CN115164828A - 一种地表沉降预测方法、系统、装置及存储介质 - Google Patents

一种地表沉降预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN115164828A
CN115164828A CN202210480557.4A CN202210480557A CN115164828A CN 115164828 A CN115164828 A CN 115164828A CN 202210480557 A CN202210480557 A CN 202210480557A CN 115164828 A CN115164828 A CN 115164828A
Authority
CN
China
Prior art keywords
subsidence
goaf
deformation
parameters
sequence
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.)
Pending
Application number
CN202210480557.4A
Other languages
English (en)
Inventor
李虎
薛廉
郑杰
赵雪
吴瑶
张芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Geological Engineering Exploration Institute Group Co ltd
Original Assignee
Sichuan Geological Engineering Exploration Institute Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Geological Engineering Exploration Institute Group Co ltd filed Critical Sichuan Geological Engineering Exploration Institute Group Co ltd
Priority to CN202210480557.4A priority Critical patent/CN115164828A/zh
Publication of CN115164828A publication Critical patent/CN115164828A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9064—Inverse SAR [ISAR]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种地表沉降预测方法、系统、装置及存储介质。本说明书实施例提供一种地表沉降预测方法，包括：获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度；基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态；响应于是，通过所述形变数据，确定下沉参数序列；基于所述下沉参数序列预测未来时间段所述采空区的下沉参数；基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。

Description

一种地表沉降预测方法、系统、装置及存储介质
技术领域
本说明书涉及地质勘探技术领域，特别涉及一种地表沉降预测方法、系统、装置及存储介质。
背景技术
现阶段在采空区沉降量预测方面的研究应用，主要集中在将InSAR技术与概率积分法结合，模拟采空区沉降最终稳定的状态，缺少从开采开始到沉降稳定正向模拟预测的方法。实际的采空区沉降过程从开始下沉到下沉终止通常要经历数月到数年的时间，沉降阶段时间较长。正在开采的采空区短期内处于持续下沉状态，暂时未有稳定部分的情况下，若不能对其未来地表沉降进行预测，将极大的影响采空区周边民居建筑、线路工程安全管理等。
因此，希望提供一种地表沉降预测方法、系统、装置及存储介质可以实现对采空区未来的地表沉降进行预测。
发明内容
本说明书一个或多个实施例提供一种地表沉降预测方法，包括：获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度；基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态；响应于是，通过所述形变数据，确定下沉参数序列；基于所述下沉参数序列预测未来时间段所述采空区的下沉参数；基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。
在一些实施例中，所述获取采空区的形变数据包括：获取所述采空区至少9 景的SAR影像，基于SBAS-InSAR技术获取所述采空区的形变数据。
一些实施例中，所述形变数据包括基于时序排列的若干形变点的形变数据；所述通过所述形变数据，确定下沉参数序列包括：将所述若干形变点的形变数据作为输入数据进行概率积分法参数反演，利用至少一个预设时间段的所述若干形变点的形变数据，求解当前的概率积分参数作为所述下沉参数序列。
一些实施例中，所述下沉参数序列包括按时间序列进行排布的若干下沉参数，所述下沉参数包括下沉走向工作面长度、下沉倾向工作面长度、下沉系数和下沉影响角正切值。
一些实施例中，所述基于所述下沉参数序列预测未来时间段所述采空区的下沉参数包括：基于所述下沉参数序列中所述下沉参数在时序时间上的变化结果进行拟合推测，结合所述下沉参数的变化趋势拟合形成的拟合曲线预测未来时间段所述采空区的下沉参数。
一些实施例中，所述基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息包括：将所述下沉参数作为输入数据进行概率积分法参数反演，确定所述采空区在所述未来时间段的地表沉降信息。
本说明书一个或多个实施例提供一种地表沉降预测系统，包括：获取模块，用于获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度；判断模块，用于基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态；第一确定模块，用于在所述采空区在预设时序内处于持续变形的状态时，通过所述形变数据，确定下沉参数序列；预测模块，用于基于所述下沉参数序列预测未来时间段所述采空区的下沉参数；第二确定模块，用于基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。
本说明书一个或多个实施例提供一种地表沉降预测装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现前述的方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的地表沉降预测系统的应用场景示意图；
图2是根据本说明书一些实施例所示的地表沉降预测系统的示例性结构构成图；
图3是根据本说明书一些实施例所示的地表沉降预测方法的示例性流程图；
图4是根据本说明书一些实施例所示的采空区遥感影像的示意图；
图5A-5C是根据本说明书一些实施例所示的在不同时间点InSAR观测到的采空区形变示意图；
图6是根据本说明书一些实施例所示的反演得到的走向工作面长度的示意图；
图7是根据本说明书一些实施例所示的反演得到的倾向工作面长度的示意图；
图8是根据本说明书一些实施例所示的反演得到的下沉系数的示意图；
图9是根据本说明书一些实施例所示的反演得到的主要影响角正切的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的地表沉降预测系统的应用场景100 示意图。
在一些实施例中，应用场景100可以被配置为对正在开采中的矿区进行沉降监测、沉降预测等场景。应用场景100可以包括服务器110、网络120、用户终端130、存储设备140和数据采集设备150。服务器110可以包括处理引擎 112。在一些实施例中，服务器110、用户终端130、存储设备140和数据采集设备150可以经由无线连接(例如，网络120)、有线连接或其组合彼此连接和/ 或通信。
服务器110可以用于实现地表沉降预测，例如下沉走向工作面长度、下沉倾向工作面长度、下沉系数等预测。服务器110是指具有计算能力的系统，在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储在用户终端130和/或存储设备140中的信息和/或数据。又例如，服务器110可以直接连接到用户终端130和/或存储设备140以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与无线信号有关的信息和/或数据。例如，处理引擎112可以在由数据采集设备150获取的信息数据中实现地表沉降预测。在一些实施例中，处理引擎112 可以包括一个或以上处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎112可以包括一个或以上硬件处理器，例如中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备 (PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任何组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，应用场景100 中的一个或以上组件(例如，服务器110、用户终端130、存储设备140和数据采集设备150)可以将信息和/或数据通过网络120发送到应用场景100中的其他组件。例如，处理引擎112可以经由网络120向用户终端130发送监测到的无线电的分析结果。在一些实施例中，网络120可以是有线网络或无线网络等或其任意组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、因特网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共电话交换网(PSTN)、Bluetooth TM网络、 ZigBee网络、近场通信(NFC)网络或类似内容，或其任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括诸如基站和/或互联网交换点120-1、120-2，…之类的有线或无线网络接入点，应用场景 100的一个或以上组件可以通过有线或无线网络接入点连接到网络120，以交换数据和/或信息。
在一些实施例中，用户终端130可以包括移动设备130-1、平板计算机 130-2、膝上型计算机130-3、台式计算机130-4等或其任意组合。在一些实施例中，移动设备140-1可以包括智能家居设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等，或其任何组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可以包括手环、鞋袜、眼镜、头盔、手表、衣物、背包、智能配饰等或其任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、膝上型计算机、台式机等，或任何它们的组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、 RiftConTM、FragmentsTM、GearVRTM等。
在一些实施例中，用户终端130可以是被配置为可采集采空区的形变数据的移动终端。用户终端130可以经由用户接口向处理引擎112或安装在用户终端130中的处理器发送和/或接收与采空区的形变数据有关的信息。
在一些实施例中，响应于预测请求，用户终端130可以基于由安装在本申请中其他地方所述的用户终端130中的信号采集装置，经由用户终端130的处理器直接处理形变数据。在一些实施例中，响应于预测请求，用户终端130 可以将预测请求发送到处理引擎112，用于基于由数据采集设备150或安装在本申请的其他地方的信号采集装置来确定形变数据。在一些实施例中，用户界面可以促进呈现或显示从处理引擎112接收的与地表沉降预测有关的信息和/或数据(例如，信号)。例如，信息和/或数据可以包括指示地表沉降预测内容的结果，或者指示进行地表沉降预测等。在一些实施例中，信息和/或数据可以被进一步配置为使用户终端130向用户显示结果。
存储设备140可以存储数据和/或指令。在一些实施例中，存储设备140 可以存储从数据采集设备150获得的数据。存储设备140可以存储处理引擎112 可以执行或用来执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备140可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDRSDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM) 和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存 (MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中，所述存储设备140可在云端平台上执行。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备140可以连接到网络120以与应用场景100 中的一个或以上组件(例如，服务器110、用户终端130)通信。应用场景100中的一个或多个组件可以经由网络120访问存储在存储设备140中的数据或指令。在一些实施例中，存储设备140可以直接连接到应用场景100中的一个或以上组件或与之通信(例如，服务器110、用户终端130)。在一些实施例中，存储设备140可以是服务器110的一部分。
数据采集设备150是用于采集采空区相应数据的设备，如无人机设备、勘探设备、摄像设备等。
应当注意，以上描述意图是说明性的，而不是限制本申请的范围。对于本领域技术人员而言，许多替代，修改和变化将是显而易见的。本文描述的示例性实施例的特征，结构，方法和其他特性可以以各种方式组合以获得另外的和/或替代的示例性实施例。例如，数据采集设备150可以配置有存储模块、处理模块、通信模块等。然而，这些变化和修改不脱离本申请的范围。
图2是根据本说明书一些实施例所示的地表沉降系统的示例性结构构成图。
如图2所示，地表沉降系统200可以包括：获取模块210、判断模块220、第一确定模块230、预测模块240、第二确定模块250。
获取模块，用于获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度。在一些实施例中，获取模块可以获取所述采空区至少9 景的SAR影像，并基于SBAS-InSAR技术获取所述采空区的形变数据。
判断模块，用于基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态；
第一确定模块，用于在所述采空区在预设时序内处于持续变形的状态时，通过所述形变数据，确定下沉参数序列，在一些实施例中，所述形变数据包括基于时序排列的若干形变点的形变数据，在一些实施例中，第一确定模块进一步被配置为将所述若干形变点的形变数据作为输入数据进行概率积分法参数反演，利用至少一个预设时间段的所述若干形变点的形变数据，求解当前的概率积分参数作为所述下沉参数序列。
预测模块，用于基于所述下沉参数序列预测未来时间段所述采空区的下沉参数。在一些实施例中，预测模块进一步被配置为基于所述下沉参数序列中所述下沉参数在时序时间上的变化结果进行拟合推测，结合所述下沉参数的变化趋势拟合形成的拟合曲线预测未来时间段所述采空区的下沉参数。
第二确定模块，用于基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。在一些实施例中，第二确定模块进一步被配置为下沉参数确定所述采空区在所述未来时间段的地表沉降信息包括：
将所述下沉参数作为输入数据进行概率积分法参数反演，确定所述采空区在所述未来时间段的地表沉降信息。
需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，获取模块 210、判断模块220可以整合在一个组成部分中。又例如，各个组成部分可以共用一个存储设备，各个组成部分也可以分别具有各自的存储设备。诸如此类的变形，均在本说明书的保护范围之内。
如图3所示为是根据本说明书一些实施例所示的地表沉降预测方法的示例性流程图，在一些实施例中，流程300可以由地表沉降预测系统200执行。在一些实施例中，流程300可以包括以下步骤：
步骤310，获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度。
在一些实施例中，所述获取采空区的形变数据时具体包括：获取所述采空区至少9景的SAR影像，基于SBAS-InSAR技术获取所述采空区的形变数据。例如，运用9景及以上SAR影像，采用SBAS-InSAR技术获取采空区形变区确切的空间分布位置及形变程度。其中，影像精度可以为中精度或高精度等。
步骤320，基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态。
在一些实施例中，所述形变数据包括基于时序排列的若干形变点的形变数据。在一些实施例中，可以基于形变数据判断所述采空区是否在预设时序内处于持续变形的状态，例如，若形变数据一直处于变化的趋势，则可以认为采空区是否在预设时序内处于持续变形的状态。
步骤330，响应于是，通过所述形变数据，确定下沉参数序列。
在一些实施例中，所述通过所述形变数据，确定下沉参数序列包括：将所述若干形变点的形变数据作为输入数据进行概率积分法参数反演，利用至少一个预设时间段的所述若干形变点的形变数据，求解当前的概率积分参数作为所述下沉参数序列。例如，将InSAR技术观测到的形变点数据作为输入数据进行概率积分法参数反演，工作面的范围可以通过地表形变的范围进行估算，可利用每一时间段的形变数据求解当前情况下的概率积分参数。
在一些实施例中，所述下沉参数序列包括按时间序列进行排布的若干下沉参数，所述下沉参数包括下沉走向工作面长度、下沉倾向工作面长度、下沉系数和下沉影响角正切值中的。
概率积分法参数反演部分是通过遗传算法求解实现的。遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从走向工作面长度、倾向工作面长度、下沉系数和影响角正切值的估值范围出发，通过随机选择、交叉和变异操作，产生一群更合适环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代又一代地不断繁衍进化，最后收敛到一群最适应环境的个体，求得参数的最优解。
步骤340，基于所述下沉参数序列预测未来时间段所述采空区的下沉参数。
在一些实施例中，可以基于所述下沉参数序列中所述下沉参数在时序时间上的变化结果进行拟合推测，结合所述下沉参数的变化趋势拟合形成的拟合曲线预测未来时间段所述采空区的下沉参数。例如，根据参数反演得到的走向工作面长度、倾向工作面长度、下沉系数和影响角正切值各时序时间上的变化结果，依据参数在时序时间上的变化结果进行拟合推测，根据数据变化趋势拟合形成的曲线推测下一阶段的参数值。
步骤350，基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。
在一些实施例中，将所述下沉参数作为输入数据进行概率积分法参数反演，确定所述采空区在所述未来时间段的地表沉降信息。例如，依据预测的参数值带入到概率积分法中获取下一阶段的地表沉降变化。
以下将结合实例对上述方法流程进行详细说明：
以某省境内某处采空区为例说明本发明的具体实施。通过ALOS-2高分辨率SAR影像观测到明显的采空区沉降，据遥感影像显示，目前在持续开采中。采空区边界距离管道为230m。如图4所示为采空区遥感影像。
首先，使用18景ALOS-2遥感影像进行SBAS-InSAR形变监测，通过时间序列的观测发现此处有明显的沉降迹象。如图5A-图5C所示为InSAR观测到的采空区形变变化。其中，图5A-图5C对应的事件依次往后，如，图5A对应的时间为2021年2月14日，图5B对应的时间为2021年5月9日，图5C对应的时间为2021年7月4日。
接着，在采空区持续变形的情况下，可利用每一时间段的形变数据求解当前情况下的概率积分参数。
将InSAR技术观测到的形变点数据作为输入数据进行概率积分法参数反演，工作面的范围可以通过地表形变的范围进行估算。参考已有资料，设置煤层开采厚度m＝3m，平均开采深度H＝325m。未知参数包括走向工作面长度l、倾斜工作面长度L、下沉系数q、主要影响角正切tanβ。
如表1所示为参数反演搜索范围：
Figure BDA0003627550110000111
表1
在搜索范围内基于遗传算法反演概率积分参数模型，得到的最优参数如表2所示：
Figure BDA0003627550110000112
表2
将反演得到的走向工作面长度、倾向工作面长度、下沉系数和主要影响角正切绘制成曲线如图6到图9所示。
根据参数反演得到的走向工作面长度、倾向工作面长度、下沉系数和影响角正切值各时序时间上的变化结果，依据参数在时序时间上的变化结果进行拟合推测，根据数据变化趋势拟合形成的曲线推测下一阶段的参数值，依据预测的参数值带入到概率积分法中获取下一阶段的地表沉降变化。
走向工作面长度变化拟合：
L＝0.494t+49.66 (公式1)
其中：L为走向工作面长度，单位m(米)；t为开采持续时间，单位d (天)。
倾向工作面长度变化拟合：
Figure BDA0003627550110000121
下沉系数拟合：
Figure BDA0003627550110000122
主要影响角正切值：由图9可知，主要影响角正切值处于1.9223与1.9295 之间小范围波动，因此取主要影响角为各阶段反演平均值，取1.927。
由于InSAR观测时间以28天为一个周期，因此后续观测时间点持续时间为第252天，第280天等，如表3，将持续时间t带入到公式1、2、3中，预测得到第252天的概率积分法参数如下表3所示：
Figure BDA0003627550110000123
Figure BDA0003627550110000131
表3
可知，该点采空区反演得到的最终下沉系数稳定在0.5917，主要影响角正切值稳定在1.927。由于该点与某已知采空区相近，根据已知采空区下沉系数为0.58，主要影响角正切值为1.97。该采空区与已知采空区下沉系数误差为2％，主要影响角正切值误差为2.18％，两参数误差较小，故可相互验证该采空区与已知采空区的参数值与本发明方法的合理性、科学性。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
现阶段在采空区沉降量预测方面的研究应用，主要集中在将InSAR技术与概率积分法结合，模拟采空区沉降最终稳定的状态，缺少从开采开始到沉降稳定正向模拟预测的方法。为了解决这一问题本发明的一些实施例中，实际的采空区沉降过程从开始下沉到下沉终止通常要经历数月到数年的时间，沉降阶段时间较长。在没有已知开采区可以作为指导，采空区短期内处于持续下沉状态，暂时未有稳定部分的情况下，可以通过按照时间序列分阶段反演的方法来获取概率积分法的参数，在此基础上进行沉降预。这种过程中正向模拟预测的方法，对于采空区周边民居建筑、线路工程安全管理具有更为现实的意义。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (9)

1.一种地表沉降预测方法，其特征在于，包括：
获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度；
基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态；
响应于是，通过所述形变数据，确定下沉参数序列；
基于所述下沉参数序列预测未来时间段所述采空区的下沉参数；
基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。
2.根据权利要求1所述的一种地表沉降预测方法，其特征在于，所述获取采空区的形变数据包括：
获取所述采空区至少9景的SAR影像，基于SBAS-InSAR技术获取所述采空区的形变数据。
3.根据权利要求2所述的一种地表沉降预测方法，其特征在于，所述形变数据包括基于时序排列的若干形变点的形变数据；
所述通过所述形变数据，确定下沉参数序列包括：
将所述若干形变点的形变数据作为输入数据进行概率积分法参数反演，利用至少一个预设时间段的所述若干形变点的形变数据，求解当前的概率积分参数作为所述下沉参数序列。
4.根据权利要求3所述的一种地表沉降预测方法，其特征在于，所述下沉参数序列包括按时间序列进行排布的若干下沉参数，所述下沉参数包括下沉走向工作面长度、下沉倾向工作面长度、下沉系数和下沉影响角正切值。
5.根据权利要求3所述的一种地表沉降预测方法，其特征在于，所述基于所述下沉参数序列预测未来时间段所述采空区的下沉参数包括：
基于所述下沉参数序列中所述下沉参数在时序时间上的变化结果进行拟合推测，结合所述下沉参数的变化趋势拟合形成的拟合曲线预测未来时间段所述采空区的下沉参数。
6.根据权利要求3所述的一种地表沉降预测方法，其特征在于，所述基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息包括：
将所述下沉参数作为输入数据进行概率积分法参数反演，确定所述采空区在所述未来时间段的地表沉降信息。
7.一种地表沉降预测系统，其特征在于，包括：
获取模块，用于获取采空区的形变数据，所述形变数据包括形变区空间分布位置及形变程度；
判断模块，用于基于所述形变数据判断所述采空区是否在预设时序内处于持续变形的状态；
第一确定模块，用于在所述采空区在预设时序内处于持续变形的状态时，通过所述形变数据，确定下沉参数序列；
预测模块，用于基于所述下沉参数序列预测未来时间段所述采空区的下沉参数；
第二确定模块，用于基于所述下沉参数确定所述采空区在所述未来时间段的地表沉降信息。
8.一种地表沉降预测装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至6中任一所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1至6中任一所述的方法。
CN202210480557.4A 2022-05-05 2022-05-05 一种地表沉降预测方法、系统、装置及存储介质 Pending CN115164828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210480557.4A CN115164828A (zh) 2022-05-05 2022-05-05 一种地表沉降预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210480557.4A CN115164828A (zh) 2022-05-05 2022-05-05 一种地表沉降预测方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115164828A true CN115164828A (zh) 2022-10-11

Family

ID=83484213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210480557.4A Pending CN115164828A (zh) 2022-05-05 2022-05-05 一种地表沉降预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115164828A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918781A (zh) * 2019-03-06 2019-06-21 长沙理工大学 一种钻井水溶盐矿开采沉陷InSAR预计方法
CN111323776A (zh) * 2020-02-27 2020-06-23 长沙理工大学 一种矿区形变的监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918781A (zh) * 2019-03-06 2019-06-21 长沙理工大学 一种钻井水溶盐矿开采沉陷InSAR预计方法
CN111323776A (zh) * 2020-02-27 2020-06-23 长沙理工大学 一种矿区形变的监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴侃: "矿区沉陷预测预报系统", 徐州：中国矿业大学出版社 *

Similar Documents

Publication Publication Date Title
CN111883262B (zh) 疫情趋势预测方法、装置、电子设备及存储介质
CN112652036B (zh) 道路数据的处理方法、装置、设备及存储介质
CN113570122B (zh) 预测风速的方法、装置、计算机设备和存储介质
CN114462723B (zh) 基于高空风资源影响的云层迁移分钟级光伏功率预测方法
CN112800111B (zh) 一种基于训练数据挖掘的位置预测方法
CN106291764A (zh) 基于大数据和气象分析场的气象预报方法和系统
US20170299424A1 (en) Measuring and diagnosing noise in an urban environment
CN114778774B (zh) 基于人工智能的温室气体监测方法及相关设备
CN115164828A (zh) 一种地表沉降预测方法、系统、装置及存储介质
CN115759483B (zh) 光伏电场太阳辐照度预测方法、电子设备及存储介质
CN115169731A (zh) 一种智慧校园能耗预测方法、装置、设备及介质
CN115713683A (zh) 一种目标检测方法、装置、设备及存储介质
CN117991410A (zh) 一种气象预测方法、装置及相关设备
CN115544622A (zh) 城乡参与式三维规划设计平台、方法、设备及存储介质
CN115796579A (zh) 直流输电线路的风险评估方法、装置、设备和存储介质
CN115758717A (zh) 模拟亮温偏差的估算方法、装置、电子设备及存储介质
CN107103382A (zh) 一种基于累加弦长二次参数样条曲线的预测方法及系统
CN110489510B (zh) 道路数据的处理方法、装置、可读存储介质和计算机设备
CN113888213A (zh) 选址方法、装置、设备及存储介质
CN113095963A (zh) 房地产成本数据处理方法、装置、计算机设备和存储介质
CN116991693B (zh) 一种测试方法、装置、设备及存储介质
CN114359491B (zh) 岩溶的三维建模方法、装置、电子设备及存储介质
CN115880447B (zh) 一种仿真态势实体军标的绘制方法及装置
Tang et al. An efficient and precise multi-candidate viewpoint filtering algorithm for terrain viewshed selection
Cupani et al. E-ELT HIRES the high resolution spectrograph for the E-ELT: integrated data flow system

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221011