考虑历史作用的复合地层条件下盾构掘进速度预测的深度学习模型

中文名称

英文名称

Depth learning model for prediction of shield tunneling speed in composite strata considering historical effects

CSTR

CSTR:11738.11.NCDC.NIEER.DB2777.2023

DOI

10.12072/ncdc.nieer.db2777.2023

数据共享方式

离线申请

数据分类

其他

来源站点

涉水重大基础设施安全保障技术研究与工程示范

数据贡献者

周彪

数据集摘要

本数据集包括试验所用物质的物理性质参数，包括重度、泊松比、粘聚力、摩擦角、变形模量等参数。本数据集里包含的试验所用物质的物理性质参数，通过试验设备测量得到。数据集内的文件夹包含一个excel表格。该表格型数据包括砂、砾岩、泥岩的各项物理性质参数，重度、泊松比、粘聚力、摩擦角、变形模量等，数据量为10KB。

基本信息

采集时间	2020/02/01 - 2020/02/28
采集地点	上海
数据量	17.2 KiB
数据格式	excel
坐标系

数据源描述

观测监测得到。

数据加工方法

观测监测得到。

数据质量描述

数据质量良好。

项目支持信息

#	编号	名称	类型
1	2018YFC0809600	涉水重大基础设施安全保障技术研究与工程示范	国家重点研发计划

引用和标注

为保障平台科技资源的权益、扩展平台中心的服务、提升科技资源的应用潜力，请资源使用者在使用资源所产生的研究成果中（包括公开发表的论文、论著、数据产品和未公开发表的研究报告、数据产品等成果），请按以下方式规范标注和引用。

中文发表的成果中参考以下规范注明：数据来源于黄河数据中心 (http://huanghe.ncdc.ac.cn)。

英文发表的成果中参考以下规范注明： The dataset is provided by Yellow River Data Center. (http://huanghe.ncdc.ac.cn).

数据引用

周彪. 考虑历史作用的复合地层条件下盾构掘进速度预测的深度学习模型. 黄河数据中心(http://huanghe.ncdc.ac.cn), 2022. https://cstr.cn/CSTR:11738.11.NCDC.NIEER.DB2777.2023.

周彪. 考虑历史作用的复合地层条件下盾构掘进速度预测的深度学习模型. 黄河数据中心(http://huanghe.ncdc.ac.cn), 2022. https://www.doi.org/10.12072/ncdc.nieer.db2777.2023.

Endnote中 Bibtex中 RIS中 GBT7714中 EndnoteEN BibtexEN RISEN

许可协议

本作品采用知识共享署名 4.0 国际许可协议进行许可。

#	数据集标题
1	基于深度学习模型的全球陆地气溶胶精细模式分数数据集（2001-2020年）
2	黑河中游浅钻地层岩性数据（2012年）
3	中国积雪历史数据集（ 2008-2019年）
4	盾构施工沉降多源数据实时交互平台开发
5	盾构隧道下穿老旧建筑物群微沉降控制技术研究
6	考虑旋转和平移不确定性的非均匀CTV-PTV边缘扩展研究
7	2015年-2019年黄河流域历史其他灾害数据
8	基于SABER温度和压力观测的全球平衡风及其验证数据集（2002-2019年）
9	全球考虑积融雪过程的标准化水分距平指数数据集（1948-2010年）
10	黑河流域历史时期垦殖绿洲空间分布数据集

#	标题	文件大小
1	Deep learning model for shield tunneling advance rate prediction in mixed ground condition considering past operations.xlsx	0 Bytes
2	数据集说明文件.docx	17.2 KiB

最近10条服务记录如下
#	时间	姓名	用途
1	2024/09/09 02:03	郑*	论文题目：基于特征筛选和集成学习的TBM掘进速率预测数据在研究中的作用：数据基础论文类型：期刊论文导师姓名：李炎隆
2	2024/08/09 00:28	Ju****QIU	从事人工智能在滑坡方面的研究工作，需要数据支持
3	2023/11/27 23:34	邓*熊	论文题目：基于机器学习的盾构掘进速度预测数据在研究中的作用：测试机器学习方法论文类型：期刊导师姓名：薛新华