隧道围岩强度不均地段塌方成因及其处理方法

由于地质构造作用以及风化作用,工程场地岩体中多存在围岩强度不均地段.在隧道施工过程中就经常遇到软硬岩石交汇而形成的地质条件复杂地段;给隧道的施工带来了很多不利情况,并且也是导致隧道塌方的原因之一.2006年1月,承德韩郭线二级公路工程,喇嘛梁隧道软硬岩石交汇地段由于地下水作用导致围岩风化程度不均,产生软弱结构面并造成了大面积塌方.基于现场的追踪调查与考察,本文详细描述了利用拱顶架设工字钢梁并配合超前注浆小导管的支护方法来处理这类围岩.     

CDN技术在国土资源信息服务系统中的应用——以资源网为例

国土资源信息服务类网站信息服务覆盖广、浏览量大、易受到黑客和病毒的攻击。本文以资源网为例,主要介绍CDN技术在国土资源信息服务系统中的应用。CDN技术的引入,可以大规模多区域加速,保证用户的就近访问,隐藏源站服务器,对于提高国土资源信息服务类网站的响应速度,提高网站的安全性具有重大的现实意义。     

一种网络RTK新技术——增强参考站

通过分析虚拟参考站技术和主辅站技术的不足,提出了一种新的网络RTK技术——增强参考站技术(ARS).分析了这种技术的原理并阐述了该技术中改正数的生成方法,同时,提出了一种基于RTCM编码的适合于该技术的改正数编码格式.在此基础上,分析了该技术的RTK定位精度、数据传输效率和系统可靠性,从理论上说明了增强参考站的技术优势.最后,以四川综合GPS服务网(SIGN)的子网数据对该技术进行了验证,结果表明,该技术具有高定位精度、高数据传输效率的特点,是一种理想的网络RTK技术.     

高程控制测量中的混合构网法

针对目前常规水准测量在山区公路高程控制测量中的局限性,本文提出了一种三角高程与常规水准测量相结合的混合构网方法,并通过实例得出,这种方法充分利用了两者的优势,在保证成果的可靠性和精度的同时,大大提高了工作效率,缩短了生产周期。     

1∶500,1∶1000,1∶2000系列数字化测绘产品的精度目标与实现

1∶500,1∶1000,1∶2000系列数字化测绘产品按其生产工艺和用途的不同其精度规格也不尽相同,但产品的精度状况始终是测绘生产部门与用户所关心的问题。本文列举了现行有关规范的相关精度指标、规格,并结合产品的用途、特点和测绘生产的实际,简要阐述精度目标的控制与实现过程,对测绘实际工作有一定的参考价值。     

浅谈建筑设计企业的数据中心建设

信息系统数据和计算能力逐步集中的发展趋势以及信息系统逐步成为企业核心业务的支撑,使得企业数据中心的作用越来越重要。如何搞好数据中心建设,保障数据系统的安全、稳定运行,成为信息主管首先要考虑的问题。首先讨论数据中心的作用和数据中心与信息系统之间的关系,然后介绍一个目前在国际上处于领先水平、防护等级最高的数据中心的实例,最后论述数据中心的实施对策。     

矿区控制网布网方案的选择

用计算机模拟法,讨论了控制网不同观测量的平差结果,提出了选择矿区控制网方案的原则.     

建筑物沉降监测专家分析系统设计与开发

建筑物沉降监测数据分析与处理是一项较复杂的系统工程,本文从自动化处理观点出发,介绍了设计沉降监测专家分析系统的咨询新理念和主体思想,探讨了开发选用的数学模型与开发过程,以期为相关变形监测与分析提供帮助和启示.     

四川眉山芒硝矿主要环境地质问题与防治对策

眉山市芒硝矿开采和生产过程中的主要环境地质问题是矿区地下水和地表水疏干、污染及矿区土壤污染等,影响了矿山及附近居民的生产生活,威胁了人民的身体健康。本文在芒硝矿山环境地质问题调查的基础上,针对存在的主要问题,提出了防治措施。     

Artificial neural network and liquefaction susceptibility assessment: a case study using the 2001 Bhuj earthquake data,Gujarat, India

This study pertains to prediction of liquefaction susceptibility of unconsolidated sediments using artificial neural network (ANN) as a prediction model. The backpropagation neural network was trained, tested, and validated with 23 datasets comprising parameters such as cyclic resistance ratio (CRR), cyclic stress ratio (CSR), liquefaction severity index (LSI), and liquefaction sensitivity index (LSeI). The network was also trained to predict the CRR values from LSI, LSeI, and CSR values. The predicted results were comparable with the field data on CRR and liquefaction severity. Thus, this study indicates the potentiality of the ANN technique in mapping the liquefaction susceptibility of the area.