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！

龙图腾网获悉石家庄铁道大学;中冀建勘集团有限公司申请的专利基于钻机工作参数的桩基成孔质量智能管控方法及系统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：CN120410331B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202510733282.4，技术领域涉及：G06Q10/0639；该发明授权基于钻机工作参数的桩基成孔质量智能管控方法及系统是由聂良涛;姜浩文;刘晶晶;王德亮;李福来;宋翠颖;成现伟;祝日星设计研发完成，并于2025-06-04向国家知识产权局提交的专利申请。

本基于钻机工作参数的桩基成孔质量智能管控方法及系统在说明书摘要公布了：本发明涉及桩基施工技术领域，尤其是基于钻机工作参数的桩基成孔质量智能管控方法及系统，所述方法包括如下步骤：构建数据采集阵列，基于所述数据采集阵列获取钻机的关键工作参数和桩基成孔的质量指标数据，并建立标准时序数据库；基于所述标准时序数据库构建动态关联模型，并基于所述动态关联模型建立所述桩基成孔的质量判定标准；根据所述动态关联模型对所述桩基成孔进行动态预测得到桩基成孔质量状态，结合所述质量判定标准得到所述桩基成孔的质量偏差结果；基于所述质量偏差结果构建所述钻机的调控策略，依据所述调控策略调整所述关键工作参数，实现对所述桩基成孔的质量智能管控。本发明通过钻机工作参数驱动实现桩基成孔质量的智能管控。

本发明授权基于钻机工作参数的桩基成孔质量智能管控方法及系统在权利要求书中公布了：1.基于钻机工作参数的桩基成孔质量智能管控方法，其特征在于，包括如下步骤： 构建数据采集阵列，基于所述数据采集阵列获取钻机的关键工作参数和桩基成孔的质量指标数据，并建立标准时序数据库； 基于所述标准时序数据库构建动态关联模型，并基于所述动态关联模型建立所述桩基成孔的质量判定标准； 根据所述动态关联模型对所述桩基成孔进行动态预测得到桩基成孔质量状态，结合所述质量判定标准得到所述桩基成孔的质量偏差结果； 基于所述质量偏差结果构建所述钻机的调控策略，依据所述调控策略调整所述关键工作参数，实现对所述桩基成孔的质量智能管控； 所述构建数据采集阵列，基于所述数据采集阵列获取钻机的关键工作参数和桩基成孔的质量指标数据，并建立标准时序数据库，包括： 基于高频率传感器和智能感知设备构建所述数据采集阵列； 对待施工区域进行试钻，通过所述数据采集阵列获取所述钻机的初始实时运行参数作为历史关键工作参数，利用所述数据采集阵列获取所述桩基成孔的历史质量指标数据； 基于所述历史关键工作参数和所述历史质量指标数据建立基础数据库； 在施工过程中，基于所述数据采集阵列获取所述钻机的实时关键工作参数构建实时施工数据库，通过所述数据采集阵列采集所述桩基成孔的实时质量指标数据建立质量指标数据库； 对所述基础数据库、所述实时施工数据库和所述质量指标数据库进行标准化处理以建立所述标准时序数据库； 所述基于所述标准时序数据库构建动态关联模型，并基于所述动态关联模型建立所述桩基成孔的质量判定标准，包括： 基于所述基础数据库建立模型数据集，依据所述模型数据集构建所述关键工作参数和所述质量指标数据之间的所述动态关联模型，所述动态关联模型包括垂直度偏差模型、孔位偏差模型和钻孔深度模型； 所述关键工作参数作为所述动态关联模型的输入参数，所述质量指标数据作为所述动态关联模型的输出指标，通过统计学方法对所述输入参数和所述输出指标进行相关性分析得到相关性分析结果； 依据所述相关性分析结果确定所述动态关联模型的模型形式，所述模型形式包括线性模型或非线性模型； 对所述动态关联模型进行模型优化和模型验证，利用所述动态关联模型的模型输出建立所述质量判定标准； 所述对所述动态关联模型进行模型优化和模型验证，包括： 通过优化算法对所述线性模型和所述非线性模型进行参数拟合优化得到模型最优参数； 对所述动态关联模型进行有效性检验，所述有效性检验包括模型拟合效果评估、残差分析和交叉验证； 通过最小二乘法确定所述线性模型的参数，满足如下关系： 其中，为残差平方和，为数据样本的总组数，为数据样本的索引变量，为实际测量的桩基成孔质量指标参数，为待拟合的回归系数，为数据样本，为截距项； 对每一个质量指标单独建立方程，满足如下关系： 其中，代表垂直度模型，为垂直度模型待拟合的回归系数，为数据样本，代表孔位偏差模型，为孔位偏差模型待拟合的回归系数，代表钻孔深度模型，为钻孔深度模型待拟合的回归系数，为截距项； 令上述函数对每个待拟合的回归系数求偏导并令为0，建立方程组，满足如下关系： 其中，为残差平方和，为待拟合的回归系数； 求解所述方程组得到所述回归系数的参数值，作为所述线性模型的参数； 通过LM算法确定所述非线性模型的参数，给定初始参数值满足如下关系： 其中，为初始参数向量，为初始模型参数； 构造误差函数和目标函数，所述误差函数，满足如下关系： 所述目标函数，满足如下关系： 其中，为第个数据组的误差项，为模型参数，为实际测量的桩基成孔质量指标参数，为非线性模型的预测函数，为样本，为目标函数，为数据组数，为数据组的索引变量； 所述LM算法迭代更新参数，满足如下关系： 其中，为第次迭代的模型参数，为第次迭代的模型参数，为雅可比矩阵，表示转置，为阻尼系数，为单位矩阵，为误差向量，为第个数据组的误差项； 构建参数收敛条件和目标函数收敛条件作为迭代终止条件，当所述LM算法的迭代满足所述迭代终止条件时，得到的更新参数作为所述非线性模型的参数； 利用决定系数实现所述模型拟合效果评估； 所述残差分析，满足如下关系： 其中，为第个数据组的误差项，为实际值，为模型预测值； 通过均方根误差和平均绝对百分误差实现所述交叉验证； 所述动态关联模型的参数包括岩土强度，当钻孔穿过多层土层时，可依据加权公式计算等效的岩土强度，满足如下关系： 其中，为岩土强度，为岩层的总量，为岩层的索引变量，当前进入第层岩层的厚度，为当前钻进深度，为第层地基承载力特征值； 所述相关性分析包括皮尔逊相关系数分析和斯皮尔曼等级相关系数分析； 所述质量判定标准包括孔位偏差的容许误差范围、垂直度的容许误差范围和钻孔深度的容许误差范围； 所述基于所述质量偏差结果构建所述钻机的调控策略，依据所述调控策略调整所述关键工作参数，实现对所述桩基成孔的质量智能管控，包括： 所述质量偏差结果包括所述桩基成孔的质量偏差类型和质量偏差程度； 根据所述质量偏差类型和质量偏差程度构建所述调控策略，所述调控策略包括垂直度超限调控、孔位偏差调控和深度误差调控； 所述垂直度超限调控，包括： 其中，为钻机的转速调整量，为比例系数，为垂直度偏差量，为垂直度的最大容许偏差量，为积分系数，为微分系数； 所述孔位偏差调控包括：若孔位偏差预测值大于孔位偏差最大容许量，降低轴压以减少钻头侧向力，并调整钻进方向； 所述深度误差调控包括：若钻孔深度误差预测值大于钻孔深度误差最大容许量，提高位移传感器校准频率，并动态修正钻进速度。

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石家庄铁道大学;中冀建勘集团有限公司，其通讯地址为：050043 河北省石家庄市北二环东路17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。