摘要:岩土体物理力学参数对工程勘察、设计、施工等作业不可或缺，但常规取样试验或原位检测均存在明显的精度误差。据此本文提出基于勘察钻探的实时钻进参数，建立基于机器学习的随钻土体物理力学参数模型。通过采集位于珠海市国家高新技术产业开发区内20 m勘探孔的真实数据，将EP-200G型钻机实时随钻采集的钻压、扭矩和三轴振动作为输入数据，将全孔土体粘聚力、内摩擦角、含水量与弹性模量试验数据作为输出。基于建模数据分析，证明使用单算法的3类机器学习模型（支持向量机、神经网络和决策树）的预测精度最高仅为0.78，而基于Stacking理念的集成模型可将预测精度提升至最高0.98。结合该模型，进行了随钻参数与土体参数间的敏感性分析，证实当不同土体参数发生变化时，不同随钻参数会发生明显变化，证明了随钻参数预测土体参数的可靠性与适用性。

摘要:采用正交试验设计和极限平衡方法，以九子崩滑堆积体为实例进行稳定性分析。并对正交试验设计结果进行了极差和方差分析：极差和方差分析结果均显示，堆积体稳定性影响因素敏感性最大的因素为粘聚力c，其次为内摩擦角φ，重度γ对稳定性影响的敏感性较小。找出了影响边坡稳定性的主导因素，为滑坡防治工程提供了参考依据。

摘要:分析了影响风动潜孔锤钻进效率的影响因素，利用实验数据建立了数学模型，然后根据灰色关联分析法对各影响因素进行敏感性分析，得到各个影响因素与钻进速度的关联程度。利用敏感性分析结果可以针对提高风动潜孔锤钻进效率采取科学措施，更有利于规范管理。