten. Anschließend wird der summierte Durchschnitt der Komponenten berechnet, um die Modalkomponenten erster Ordnung zu erhalten:

Residuen der Modalkomponenten erster Ordnung:

Schritt 3: Ein positives und negatives gepaartes Gaußsches weißes Rauschen \(\varepsilon v^{i} \left( t \right)\) wird zum Rest \(r_{1} \left( t \right)\) addiert und \(i\) Zeitexperimente werden durchgeführt, um Folgendes zu erhalten:

EMD wird durchgeführt, um \(IMF_{2}\) zu erhalten. Anschließend wird der summierte Durchschnitt der Komponenten berechnet, um die Modalkomponente zweiter Ordnung zu bestimmen:

Residuen der Modalkomponenten zweiter Ordnung:

Schritt 4: Die Schritte 2 und 3 werden wiederholt, bis die Restkomponente eine monotone Funktion ist und die Zerlegung nicht mehr fortgesetzt werden kann. Dann endet der Algorithmus. Die Anzahl der Eigenformen beträgt derzeit \(K\). Anschließend kann das Signal \(X\left( t \right)\) zerlegt werden in:

CEEMDAN kann bis zu einem gewissen Grad eine adaptive Zeit-Frequenz-Zerlegung instationärer Signale und eine Rauschunterdrückung realisieren. Dieser Algorithmus isoliert jedoch kein Restrauschen. Dementsprechend kann das hinzugefügte weiße Rauschen immer von hoher Frequenz auf niedrige Frequenz übertragen werden, was zu einem IMF-Restsignal für weißes Rauschen führt. Das MPE26 ist eine Methode zur Erkennung der Zufälligkeit und dynamischen Mutation des Signals. Mithilfe von MPE können die Komplexität und Zufälligkeit jeder zerlegten Komponente erkannt und die Rauschkomponente eliminiert werden, um eine Reduzierung des Signalrauschens zu erreichen. MPE führt eine mehrskalige Grobkörnung der Zeitreihe durch und berechnet deren Permutationsentropie. Das Umsetzungsprinzip ist wie folgt:

Schritt 1: Es wird eine grobkörnige Verarbeitung der Sequenz \(X = \left\{ {x\left( i \right),i = 1,2,3,...,n} \right\}\) durchgeführt Erhalten Sie die verarbeitete grobkörnige Sequenz:

Dabei ist \(s\) der Skalierungsfaktor und \(y^{s} \left( j \right)\) die Zeitreihe unter verschiedenen Skalierungsfaktoren.

Schritt 2: Die Zeitreihe \(y^{s} \left( j \right)\) wird rekonstruiert, um Folgendes zu erhalten:

Dabei ist \(m\) die Einbettungsdimension und \(t\) die Verzögerungszeit.

Schritt 3: Die Permutationsentropie der Zeitreihe unter dem Skalierungsfaktor \(s\) wird berechnet:

wobei \(P_{j}\) die Wahrscheinlichkeit des zeitlichen Auftretens der Symbolfolge ist.

Schritt 4: Die oben berechnete Permutationsentropie wird normalisiert:

HHT13 ist eine neue Methode zum Umgang mit nichtlinearen und instabilen Signalen. Diese Methode erzeugt Sequenzen mit unterschiedlichen Eigenschaften, indem sie Signale auf verschiedenen Skalen zerlegt, die das Verteilungsgesetz von Signalen auf verschiedenen Räumen oder Zeitskalen genau widerspiegeln können. HHT besteht aus zwei Teilen: EMD und Hilbert-Transformation. Das Signal wird durch EMD in verschiedene IMFs zerlegt, um eine tatsächliche physikalische Bedeutung für die Momentanfrequenz bereitzustellen. In der Zwischenzeit wird die Hilbert-Transformation an verschiedenen IMFs durchgeführt, um das Hilbert-Spektrum zu erhalten und das Zeit-Frequenz- und Energiespektrum des Signals umfassend zu beschreiben. Die Hilbert-Transformation lautet wie folgt:

Für die Zeitreihe: \(F\left( t \right)\) lautet die Hilbert-Transformation wie folgt:

wobei \(K\) der Hauptwert von Cauchy ist, wenn \(F\left( t \right)\) und \(G\left( t \right)\) komplexe Konjugate sind und ein analytisches Signal \(P \left( t \right)\) kann erhalten werden:

wobei momentane Amplitude: \(a\left( t \right) = \sqrt {F^{2} \left( t \right) + G^{2} \left( t \right)}\); momentane Phase: \(\alpha \left( t \right) = \arctan \frac{G\left( t \right)}{{F\left( t \right)}}\); und momentane Kreisfrequenz: \(\omega = \frac{d\alpha \left( t \right)}{{dt}}\).

Die Hilbert-Transformation bietet eine einzigartige Funktion zum Ermitteln der Momentanfrequenz und Momentanamplitude. Für jede IWF-Komponente wird eine Hilbert-Transformation durchgeführt, um das Hilbert-Spektrum zu erhalten:

(a) Die Verteilung der Amplitude in Frequenz und Zeit kann aus der obigen Formel erhalten werden. Anschließend wird das Hilbert-Spektrum über die Zeit integriert, um das Randspektrum zu erhalten:

Das Hilbert-Randspektrum stellt die zeitliche Akkumulation der Amplitude oder Energie bei jeder Frequenz dar und kann die Energiekonzentration bei jeder Frequenz widerspiegeln.

(b) Das Quadrat der Amplitude über der Zeit wird integriert, um das Energiespektrum zu bestimmen:

Das Hilbert-Energiespektrum spiegelt die Energieakkumulation jeder Frequenz über die gesamte Zeitspanne wider.

(c) Das Quadrat der Amplitude über der Frequenz wird integriert, um das momentane Energiespektrum zu erhalten:

Das Hilbert-Momentanenergiespektrum spiegelt die Akkumulation und Variation der Wellenformenergie im gesamten Frequenzbereich zu jedem Zeitpunkt wider.

Ein analoges Simulationssignal wird konstruiert, um die Machbarkeit der in dieser Arbeit vorgeschlagenen CEEMDAN-MPE-Rauschunterdrückungsfilterung und Merkmalsidentifizierung zu überprüfen. Das Signal setzt sich aus einer stationären Sinusfunktion mit einer Frequenz von f = 100 Hz und einem Gaußschen weißen Rauschen mit RMSE = 0,2 zusammen. Die Abtastfrequenz beträgt 4 kHz, die Abtastzeit beträgt t = 2 s und die Anzahl der Abtastpunkte beträgt N = 8000. Das synthetische Signal, das Sinussignal und das Rauschen werden wie in Abb. 1 dargestellt erhalten.

(a) Simulationssignal. (b) Sinusförmiges Signal. (c) Rauschsignal.

Vier Methoden, nämlich EMD, EEMD, CEEMDAN und CEEMDAN-MPE, werden für die Signalverarbeitung der oben genannten analogen Signale verwendet, um die ersten sechs zerlegten IMF-Komponenten und das Hilbert-Grenzspektrum jeder Komponente zu erhalten, wie in Abb. 2 dargestellt.

(a) EMD-Zerlegung. (b) Hilbert-Randspektrum.

Nach dem Entrauschen des simulierten Signals durch CEEMDAN wird der MPE jedes IMF berechnet, wie in Tabelle 1 gezeigt, und die Zufälligkeit und Komplexität jeder IMF-Komponente werden bewertet. Nach vielen Versuchsberechnungen und Referenzen27 haben wir festgestellt, dass diese Komponente als abnormale Komponente mit erheblicher Zufälligkeit betrachtet werden kann, wenn MPE > 0,6 und eliminiert werden muss. Nach dem Entfernen abnormaler Komponenten wird durch Rekonstruktion ein neues Signal erhalten. Anschließend wird CEEMDAN durchgeführt, um das endgültige IMF- und Hilbert-Randspektrum zu erhalten, wie in Abb. 5 dargestellt, und die Signale vor und nach der Verarbeitung werden in Abb. 6 verglichen.

Um die Verarbeitungsfähigkeit der CEEMDAN-MPE-Methode für das Simulationssignal zu überprüfen, wurden außerdem die Rauschunterdrückungseffekte von Wavelet und Wavelet Package verglichen und die Ergebnisse entsprechend dem SNR (Signal-zu-Interferenz-plus-Rausch-Verhältnis) und erhalten RMSE-Indikatoren (Root Mean Square Error) sind in Tabelle 2 dargestellt. Es ist ersichtlich, dass die vorgeschlagene Methode das höchste SNR und den niedrigsten RMSE aufweist, wodurch die wahren Signalkomponenten besser aus dem Simulationssignal extrahiert und eine Grundlage für nachfolgende Funktionen bereitgestellt werden können Extraktion.

Aus der Analyse der Abbildungen lassen sich folgende Schlussfolgerungen ziehen: 2, 3, 4, 5 und 6:

(a) EEMD-Zerlegung. (b) Hilbert-Randspektrum.

(a) CEEMDAN-Zersetzung. (b) Hilbert-Randspektrum.

(a) CEEMDAN-MPE-Zersetzung. (b) Hilbert-Randspektrum.

Vergleich vor und nach CEEMDAN-MPE. (a) Originalsignal. (b) Verarbeitetes Signal.

(1) Die durch EMD zerlegten Hochfrequenzkomponenten weisen ein offensichtliches modales Aliasing-Phänomen auf. EEMD und CEEMDAN weisen unter Störeinflüssen falsche Komponenten auf (dh Komponenten mit mehr als 250 Hz), und die falschen Komponenten sind schwer zu identifizieren. Das bei hohen Frequenzen auftretende modale Aliasing ist in der Komponente weiterhin vorhanden.

(2) Die ersten vier Komponenten von EMD, die ersten drei Komponenten von EEMD und die ersten vier Komponenten von CEEMDAN weisen ein offensichtliches modales Aliasing-Phänomen auf. Laut der Analyse des Hilbert-Grenzspektrums, das jeder Komponente entspricht, überschreiten die Frequenzen der ersten drei Komponenten von EMD, EEMD und CEEMDAN 250 Hz und liegen damit weit über der 100-Hz-Frequenz des tatsächlichen Signals. Dieser Befund weist darauf hin, dass diese Komponente beträchtliches hochfrequentes Rauschen enthält, ihre niederfrequente Komponente jedoch relativ stabil ist.

(3) Das modale Aliasing-Phänomen besteht immer noch bei der einfachen Verwendung von CEEMDAN, und die ersten drei IMFs weisen hochfrequente Rauschkomponenten auf. MPE wird eingesetzt, um die Zufälligkeit und Komplexität jeder Komponente zu erkennen. Nach dem Entfernen der abnormalen Komponenten werden die verbleibenden Signale rekonstruiert und zerlegt, um sieben IWFs und ein Trendelement R zu erhalten, wie in Abb. 5 gezeigt, wobei das modale Aliasing-Phänomen der zerlegten IWFs unterdrückt wird. Basierend auf der Hilbert-Grenzspektrumanalyse jeder Komponente liegt die Frequenz jeder Komponente innerhalb des 100-Hz-Signals des simulierten Signals und die Signalenergie konzentriert sich hauptsächlich auf die ersten fünf Komponenten.

(4) Das Ergebnis des Vergleichs des Originalsignals und des von CEEMDAN-MPE verarbeiteten Signals (Abb. 6) zeigt, dass die in dieser Arbeit vorgeschlagene Zerlegungs- und Rauschunterdrückungsmethode die Grate und Unregelmäßigkeiten im Signal wirksam reduzieren kann, während das Signal erhalten bleibt ursprüngliche Signalmerkmalsinformationen und geben die Signalwellenformeigenschaften besser wieder.

Zusammenfassend lässt sich sagen, dass die in dieser Arbeit entwickelte CEEMDAN-MPE-Methode das modale Aliasing-Phänomen des Originalsignals beseitigen, abnormale Komponenten effektiv erkennen, hochfrequentes Rauschen entfernen, echte Informationen beibehalten und die Analysegenauigkeit im Vergleich zur herkömmlichen Methode verbessern kann. Diese Methode kann einen wissenschaftlichen und effektiven Ansatz zur Identifizierung und Analyse der Eigenschaften der nachfolgenden Sprengschwingungssignale bieten.

Die grundwasserdichte Tunnelsprengungsanlage Huangdao befindet sich im Bezirk Huangdao der Stadt Qingdao. Dieses Projekt ist das erste groß angelegte grundwasserdichte Tunnelöldepotprojekt in China. Die geplante Lagerkapazität beträgt 3 Millionen m3 und ist auf zwei Einzelprojekte aufgeteilt: unterirdisch und oberirdisch. Das unterirdische Projekt umfasst insgesamt drei Tunnelgruppen, bestehend aus neun Haupttunneln, fünf Wasservorhangtunneln, sechs Prozessschächten, Bautunneln, Lüftungstunneln usw. Der Abschnitt des Haupttunnels besteht aus einer geraden Wand und einem Kreisbogen mit eine Spannweite von 20 m, eine Höhe von 30 m und eine Gesamtlänge von 5,6 km. Der Gesteinstyp ist überwiegend vom Grad II.

Die Anordnung der Messpunkte für die Sprengschwingungsüberwachung vor Ort ist in Abb. 7 dargestellt. Auf der Rückseite des Sprengbereichs sind die Messpunkte 1# und 3# an der Felswand am Fuß der Seitenwand angeordnet; der Messpunkt 2# ist am Bordwandbolzen angeordnet; der Messpunkt 4# ist oben im Haupttunnel angeordnet; und die Messstelle 5# ist im angrenzenden Tunnel angeordnet. Der Aufbau des Sprengabschnitts ist in Abb. 8 dargestellt. Zur Überwachung wird der eigens entwickelte Sprengrekorder BJY-III eingesetzt. Das in Abb. 9 dargestellte Überwachungssystem ist aufgebaut, die Abtastfrequenz beträgt f = 5 kHz und jeder Messpunkt erfasst die Partikelschwingungsgeschwindigkeit in drei Richtungen. Die Überwachung der Sprengschwingungen vor Ort ist in Abb. 10 dargestellt. Die Sprengkonstruktionsparameter, die Zündstufe des Zünders und die Abschnittsladung sind in den Tabellen 3 und 4 aufgeführt.

Die Anordnung der Strahlschwingungsmessstelle.

Der Aufbau des Sprengbereichs.

Das Strahlschwingungsmessgerät und Überwachungssystem.

Die Überwachung der Sprengerschütterung am grundwasserdichten Tunnel.

In Kombination mit der Vor-Ort-Sprengschwingungsüberwachung wird ein typischer Messpunkt, der sogenannte 4#-Messpunkt, als Beispiel für die Signalgewinnung und -analyse ausgewählt. Die Originalsignale der radialen, tangentialen und vertikalen Schwingungsüberwachung sind in Abb. 11 dargestellt.

Zeitreihe der Strahlschwingungsgeschwindigkeit. (a) Radiale Komponente. (b) Tangentialkomponente. (c) Vertikale Komponente.

Die in dieser Arbeit vorgeschlagene CEEMDAN-MPE-Methode wird verwendet, um das Signal in der radialen Richtung des 4#-Messpunkts zu verarbeiten, wie in Abb. 12 dargestellt. In Abb. 12 ist die Gesamtform des Signals nach der Filterung und Rauschreduzierung dargestellt intakt und das Rauschen ist beseitigt.

Vergleich zwischen den Originaldaten und den verarbeiteten Daten. (a) Originaldaten. (b) Verarbeitete Daten.

Das Hilbert-Spektrum vor und nach der Verarbeitung des Sprengschwingungssignals wird verglichen, wie in Abb. 13 dargestellt. Die Frequenz des Originalsignals liegt zwischen 0 und 2000 Hz und die des verarbeiteten Signals zwischen 0 und 500 Hz. Die Lärmsignale über 500 Hz wurden wirksam entfernt, was mit dem allgemeinen Verteilungsgesetz der Tunnelsprengungsfrequenz28 im Einklang steht.

Das Hilbert-Spektrum. (a) Vor CEEMDAN-MPE. (b) Nach CEEMDAN-MPE.

Das Hilbert-Randspektrum wird aus der radialen Komponente des 4#-typischen Messpunkts durch die in dieser Arbeit vorgeschlagene Methode erhalten, und die Amplitudenverteilung verschiedener Frequenzbänder ist in Abb. 14 dargestellt. Gleichzeitig wird die Schwingungsfrequenz in sechs Frequenzen unterteilt Bänder zur quantitativen Beschreibung der von jedem Frequenzband getragenen Energie: 0–50 Hz, 50–100 Hz, 100–200 Hz, 200–300 Hz, 300–400 Hz und 400–500 Hz. Die Quadrate der radialen, tangentialen und vertikalen Hilbert-Spektren der Messpunkte 1#–5# werden in jedes Frequenzbandintervall integriert und das Energieverhältnis jedes Frequenzbandintervalls wird gezählt, um die in Tabelle 5 gezeigten Daten zu erhalten. Die kumulierte Der durchschnittliche Energieanteil der ersten drei Frequenzbänder (0–200 Hz) wird gezählt und der Energieanteil jedes Frequenzbandes an jedem Messpunkt ermittelt, wie in Abb. 15 dargestellt.

Das Hilbert-Randspektrum des 4#-Messpunkts in der radialen Komponente.

Das Energieverhältnis (%) jedes Frequenzbandes an jedem Messpunkt.

(1) Abb. 13 zeigt, dass die Energie des Sprengvibrationssignals hauptsächlich im Niederfrequenzbereich innerhalb von 200 Hz konzentriert ist. Im Frequenzbereich kleiner 86 Hz ist die Summenamplitude relativ groß. Dieser Befund zeigt, dass sich die Sprengschwingungsfrequenz in Richtung niedriger Frequenz (< 86 Hz) entwickelt, die Amplitude nach 86 Hz schnell abfällt und nach 200 Hz zunehmend schwächer wird und gegen Null tendiert.

(2) Tabelle 5 und Abb. 14 zeigen, dass die Frequenz zwischen 0 und 50 Hz die durchschnittlichste Energie trägt und 72,5 % der Gesamtenergie ausmacht, was darauf hinweist, dass es sich um das Hauptfrequenzband handelt. Die Frequenz innerhalb von 200 Hz nimmt mit 94,7 % den größten Teil der Signalenergie ein, was darauf hinweist, dass die Vibrationsfrequenz der Sprengvibration innerhalb von 200 Hz liegt.

(3) Beim Vergleich der durchschnittlichen Energieanteile der radialen, tangentialen und vertikalen Komponenten der Messpunkte 1#–5# in Tabelle 5 ist der Energieanteil der vertikalen Komponente im Hauptfrequenzband (0–50 Hz) am größten. . Dieses Ergebnis zeigt, dass die durch die vertikale Richtung verursachte Vibrationsbelastung am größten ist und die vertikale Richtung der Tunnelgesteinsmasse am wahrscheinlichsten beschädigt wird. Allerdings hat der Messpunkt 5# im angrenzenden Tunnel den größten Anteil an radialer Komponentenenergie und seine radiale Richtung hat den größten Einfluss.

Das Quadrat des Hilbert-Spektrums in der radialen Komponente der Messpunkte 1#–5# wird durch die in dieser Arbeit vorgeschlagene Methode über den gesamten Frequenzbereich integriert. Das Hilbert-Spektrum der momentanen Energie (cm2 s−2) jedes Messpunkts in der radialen Komponente kann erhalten werden, wie in Abb. 16 dargestellt.

Das Hilbert-Momentanspektrum. (a) 1# Messpunkt. (b) 2# Messpunkt. (c) 3# Messpunkt. (d) 4# Messpunkt. (e) 5# Messpunkt.

Die genaue Bestimmung der Verzögerungszeit beim Differentialsprengen ist von großer Bedeutung für die Optimierung des Strahldesigns und die Reduzierung von Strahlvibrationseffekten29. Am Beispiel der vertikalen Richtung des 4#-Messpunkts ist das erhaltene Hilbert-Momentanenergiespektrum in Abb. 16d dargestellt. Jeder Peak des momentanen Energiespektrums stellt die Energiefreisetzung dar, die durch die Zünderexplosion verursacht wird. Die fünf Spitzen repräsentieren die Zündzeit des 1., 3., 5., 7. und 15. Zünders. In der Zwischenzeit werden die theoretische Verzögerungszeit, die tatsächliche Verzögerungszeit und das Intervall jedes Abschnitts des Zünders gezählt, wie in Tabelle 6 gezeigt.

Gemäß Abb. 16 und Tabelle 6:

(1) Die momentane Energie der Strahlvibration nimmt zunächst zu und dann ab, und nach dem Höhepunkt treten mehrere Unterspitzen auf. Am Beispiel der Vertikalkomponente des 4#-Messpunkts beträgt die Momentanenergie des Sprengschwingungssignals 0,51 bis 0,86 s nach der Detonation. Die Dauer beträgt 0,35 s und erreicht den Höhepunkt bei 0,58 s. Danach werden drei weitere Unterspitzen sichtbar, deren Intervall etwa innerhalb von 100 ms liegt. Die Signalenergie zeigt einen allmählichen Abfalltrend und entspricht dem Gesetz des unterschiedlichen Sprengzeitintervalls von 50–110 ms20.

(2) Die momentane Energiespitze stellt die maximale Belastung durch Sprengvibrationen dar, die einen großen Strukturverschiebungszuwachs verursacht30. Wenn die momentane Energie sehr groß ist, kann die Stabilität der Gesteinsmasse leicht beeinträchtigt werden. Die momentanen Energiespitzen der Messpunkte 1#, 2# und 3# (von nahe bis weit vom Sprengbereich entfernt), die sich am Fuß der Seitenwand und am Seitenwandbolzen befinden, betragen 0,077, 0,05 bzw. 0,049 cm2 s−2 , die kleiner sind als 0,131 cm2 s−2 der 4# (am oberen Tunnelbogen) und 0,107 cm2 s−2 der 5# (im angrenzenden Tunnel) Messpunkte. Wir können vorläufig den Schluss ziehen, dass die Sprengvibration nur einen geringen Einfluss auf die Sicherheit der Seitenwand und der Seitenwandbolzenunterstützung hat und die Wirkung der Bolzenunterstützung offensichtlich ist. Darüber hinaus weist der 5#-Messpunkt nach Erreichen des Energiepeaks bei 0,58 s keine offensichtlichen Energieschwankungen auf und seine Vibrationsdämpfungsamplitude ist im Vergleich zu anderen Messpunkten am größten. Diese Vorstellung weist darauf hin, dass die Sprengvibration weniger Auswirkungen auf den angrenzenden Tunnel hat, was die Stabilität der Gesteinsmasse im angrenzenden Tunnel während des Sprengaushubs gewährleisten kann.

(3) Die momentane Energie des 4#-Messpunkts am oberen Bogen des Tunnels ist am größten (0,131 cm2 s−2) und damit größer als die aller anderen Messpunkte. Diese Vorstellung weist darauf hin, dass die Auswirkungen der Sprengvibrationen auf den oberen Bogen des Tunnels größer sind als auf die Seitenwand des Tunnels. Es ist am besten, ihn durch Überwachung und Unterstützung des Dachbogens zu verstärken.

(4) Im gesamten Schwingungszeitverlauf ist der 2. Peak der größte, der 3. Peak kleiner als der 2. und der 4. Peak kleiner als der 3. Peak, was mit der Auslegungsladung des 3. Abschnitts übereinstimmt größte Ladung und der 7. Abschnitt mit einer kleineren Ladung als der 5. Abschnitt. Unterdessen zeigt Tabelle 6, dass die tatsächlichen Verzögerungsintervalle der ersten vier Zünderabschnitte grundsätzlich im Bereich der theoretischen Verzögerungsintervalle liegen. Die berechnete tatsächliche Detonationszeit jedes Zünders liegt ebenfalls innerhalb der theoretischen Detonationszeit und die gesamte Sprengwirkung ist gut. Allerdings ist die Ladungsmenge im 15. Abschnitt beträchtlich groß, die Energiespitze gering und es kommt zu einer vorzeitigen Explosion, was darauf hindeutet, dass die Ladungsstruktur des Zünders des 15. Abschnitts weiter verbessert werden sollte (Ergänzungsmaterial).

Angesichts des Problems, dass die traditionellen Methoden zur Merkmalsidentifizierung für grundwasserversiegelte Tunnel weniger erforscht sind, wurde in dieser Arbeit die CEEMDAN-MPE-HHT-Methode vorgeschlagen. Die Methode zielt auf die Eigenschaften von Sprengarbeiten und Sicherheitsschutzanforderungen ab, indem sie die Anpassungsfähigkeit der Signalzerlegung und die Fähigkeit zur Erkennung von Signalanomalien kombiniert und Vibrationseigenschaften und Sicherheitsstatus aus der Perspektive von Zeit, Frequenz und Energie effektiv identifizieren kann. Folgende Schlussfolgerungen lassen sich ziehen:

(1) Die vorgeschlagene Methode kann im Vergleich zu herkömmlichen EMD-, WT- und anderen verwandten Methoden modales Aliasing und Signalrauschen während der Verarbeitung von Sprengschwingungssignalen wirksam unterdrücken. Darüber hinaus kann es die Sprengschwingungseigenschaften von grundwasserversiegelten Tunneln aus der Perspektive von Zeit, Frequenz und Energie genau und effektiv identifizieren und eine Referenzbasis für die Verbesserung der Qualität des Sprengaushubs und der Bausicherheit liefern.

(2) Die kumulierte durchschnittliche Energie der Sprengvibration im Frequenzbereich von 200 Hz macht 94,7 % der Gesamtenergie und 72,5 % der Gesamtenergie im Frequenzbereich von 0–50 Hz, dem Hauptfrequenzband, aus. Unter den radialen, tangentialen und vertikalen Komponenten hat die vertikale Energie den größten Anteil.

(3) Die Ergebnisse des Vergleichs der theoretisch-tatsächlichen Verzögerungszeit und des Intervalls der Sprengladung sind konsistent und bestätigen die Machbarkeit der in dieser Arbeit vorgeschlagenen Methode zur Merkmalsextraktion und -analyse zur Identifizierung von Millisekunden-Differenzsprengung und dass sie eine bessere Auflösung aufweist und Identifizierungsfähigkeit für Sprengvibrationssignale.

(4) Die Sprengvibration setzt am oberen Bogen des Tunnels die größte Energie frei, und die Stütz- und Sicherheitsvorkehrungen des oberen Bogens sollten verstärkt werden. Die Energiefreisetzung der Seitenwand und der Seitenwandbolzen ist am geringsten, was kaum Auswirkungen auf die Sicherheit des Tunnelgesteins hat, und die Vibrationsenergie des angrenzenden Tunnels wird am schnellsten gedämpft, aber keiner von ihnen überschreitet die Sprengsicherheitsvorschriften (GB6722). -2014 Sicherheitsbestimmungen für Sprengungen, China).

Es sollte darauf hingewiesen werden, dass die vorgeschlagene Methode geeignete Parameter für die Zufallserkennung von MPE nach der adaptiven CEEMDAN-Zerlegung auswählen muss. Daher sind mehrere Versuche und Referenzliteratur zu Sprengvibrationen erforderlich.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten.

Wang, K., Liu, Z., Qian, X. & He, Y. Dynamische Eigenschaften und Schadenserkennung explosionsinduzierter Bodenvibrationen für Erdgastransportleitungen und ihre integrierten Systeme. Mech. Syst. Signalprozess. https://doi.org/10.1016/j.ymssp.2019.106472 (2020).

Artikel Google Scholar

Luo, Y. et al. PPV-Verteilung der Seitenwände, hervorgerufen durch unterirdischen Kavernensprengungsaushub. Wissenschaft. Rep. 11, 6647. https://doi.org/10.1038/s41598-021-86055-y (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wu, L., Liang, Z. & Chen, M. Experimente und Simulation der Blockbewegung beim Unterwasser-Banksprengen. Wissenschaft. Rep. 13, 4703. https://doi.org/10.1038/s41598-023-31656-y (2023).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Jiang, N. et al. Sprengvibrationseffekt auf die erdverlegte Pipeline: Ein kurzer Überblick. Ing. Scheitern. Anal. https://doi.org/10.1016/j.engfailanal.2021.105709 (2021).

Artikel Google Scholar

Luo, Y. et al. Schwinggeschwindigkeits- und Frequenzeigenschaften des umgebenden Gesteins des angrenzenden Tunnels im Sprengaushub. Wissenschaft. Rep. 12, 8453. https://doi.org/10.1038/s41598-022-12203-7 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wang, X., Li, J., Zhao, X. & Liang, Y. Ausbreitungseigenschaften und Vorhersage explosionsinduzierter Vibrationen in eng beieinander liegenden Felstunneln. Tunn. Undergr. Weltraumtechnologie. https://doi.org/10.1016/j.tust.2022.104416 (2022).

Artikel Google Scholar

Ding, X. et al. Das Gesetz der Ausbreitung von Druckspannungswellen und der Bruchentwicklung in weichem und hartem Verbundgestein. Wissenschaft. Rep. 12, 17120. https://doi.org/10.1038/s41598-022-22109-z (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Jia, B., Zhou, L., Cui, J. & Chen, H. Dämpfungsmodell der Tunnelexplosionsschwingungsgeschwindigkeit basierend auf dem Einfluss der freien Oberfläche. Wissenschaft. Rep. 11, 21077. https://doi.org/10.1038/s41598-021-00640-9 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Jiang, Y. & Niu, G. Ein iterativer Hüllkurvenverfolgungsfilter im Frequenzbereich für die dispersive Signalzerlegung bei der Überwachung des strukturellen Zustands. Mech. Syst. Signalprozess. https://doi.org/10.1016/j.ymssp.2022.109329 (2022).

Artikel Google Scholar

Wang, H. et al. Die Entfernungsmethode des Strahlvibrationssignaltrendelements und des Rauschens. Schock-Vibration. 2021, 1–10. https://doi.org/10.1155/2021/1645380 (2021).

Artikel Google Scholar

Li, B. et al. Unterscheidung verschiedener mikroseismischer Spreng- und Minenwellenformen mithilfe von FFT, SPWVD und multifraktalen Methoden. Umgebung. Erdwissenschaft. https://doi.org/10.1007/s12665-020-09330-7 (2021).

Artikel Google Scholar

Huang, D., Cui, S. & Li, X. Wavelet-Paketanalyse des Sprengschwingungssignals eines Gebirgstunnels. Bodendyn. Earthq. Ing. 117, 72–80. https://doi.org/10.1016/j.soildyn.2018.11.025 (2019).

Artikel Google Scholar

Huang, NE et al. Die empirische Modenzerlegung und das Hilbert-Spektrum für die nichtlineare und instationäre Zeitreihenanalyse. Proz. R. Soc. Eine Mathematik. Physik. Ing. Wissenschaft. 454, 903–995. https://doi.org/10.1098/rspa.1998.0193 (1998).

Artikel ADS MathSciNet MATH Google Scholar

Bi, F., Ma, T. & Wang, Mech. Syst. Signalprozess. 117, 517–536. https://doi.org/10.1016/j.ymssp.2018.08.008 (2019).

Artikel ADS Google Scholar

Lu, L., Ren, W.-X. & Wang, S.-D. Fraktionale Fourier-Transformation: Zeit-Frequenz-Darstellung und strukturelle Momentanfrequenzidentifikation. Mech. Syst. Signalprozess. https://doi.org/10.1016/j.ymssp.2022.109305 (2022).

Artikel Google Scholar

Liu, X., Shi, G., Liu, W. & Wu, W. Eine verbesserte empirische Modenzerlegungsmethode für Vibrationssignale. Wirel. Komm. Mob. Berechnen. 2021, 1–8. https://doi.org/10.1155/2021/5525270 (2021).

Artikel Google Scholar

Yin, C. et al. Extraktion schwacher Fehlermerkmale von Wälzlagern basierend auf verbesserter EMD mit Ensemble-Rauschrekonstruktion und adaptiver Schwellenwert-Rauschunterdrückung. Mech. Syst. Signalprozess. https://doi.org/10.1016/j.ymssp.2022.108834 (2022).

Artikel Google Scholar

Peng, Y., Liu, Y., Zhang, C. & Wu, L. Ein neuartiges Entrauschungsmodell des Unterwasser-Bohr- und Sprengvibrationssignals basierend auf CEEMDAN. Araber. J. Sci. Ing. 46, 4857–4865. https://doi.org/10.1007/s13369-020-05274-z (2021).

Artikel Google Scholar

Li, X. et al. Analyse natürlicher mineralischer Erdbeben und Explosionen basierend auf der Hilbert-Huang-Transformation (HHT). J. Appl. Geophys. 128, 79–86. https://doi.org/10.1016/j.jappgeo.2016.03.024 (2016).

Artikel ADS Google Scholar

Wu, J., Wu, L., Sun, M., Lu, Y.-N. & Han, Y.-H. Analyse und Forschung zur Sprengnetzverzögerung eines tief vergrabenen Umleitungstunnels, der die Störungszone kreuzt, basierend auf EP-CEEMDAN-INHT. Geotechnik. Geol. Ing. 40, 1363–1372. https://doi.org/10.1007/s10706-021-01968-9 (2021).

Artikel Google Scholar

Sun, M. et al. Glattes Modell der Rauschunterdrückung seismischer Wellensignale basierend auf einem zweistufigen Entrauschungsalgorithmus. Geosyst. Ing. 23, 234–242. https://doi.org/10.1080/12269328.2020.1778543 (2020).

Artikel CAS Google Scholar

Zhao, Y., Shan, RI & Wang, Hi. Forschung zum Vibrationseffekt von Tunnelsprengung basierend auf einer verbesserten Hilbert-Huang-Transformation. Umgebung. Erdwissenschaft. https://doi.org/10.1007/s12665-021-09506-9 (2021).

Artikel Google Scholar

Zhao, Y., Shan, R.-L., Wang, H.-L., Tong, X. & Li, Y.-H. Regressionsanalyse der Sprengschwingungswirkung in Quertunneln. Araber. J. Geosci. https://doi.org/10.1007/s12517-021-08257-y (2021).

Artikel Google Scholar

Ma, H. et al. Forschung zur Identifizierungstechnologie explosiver Vibrationen basierend auf EEMD-Energieentropie und Multiklassifizierungs-SVM. Schock-Vibration. 2020, 1–10. https://doi.org/10.1155/2020/7893925 (2020).

Artikel Google Scholar

Torres, ME, Colominas, MA, Schlotthauer, G., Flandrin, P. & IEEE. In IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 4144–4147 (2011).

Aziz, W., Arif, M. & IEEE. In der 9. International Multitopic Conference of Pakistan 368–373 (2005).

Li, J. & Li, Q. Mittelfristige Stromlastprognose basierend auf CEEMDAN-Permutationsentropie und ESN mit Leaky-Integrator-Neuronen. Electr Mach Control 19, 70–80 (2015).

Google Scholar

Hao, X., Xu, Y. & Liu, H. Studie zu Ausbreitungseigenschaften seismischer Wellen bei Sprengungen im Felstunnel. IOP-Konf. Ser. Erdumgebung. Wissenschaft. https://doi.org/10.1088/1755-1315/455/1/012166 (2020).

Artikel Google Scholar

Shi, X.-Z. et al. Anwendung der auf der Hilbert-Huang-Transformation basierenden Verzögerungszeiterkennung bei der Optimierung von Sprengungen im kurzen Millisekundenbereich. Trans. Nichteisenmetall Met. Soc. China 26, 1965–1974. https://doi.org/10.1016/s1003-6326(16)64310-8 (2016).

Artikel Google Scholar

Zhao, H.-B., Long, Y., Li, X.-H. & Lu, L. Experimentelle und numerische Untersuchung der Auswirkung explosionsinduzierter Vibrationen vom angrenzenden Tunnel auf den bestehenden Tunnel. KSCE J. Civ. Ing. 20, 431–439. https://doi.org/10.1007/s12205-015-0130-9 (2015).

Artikel Google Scholar

Referenzen herunterladen

Wir danken der National Natural Science Foundation of China unter der Fördernummer 42174052 für finanzielle Unterstützung.

Fakultät für Geodäsie und Geomatik, Universität Wuhan, Wuhan, 430079, China

Xiaokang Rao & Shengxiang Huang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

XR: verantwortlich für Datenerfassung, Analyse und Manuskripterstellung. SH: verantwortlich für das Design dieser Studie und die Ergebnisinterpretation. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Shengxiang Huang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Rao, X., Huang, S. Identifizierung der Sprengschwingungseigenschaften von grundwasserversiegelten Tunneln. Sci Rep 13, 13557 (2023). https://doi.org/10.1038/s41598-023-40728-y

Zitat herunterladen

Eingegangen: 15. Juni 2023

Angenommen: 16. August 2023

Veröffentlicht: 21. August 2023

DOI: https://doi.org/10.1038/s41598-023-40728-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.