CN110119994B - 一种gis支持下的金属矿爆堆位移提取及预测方法 - Google Patents
一种gis支持下的金属矿爆堆位移提取及预测方法 Download PDFInfo
- Publication number
- CN110119994B CN110119994B CN201910313775.7A CN201910313775A CN110119994B CN 110119994 B CN110119994 B CN 110119994B CN 201910313775 A CN201910313775 A CN 201910313775A CN 110119994 B CN110119994 B CN 110119994B
- Authority
- CN
- China
- Prior art keywords
- blasting
- pile
- elevation
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 99
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002184 metal Substances 0.000 title claims description 5
- 229910052751 metal Inorganic materials 0.000 title claims description 5
- 238000000605 extraction Methods 0.000 title description 4
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 239000011435 rock Substances 0.000 claims description 12
- 238000005474 detonation Methods 0.000 claims description 7
- 239000002360 explosive Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000004660 morphological change Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010790 dilution Methods 0.000 abstract description 2
- 239000012895 dilution Substances 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000005553 drilling Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000035508 accumulation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明首先对露天矿山爆堆数字高程模型进行构建,并基于露天矿山数字高程模型确定爆堆中心、爆堆形态变化空间分布进行度量,最后基于广义回归神经网络对爆堆位移情况进行预测。本发明将地理学的相关理论和技术方法用于解决矿山生产问题,将地理、地质、矿业工程等学科进行有机的融合,基于点云数据建立预测模型,实现对爆破后的爆堆位移的准确预测,将爆堆位移作为矿体位移叠加到矿体边界上,实现对矿体的二次圈定。在促进该领域研究进步的同时,也为江西省德兴铜矿的生产提供有益的指导和帮助,减少矿山开采的贫化损失,提高矿山的经济效益。
Description
技术领域
本发明涉及测绘、地理信息科学以及矿业工程领域。
背景技术
爆破是露天开采过程中一种常见的作业方式。爆破作用能够在极短时间内释放出巨大的能量,并使破碎岩块堆积体形成爆堆,爆堆的形状、松散程度及主要尺寸是衡盘爆破质量的重要指标。不同的爆破强度在不同的地质条件或地表形态条件下会对地下岩石的移动情况产生不同程度的影响,使地下矿体的空间分布更加复杂。由于矿体在地下的移动是不可见且难以预测的,因此露天开采导致的地下岩层移动规律研究十分困难。
现有技术中,在爆破前往往需要对待开采矿体的矿体空间分布以及矿山进行测量,矿体空间分布和矿山测量主要依靠地质钻孔资料和传统的全站仪或GPS接收机进行。而地质钻孔成本过高,且只能在爆破开始前进行,由于地质条件在爆破后发生了变化,爆破区域已经破碎,加上生产和安全方面的要求,往往不会进行再一次的钻孔作用,这导致爆破后只能沿用爆破前的地质资料。
其次,传统的全站仪或GPS接收机的测量效率低,对于一个爆破区域的测量往往需要数个小时甚至是一天;而且该方法空间精度也较低,往往数米甚至十余米才进行一次空间特征点采集。
下面列举出现有技术中两种主要爆堆位移预测方法的基本步骤以及局限点。
现有技术中采用测振仪对爆破振动进行测量的基本步骤为:(1) 在爆破现场布设现场记录仪和速度传感器,保证传感器的水平和与振动物体法刚性连接;(2)进行爆破作业;(3)通过通讯接口和计算机连接,进行信号处理、分析和显示;(4)进行特征参数的提取和打印输出,其结果如图1所示。进行测量成本较高,且形成的振动图形不适合对整体的爆破位移进行估计,见图1。
基于断面法提取爆堆位移的基本步骤为:(1)利用测绘手段对爆破前后爆堆形态进行获取;(2)对爆堆进行断面剖分,绘制断面图;(3)对每个断面几何中心进行计算;(4)计算爆破前后断面几何中心位移的平均值。对中心直接求平均值没有考虑断面间的差异,误差较大。
总而言之,用传统手段进行测量的矿山表面数据和矿体空间分布已经不能满足对爆破后矿体偏移预测的要求。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于测绘、地理信息科学及矿业工程领域方法,对矿山开采过程中爆破采动作用导致的地下矿体位移的有效预测方法。
本预测方法包括构建露天矿山爆堆数字高程模型、基于露天矿山数字高程模型确定爆堆中心、爆堆形态变化空间分布度量、基于广义回归神经网络的爆堆位移预测四个过程。
步骤一:基于三维激光扫描数据的露天矿山数字高程模型构建。
(1)由于矿山地表的整体形变,激光扫描数据的密度随距离变化较大,在离站点较近的区域过于密集,为了减小数据冗余,提高预算效率,节约系统资源,需要先对点云进行清理和抽稀,抽稀容差值为0.2米,抽稀方式为步长法,即每5个点抽取一个点;
(2)将点云数据转换为需要的las格式。
(3)对爆破前后点云扫描的公共范围边界进行提取;
(4)利用凸包多边形进行空间求交,得到空间上点云的公共区域边界多边形;
(5)使用点云公共区域的边界多边形在对之前的las数据集进行裁剪,得到空间上相互匹配的爆破前后的las数据集形式的点云数据;
(6)对las数据集进行空间插值和数据转换,将点云数据生成表面模型,利用点云生成三角网,每个三角形就是一个空间平面,完成空间表面模型的建立,再把空间表面模型转换为栅格形式,以便下一步进行空间分析。
步骤2:基于露天矿山数字高程模型的爆堆中心确定。
(1)采用坡度算法对栅格形式的爆堆表面模型进行处理,对每个栅格单元如图2所示,通过式(1)和式(2)分别计算其在高程值在x方向和y方向的坡度,通过式(3)计算该栅格单元的坡度,得到爆堆的坡度图如图3所示。
(2)利用图像分割技术,对爆破现场的坡度进行识别,得到爆破前的地表地性线位置;再结合末排爆孔位置,共同确定爆破前的岩石初始位置如图4所示。
(3)对爆破前后现场的表面模型进行空间叠置,对高程值进行相减,得到高程变化值的空间分布图,接着,求高程变化的坡度值,得到高程变化率的空间分布图,最后对该图进行图像识别,提取空间变化率发生变化的范围,就是爆破后地表形变的范围。
效果如图5所示。
步骤3:基于误差椭圆的爆堆形态变化空间分布度量
(1)采用每个用爆堆相对该爆堆最低高程的高程作为该爆堆的所有栅格的高程值。
(2)将栅格数据的中心提取为点要素,以改栅格的高程作为点要素的属性,利用该属性生成该爆堆的空间权重矩阵,
(3)通过分别计算点要素质心在x和y方向上的标准距离。可以定义一个包含所有点要素质心分布的椭圆的轴线,该椭圆被称为误差椭圆如式④-⑩。利用高程值生成的空间权重矩阵计算加权误差椭圆的中心和轴向,度量爆堆的爆破前后中心和方向的形态变化。
其中的A、B、C为中间量,按式⑥,⑦,⑧计算,
x轴和y轴的标准差σ为:
步骤4:基于广义回归神经网络的爆堆位移预测
本发明建立交叉验证法优化的GRNN模型,用交叉验证法和循环法确定GRNN模型误差最小时的样本和光顺因子,同时,利用灰色关联理论(GRA),从众多影响因素中选取主要的影响因素,而且能够减少非主要因素的不利影响,提高模型的精度及适应能力。并以此对爆破后岩石的整体位移进行预测,具体实现流程见图6所示。
利用GRA-GRNN模型,对矿山提供的爆破作用下爆堆位移的影响因素进行筛选,获得其中的主要因素作为模型的自变量,再依靠步骤三提取的爆破作用下爆堆位移的距离和方位角旋转角度,作为模型的因变量,输入GRNN中进行训练,获得关于爆破作用下爆堆位移的预测模型。
本发明的效果在于:从地表形态的变化研究出发,将地理学的相关理论和技术方法引入矿山生产问题的解决中,将地理、地质、矿业工程等学科进行有机的融合,基于点云数据建立预测模型,矿山开采工艺,爆破参数,地质钻孔数据的爆破作用下建立德兴铜矿爆堆位移预测模型,实现对爆破后的爆堆位移的预测,将爆堆位移作为矿体位移叠加到矿体边界上,实现对矿体的二次圈定。在促进该领域研究进步的同时,也为江西省德兴铜矿的生产提供有益的指导和帮助,减少矿山开采的贫化损失,提高矿山的经济效益。
附图说明
图1采用爆破振动仪对爆破振动进行测量的爆破振动仪输出结果;
图2栅格单元示意图;
图3爆破前地形坡度图;
图4爆破前出事位置图;
图5爆破后形变位置图;
图6GRA-GRNN模型流程图;
图7方向分布(标准差椭圆)效果图;
图8爆堆位移预测方法流程图;
图9基于广义回归神经网络训练得到的爆堆位移预测结果;
图10BP神经网络进行训练爆堆位移预测试验结果。
其中,图9和图10中图(a)-(c)中分别为:
(a)x方向位移预测结果;
(b)y方向位移预测结果;
(c)方位角旋转角度预测结果。
具体实施方式
本发明提供的是一种爆堆位移预测方法,该方法主要包括四个步骤,包括露天矿山爆堆数字构建高程模型、基于露天矿山数字高程模型确定爆堆中心、爆堆形态变化空间分布度量、基于广义回归神经网络对爆堆位移情况进行预测。
步骤一:基于三维激光扫描数据的露天矿山构建数字高程模型。
(1)由于矿山地表的整体形变,激光扫描数据的密度随距离变化较大,在离站点较近的区域过于密集,为了减小数据冗余,提高预算效率,节约系统资源,需要先对点云进行清理和抽稀,抽稀容差值为0.2米,抽稀方式为步长法,即每5个点抽取一个点;
(2)将点云数据转换为需要的las格式。
(3)对爆破前后点云扫描的公共范围边界进行提取;
(4)利用凸包多边形进行空间求交,得到空间上点云的公共区域边界多边形;
(5)使用点云公共区域的边界多边形在对之前的las数据集进行裁剪,得到空间上相互匹配的爆破前后的las数据集形式的点云数据;
(6)对las数据集进行空间插值和数据转换,将点云数据生成表面模型,利用点云生成三角网,每个三角形就是一个空间平面,完成空间表面模型的建立,再把空间表面模型转换为栅格形式,以便下一步进行空间分析。
步骤2:基于露天矿山数字高程模型确定爆堆中心。
(1)采用坡度算法对栅格形式的爆堆表面模型进行处理,对每个栅格单元如图2所示,通过式(1)和式(2)分别计算其在高程值在x方向和y方向的坡度,通过式(3)计算该栅格单元的坡度,得到爆堆的坡度图如图3所示。
(2)利用图像分割技术,对爆破现场的坡度进行识别,得到爆破前的地表地性线位置;再结合末排爆孔位置,共同确定爆破前的岩石初始位置,如图4所示。
(3)对爆破前后现场的表面模型进行空间叠置,对高程值进行相减,得到高程变化值的空间分布图,接着,求高程变化的坡度值,得到高程变化率的空间分布图,最后对该图进行图像识别,提取空间变化率发生变化的范围,就是爆破后地表形变的范围。
效果如图5所示。
步骤3:基于误差椭圆的爆堆形态变化空间分布度量
(1)采用每个用爆堆相对该爆堆最低高程的高程作为该爆堆的所有栅格的高程值。
(2)将栅格数据的中心提取为点要素,以改栅格的高程作为点要素的属性,利用该属性生成该爆堆的空间权重矩阵,
(3)通过分别计算点要素质心在x和y方向上的标准距离。可以定义一个包含所有点要素质心分布的椭圆的轴线,该椭圆被称为误差椭圆如式④-⑩。利用高程值生成的空间权重矩阵计算加权误差椭圆的中心和轴向,度量爆堆的爆破前后中心和方向的形态变化。
其中的A、B、C为中间量,按式⑥,⑦,⑧计算,
x轴和y轴的标准差σ为:
采用方向分布(标准差椭圆)对爆破作用下的岩石位移进行度量,其主方向分为轴向和径向,分别为标准差椭圆的坐标的长轴和短轴,能较好的表现爆破前后矿山采场的表面形态在方向上的分布。同时,该方法可以在进行地理分布度量的同时,读取空间权重字段,本文中利用表面相对于下一开采台阶的相对高程作为空间权重,将高程对矿山采场中心和方向的影响也进行了考虑。其效果如图7所示。综合对比线性方向平均值法和方向分布法(标准差椭圆)的优劣,最终选择采用方向分布法对矿山采场爆破后地表位移和主方向旋转角度进行确定。
从图7中可以看出,爆破的主要位移方向大抵在垂直于首排孔并朝最弱抵抗线的方向,这和凿岩爆破中的理论相一致,但是受到一些不确定的因素影响,如地下结构面节理,岩石物理性质变化,爆破压碴情况等,其平均位移的主方向往往并不严格垂直于炮孔方向,而是有一定的角度差,同时,爆破会导致矿山采场的主方向有一定的旋转,这从侧面也体现了进行主方向提取的必要性。
步骤4:基于广义回归神经网络的爆堆位移预测
本发明建立交叉验证法优化的GRNN模型,用交叉验证法和循环法确定GRNN模型误差最小时的样本和光顺因子,同时,利用灰色关联理论(GRA),从众多影响因素中选取主要的影响因素,而且能够减少非主要因素的不利影响,提高模型的精度及适应能力。并以此对爆破后岩石的整体位移进行预测,具体实现流程见图6所示。
利用GRA-GRNN模型,对矿山提供的爆破作用下爆堆位移的影响因素进行筛选,获得其中的主要因素作为模型的自变量,再依靠步骤三中提取的爆破作用下爆堆位移的距离和方位角旋转角度,作为模型的因变量,输入GRNN中进行训练,获得关于爆破作用下爆堆位移的预测模型。
在本发明条件和样本的情况下,GRA-GRNN模型和传统BP神经网络模型输出结果的误差和拟合优度如表1所示。
表1 BPNN模型及GRA-GRNN模型结果对照表
表1的结果进行分析,从中可以得出以下几点结论:
(1)采用GRA-GRNN模型对x方向位移、y方向位移和方位角旋转角度进行预测,其总体预测结果都能较好的反映真实情况下的x 方向位移、y方向位移和方位角旋转角度。其误差在真实值上下波动,且预测值的趋势和真实值趋势相同。
(2)对比GRA-GRNN模型对x方向位移、y方向位移和方位角旋转角度的预测结果可以发现,该模型对x方向位移和方位角旋转角度的预测精度较高,拟合优度也更高,而对y方向位移的预测精度较低,拟合优度也较低。可能是由于爆破作用在x方向和y方向受地形因素和地质因素影响比较复杂,本文模型无法进行考虑。
(3)不论从平均误差和拟合优度上来看,GRA-GRNN模型都优于传统BP神经网络模型。这不仅反映了在本文样本这样的一种小样本的情况下,GRA-GRNN模型精度和有效性明显优于传统BP神经网络。同时证明了GRA-GRNN模型可以用于对矿体在爆破作用下的水平位移进行预测。
此外,利用本发明共对德兴铜矿2018年1月,2018年3月,2018 年4月,2018年7月,总计28次爆破进行了地表位移和主方向旋转角度的提取,其结果如表2所示。
表2中爆堆编号按月-日-次序排列
利用交叉验证法和循环法优化广义回归神经网络的输入样本和光滑因子,并将其运用到矿体在爆破作用下的水平位移的预测当中。采用20组数据进行模型训练,8组数据进行模型精度验证,该组合模型的实验结果如图9所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都涵盖在本发明的保护范围内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种GIS支持下的金属矿爆堆位置提取及预测方法,其特征在于:
步骤一:基于三维激光扫描数据构建露天矿山数字高程模型;
步骤二:基于露天矿山数字高程模型确定爆堆中心,包括:
(1)采用坡度算法对栅格形式的爆堆表面模型进行处理,对每个栅格单元通过式①和式②分别计算其高程值在x方向和y方向的坡度,假设中心像元的高程为e,其周围8个像元的高程值为a、b、c、d、f、g、h、i,通过式③计算该栅格单元的坡度,得到爆堆的坡度:
(2)利用图像分割技术,对爆破现场的坡度进行识别,得到爆破前的地表地性线位置;再结合末排爆孔位置,共同确定爆破前的岩石初始位置;
(3)对爆破前后现场的表面模型进行空间叠置,对高程值进行相减,得到高程变化值的空间分布图,接着,求高程变化的坡度值,得到高程变化率的空间分布图,最后对该图进行图像识别,提取空间变化率发生变化的范围,就是爆破后地表形变的范围;
步骤三:基于误差椭圆的爆堆形态变化空间分布度量;
步骤四:基于广义回归神经网络的爆堆位移预测:建立交叉验证法优化的GRNN模型,用交叉验证法和循环法确定GRNN模型误差最小时的样本和光顺因子;利用灰色关联理论,从多个影响因素中选取主要的影响因素,提高模型的精度及适应能力,以此对爆堆位移情况进行预测。
2.根据权利要求1所述的一种GIS支持下的金属矿爆堆位置提取及预测方法,其特征在于:所述步骤一中基于三维激光扫描数据构建露天矿山数字高程模型的步骤还包括如下步骤:
(1)由于矿山地表的整体形变,激光扫描数据的密度随距离变化较大,在离站点较近的区域过于密集,为了减小数据冗余,提高预算效率,节约系统资源,需要先对点云进行清理和抽稀,抽稀容差值为0.2米,抽稀方式为步长法,即每5个点抽取一个点;
(2)将点云数据转换为需要的las格式;
(3)对爆破前后点云扫描的公共范围边界进行提取;
(4)利用凸包多边形进行空间求交,得到空间上点云的公共区域边界多边形;
(5)使用点云公共区域的边界多边形在对之前的las数据集进行裁剪,得到空间上相互匹配的爆破前后的las数据集形式的点云数据;
(6)对las数据集进行空间插值和数据转换,将点云数据生成表面模型,利用点云生成三角网,每个三角形就是一个空间平面,完成空间表面模型的建立,再把空间表面模型转换为栅格形式,以便下一步进行空间分析。
3.根据权利要求1所述的一种GIS支持下的金属矿爆堆位置提取及预测方法,其特征在于,所述步骤三中基于误差椭圆的爆堆形态变化空间分布度量步骤包括:
(1)采用每个爆堆相对该爆堆最低高程的高程作为该爆堆的所有栅格的高程值;
(2)将栅格数据的中心提取为点要素,以该栅格的高程作为点要素的属性,利用该属性生成该爆堆的空间权重矩阵;
(3)通过分别计算点要素质心在x和y方向上的标准距离,可以定义一个包含所有点要素质心分布的椭圆的轴线,该椭圆被称为误差椭圆,利用高程值生成的空间权重矩阵计算误差椭圆的中心和轴向,度量爆堆的爆破前后中心和方向的形态变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313775.7A CN110119994B (zh) | 2019-04-18 | 2019-04-18 | 一种gis支持下的金属矿爆堆位移提取及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313775.7A CN110119994B (zh) | 2019-04-18 | 2019-04-18 | 一种gis支持下的金属矿爆堆位移提取及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119994A CN110119994A (zh) | 2019-08-13 |
CN110119994B true CN110119994B (zh) | 2022-09-02 |
Family
ID=67521080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910313775.7A Expired - Fee Related CN110119994B (zh) | 2019-04-18 | 2019-04-18 | 一种gis支持下的金属矿爆堆位移提取及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119994B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648246A (zh) * | 2019-09-17 | 2020-01-03 | 紫金矿业集团股份有限公司 | 一种矿山爆堆的精细化管理方法 |
CN110751315B (zh) * | 2019-09-23 | 2023-09-19 | 中南大学 | 露天矿道路系统人机交互式选线方法、系统及控制器 |
CN111126692A (zh) * | 2019-12-21 | 2020-05-08 | 河北钢铁集团矿业有限公司 | 一种露天矿山损失率贫化率预测方法 |
CN111678389A (zh) * | 2020-05-21 | 2020-09-18 | 广西建工集团第五建筑工程有限责任公司 | 一种基于bim的山地大体积石方精准爆破施工方法 |
CN116012613B (zh) * | 2023-01-04 | 2024-01-16 | 北京数字绿土科技股份有限公司 | 一种基于激光点云的露天矿的土方量变化测算方法和系统 |
CN116629809B (zh) * | 2023-07-24 | 2023-09-19 | 长春工程学院 | 一种智能化矿山管理方法及系统 |
CN117759245A (zh) * | 2024-01-25 | 2024-03-26 | 河南建筑材料研究设计院有限责任公司 | 利用三维智能设计的露天矿山开采系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525610A (zh) * | 2016-08-25 | 2017-03-22 | 中国黄金集团内蒙古矿业有限公司 | 一种露天矿山爆堆散布规律的实施方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8295859B1 (en) * | 2007-01-23 | 2012-10-23 | University Of South Florida | System and method of exploiting location awareness to improve wireless cognitive radio |
CN102135445B (zh) * | 2010-06-30 | 2012-10-03 | 中国铁道科学研究院铁道建筑研究所 | 爆破振动预测方法 |
CN103399344B (zh) * | 2013-07-24 | 2016-06-29 | 北京师范大学 | 一种地震后崩滑灾害发生位置的预测方法 |
-
2019
- 2019-04-18 CN CN201910313775.7A patent/CN110119994B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525610A (zh) * | 2016-08-25 | 2017-03-22 | 中国黄金集团内蒙古矿业有限公司 | 一种露天矿山爆堆散布规律的实施方法 |
Non-Patent Citations (1)
Title |
---|
基于非线性理论的抛掷爆破爆堆形态预测;丁小华等;《中国矿业大学学报》;20120930;第41卷(第05期);第764-769页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110119994A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119994B (zh) | 一种gis支持下的金属矿爆堆位移提取及预测方法 | |
CN111927552B (zh) | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 | |
CN105136054A (zh) | 基于地面三维激光扫描的构筑物精细变形监测方法及系统 | |
CN114663627A (zh) | 一种基于三维点云数据库的矿山数字模型建立方法 | |
CN111415413B (zh) | 基于野外露头三维模型的训练图像建立方法 | |
CN115690354B (zh) | 一种基于三维实景数值分析的浅埋隧道施工动态控制方法 | |
CN115185015B (zh) | 一种深部锂铍矿勘查方法 | |
CN115062368A (zh) | 一种隧道长管棚数字孪生体和精细建模系统及方法 | |
CN114279398B (zh) | 一种基于无人机航测技术的金属矿开采地表沉降监测方法 | |
CN114898053A (zh) | 基于三维空间影像技术的碎裂松动岩体发育范围圈定方法 | |
Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
WO2024083262A1 (zh) | 天-空-地-隧-孔一体化不良地质识别方法及系统 | |
Paradella et al. | Automatic DEM Generation | |
CN110596778A (zh) | 一种热液型铀矿勘查方法 | |
CN115758686A (zh) | 一种近场活动断裂对隧道围岩影响评估方法 | |
Long et al. | Automatic identification of irregular rock blocks from 3D point cloud data of rock surface | |
CN106846477B (zh) | 一种编录野外地质影像的地质标记解译建模方法 | |
CN112596113A (zh) | 一种基于重力不同阶梯度特征值交点的场源位置识别方法 | |
CN117409541A (zh) | 一种露天矿边坡监测预警方法及系统 | |
CN115200540B (zh) | 一种矿井巷道形变监测与预警方法及系统 | |
CN112943198B (zh) | 一种深层页岩复杂构造地层非均匀应力场计算方法 | |
Amvrazis et al. | Optimizing the excavation geometry using digital mapping | |
CN110287974A (zh) | 一种综采工作面激光扫描三维模型与gis模型快速匹配方法 | |
CN114151110B (zh) | 一种隧道与地下工程围岩裂隙水注浆治理设计方法 | |
CN113568042B (zh) | 一种提高时移地震数据可重复性的拖缆采集方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220902 |