A 3D Image Reconstruction Model for Long Tunnel Geological Estimation
Notice bibliographique
Résumé
Long tunnels often collapse during the construction period. To ensure personnel safety, the geological characteristics must be predicted before tunnel face excavation. In this study, the ground-penetrating radar (GPR) technique is introduced to obtain information regarding the tunnel excavation face at a certain interval. The amplitude of the radar echo signal is expressed as a function of the position and travel time. A B-scan strategy is selected for the GPR to obtain tunnel information. A frequency-domain ( w -k) focusing algorithm, namely, a synthetic aperture radar focusing algorithm, is applied to focus scattered radar signals to obtain focused images. A low-pass filter is designed to remove noises from the original signals. The contours of target objects are extracted from the background information using the edge detection technique. Space coordinate values of the objects are converted to polar coordinates using the Hough transform algorithm for 3D modeling. Visual C++ and AutoCAD are combined to develop a 3D CAD model to help managers in controlling the construction process. The system creates 3D visualization model images and evaluates the geological characteristics of the tunnel excavation faces. The Taigu Tunnel located in the Shanxi Province of China is taken as a case study. A procedure for the geological analysis of this tunnel is introduced in detail, and a 3D image model is built. The results show that the 3D model can help predict rock compositions and locate potential hazards. Moreover, it has better accuracy than conventional models and can be applied to similar transportation construction projects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».