CN115200540B - 一种矿井巷道形变监测与预警方法及系统 - Google Patents
一种矿井巷道形变监测与预警方法及系统 Download PDFInfo
- Publication number
- CN115200540B CN115200540B CN202210800339.4A CN202210800339A CN115200540B CN 115200540 B CN115200540 B CN 115200540B CN 202210800339 A CN202210800339 A CN 202210800339A CN 115200540 B CN115200540 B CN 115200540B
- Authority
- CN
- China
- Prior art keywords
- information
- deformation
- roadway
- target area
- monitoring
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本说明书实施例提供一种矿井巷道形变监测与预警方法,该方法包括获取目标矿井内的各巷道的巷道信息;基于巷道信息对目标矿井进行分区,获得至少一个目标区域;针对每一目标区域,获取目标区域在第一时间段内的监测信息;基于监测信息,确定目标区域的各巷道在第一时间段内的第一形变信息。
Description
技术领域
本说明书涉及矿井巷道形变监测领域,特别涉及一种矿井巷道形变监测与预警方法及系统。
背景技术
随着经济和社会的发展,矿产资源的需求日益增加,为了开采煤炭等资源,从地面向地下开凿通达煤体和在煤层中开掘的井巷以进行矿产资源的开采作业。随着开采施工的进行,由于矿井巷道的结构复杂以及不同地区的地质、水文、气候等复杂多变的外部因素影响,这对矿井巷道内的施工安全提出了严重挑战。同时对于巷道的监测,各类监测设备成本高昂,以及需要耗费大量的人力物力资源,这也是矿井巷道的安全防治所必须考虑的重要课题。
因此,需要提供一种矿井巷道形变监测与预警方法,以实现复杂情况下的矿井巷道形变监测与预警。
发明内容
本说明书实施例之一提供一种矿井巷道形变监测与预警方法。所述矿井巷道形变监测与预警方法包括:获取目标矿井内的各巷道的巷道信息;基于所述巷道信息对所述目标矿井进行分区,获得至少一个目标区域;针对每一所述目标区域,获取所述目标区域在第一时间段内的监测信息;基于所述监测信息,确定所述目标区域的各巷道在所述第一时间段内的第一形变信息。
本说明书实施例之一提供一种矿井巷道形变监测与预警系统,所述系统包括:第一获取模块,用于获取目标矿井内的各巷道的巷道信息;分区模块,用于基于所述巷道信息对所述目标矿井进行分区,获得至少一个目标区域;第二获取模块,用于针对每一所述目标区域,获取所述目标区域在第一时间段内的监测信息;第一确定模块,用于基于所述监测信息,确定所述目标区域的各巷道在所述第一时间段内的第一形变信息。
本说明书实施例之一提供一种矿井巷道形变监测与预警装置,包括处理器,所述处理器用于执行上述矿井巷道形变监测与预警方法。
本说明书实施例之一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,计算机执行上述矿井巷道形变监测与预警方法。
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矿井巷道形变监测与预警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矿井巷道形变监测与预警系统的示例性示意图;
图3是根据本说明书一些实施例所示的矿井巷道形变监测与预警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矿井巷道形变监测信息确定方法的示例性流程图;
图5是根据本说明书一些实施例所示的形变预测模型的模型结构的示例性示意图。
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矿井巷道形变监测与预警系统的应用场景示意图。
如图1所示,矿井巷道形变监测与预警系统的应用场景100可以包括处理设备110、网络120、存储设备130、采集终端140、用户终端150以及矿井巷道160。一些实施例中,应用场景100中的组件可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。例如,处理设备110可以通过网络120连接到存储设备130。又例如,用户终端150可以通过网络120连接到处理设备110、存储设备130。一些实施例中,采集终端140可以部署在目标矿井160的预设位置,以获取相关巷道的监测信息。
处理设备110可以用于处理与应用场景100有关的信息和/或数据,例如,预测未来一段时间内巷道的目标区域的形变信息等。在一些实施例中,处理设备110可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理设备110可以包括中央处理单元(CPU)。处理设备110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果,并基于以上数据、信息和/或处理结果执行程序指令,以执行本说明书中描述的一个或以上功能。
网络120可以连接应用场景100的各组成部分和/或连接应用场景100与外部资源部分。网络使得各组成部分之间,以及与应用场景100之外其他部分之间可以进行通讯,促进数据和/或信息的交换。网络可以是局域网、广域网、互联网等,还可以是多种网络结构的组合。
存储设备130可以用于存储数据和/或指令。在一些实施例中,存储设备130可以储存处理设备110用来执行或使用以完成本说明书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130可以连接到网络120以与应用场景100的一个或以上组件(例如,处理设备110、用户终端150)通信。
采集终端140可以用于采集数据和/或信息。例如,采集终端140可以用于采集矿井巷道的巷道信息、距离信息、气象数据、图像等。示例性的,采集终端140可以包括但不限于测距传感装置140-1、勘探设备140-2巡检装置140-3等。例如,测距传感装置140-1可以是电磁波测距仪、激光测距仪等;勘探设备140-2可以是地质勘探设备、物探仪器等;巡检装置140-3可以是无人机、智能机器人等。在一些实施例中,采集终端可以将采集的数据和/或信息通过网络发送到处理设备。
用户终端150可以包括一个或多个终端设备或软件。其中,用户可以是任何操作用户终端的个体,如矿工、矿井管理人员、安全员等。在一些实施例中,用户终端150可以包括移动电话150-1、平板电脑150-2、膝上型计算机150-3等。在一些实施例中,用户可以通过用户终端查看信息和/或输入数据和/或指令。用户可以通过用户终端查看矿井巷道的监测信息或其他信息。又例如,用户可以通过用户终端输入指令,控制巡检装置前往形变目标区域等。
目标矿井160可以为用于采矿设置的坑道。目标矿井160可以包括各种类型的巷道以及通道。例如,目标矿井可以包括垂直巷道、水平巷道、倾斜巷道、开拓巷道、采准巷道、回采巷道等。在一些实施例中,目标矿井160中的巷道的特定位置可以部署有测距传感装置140-1。例如,目标矿井160的拐点、岔道等位置可以部署测距传感装置。
应当注意的是,应用场景仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,应用场景可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的矿井巷道形变监测与预警系统的示例性示意图。
如图2所示,矿井巷道形变监测与预警系统200可以包括第一获取模块210、分区模块220、第二获取模块230以及第一确定模块240。在一些实施例中,矿井巷道形变监测与预警系统200可以通过处理设备110的一部分或由处理设备110实现。
第一获取模块210可以用于获取目标矿井内的各巷道的巷道信息。关于巷道信息的具体细节参见图3及其相关描述。
分区模块220可以用于基于巷道信息对目标矿井进行分区,获得一个或多个目标区域。其中,关于分区和目标区域的具体细节参见图3及其相关描述。
第二获取模块230可以用于针对每一目标区域,获取目标区域在第一时间段内的监测信息。关于监测信息的具体细节参见图3及其相关描述。在一些实施例中,第二获取模块230可以进一步用于:基于目标区域内的各巷道的巷道信息,确定所述目标区域内的基准点以及观测点;获取所述基准点的第一位置信息以及所述观测点的第二位置信息,其中,所述第一位置信息包括所述基准点在第一时间段内的多个时间点的位置信息,所述第二位置信息包括所述观测点在所述第一时间段内的多个时间点的位置信息;基于所述第一位置信息以及所述第二位置信息,确定所述目标区域的监测信息。关于第一位置信息、第二位置信息的具体细节参见图3、图4及其相关描述。
第一确定模块240可以用于基于监测信息,确定目标区域的各巷道在第一时间段内的第一形变信息。关于第一形变信息的具体细节参见图3及其相关描述。
如图2所示,矿井巷道形变监测与预警系统200还可以包括第二确定模块250。第二确定模块250可以用于基于目标区域在第一时间段内的监测信息,确定目标区域在未来的第二时间段内的第二形变信息。关于第二形变信息的具体细节参见图3及其相关描述。
如图2所示,矿井巷道形变监测与预警系统200还可以包括判断模块260。判断模块260可以用于判断当第一形变信息和/或第二形变信息满足预设条件时,基于第一形变信息和/或第二形变信息确定目标区域内的目标形变区域,控制检测装置对目标形变区域进行巡检。关于检测装置对目标形变区域进行巡检的具体细节参见图3及其相关描述。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。
需要注意的是,以上对于系统及其模块的描述,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。可以理解的是,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,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的第一获取模块210、分区模块220、第二获取模块230、第一确定模块240、第二确定模块250、判断模块260可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块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。
图3是根据本说明书一些实施例所示的矿井巷道形变监测与预警方法的示例性流程图。在一些实施例中,流程300可以由处理设备110执行。如图3所示,流程300包括下述步骤:
步骤310,获取目标矿井内的各巷道的巷道信息。
目标矿井可以是指需要进行内部巷道监测的矿井。例如,矿井巷道形变监测与预警系统作用的某一个被实施煤矿开采的矿井。巷道可以是指从地面向地下开凿通达煤体的和在煤层中开掘的一系列井巷。例如,巷道可以是矿井内部的在不同岩石中沿不同方向、以不同倾角、按不同断面和长度开凿的,服务于不同范围、用作不同用途的各种地下空间。巷道信息可以包括巷道的长度、宽度、深度、结构、土质信息(例如岩石的质地、软硬等)、水文信息(例如巷道相关的煤层附近有无含水层等)、温度、湿度信息等。在一些实施例中,处理设备可以通过采集终端140获取所述巷道信息。例如,可以通过探勘设备140-2获取巷道的长度、宽度、土质信息等。
步骤320,基于巷道信息对目标矿井进行分区,获得至少一个目标区域。
在一些实施例中,目标区域可以通过对目标矿井进行分区得到。分区可以是指对巷道进行区域划分。在一些实施例中,分区可以根据巷道信息进行。例如,一段长度为200米的巷道,可以被划分为长度均为100米的两个连续区域。再例如,一段长度为200米的巷道,根据巷道的土质情况进行分区:0-150米的一段巷道,其土质为坚硬岩石,则标记为一个分区,而剩余的50米的另一段巷道,其土质较为松软,则标记为另一个分区。在一些实施例中,不同的巷道进行分区时,每一个分区可以带有标识,用于区分不同的分区。例如A区、B区、C区等。所述分区信息可以存储在存储设备130中,以作为历史分区信息。
目标区域可以是指对巷道进行区域划分后需要进行监测的区域。目标矿井内可以包括一个或多个目标区域。例如,目标区域可以是上述A区、B区、C区等区域。
在一些实施例中,处理设备可以基于巷道信息,确定各巷道的巷道特征向量。例如,基于巷道的长度、土质的软硬、温度、湿度等信息构建巷道特征向量。示例的,巷道特征向量可以标识为(a,b,c,d),其中a,b,c,d可以是巷道的各个元素,如a表示该巷道区域的长度(如100,表示其长度为100米);b表示土质的软硬程度,其可以是一个0到1的值,值越大表示土质越坚硬,如b可以是0.5;c表示巷道内的空气温度值,如40℃,其可以是统计历史某段时间内(如一年、半年)的空气温度均值;d表示巷道内的空气湿度值,如43.2%RH,其可以是统计历史某段时间内(如一年、半年)的空气湿度均值。在一些实施例中,分区模块可以根据不同巷道区域的巷道特征向量进行聚类,例如,可以基于包括K-Means聚类算法(K均值算法)、基于密度的聚类算法(DBSCAN算法)等算法对各巷道的巷道特征向量进行聚类,确定多个聚类中心,每一个聚类中心对应的巷道可分为一簇类。在一些实施例中,可以将簇类对应的巷道确定为一个目标区域。例如,将土质坚硬紧实的巷道和土质疏松的巷道分别分类为A类和B类,相应的巷道可以标记为目标区域A以及目标区域B。在一些实施例中,还可以通过各簇类内巷道的距离对该簇类进行进一步分类,从而确定出目标矿井的目标区域。处理设备可以将各簇类内的距离小于预设阈值的巷道确定为一个目标区域。例如,某一簇类内包含有巷道a、巷道b、巷道c以及巷道d,其中,巷道a和巷道b的距离小于预设阈值,巷道c和巷道d的距离小于预设阈值,可以将巷道a和巷道b确定为目标区域A1,将巷道c和巷道d确定为目标区域A2,可以理解的是,目标区域A1与目标区域A2内的巷道是相似的巷道。
步骤330,针对每一目标区域,获取目标区域在第一时间段内的监测信息。
第一时间段可以是指截止当前时刻的某一历史时间段。例如过去一天、一周、一个月等。
监测信息可以是指目标区域在第一时间段的形变信息。在一些实施例中,监测信息可以通过至少一个预设位置点的距离变化信息来表征。其中,距离变化信息可以是目标区域内预设位置点在各个时间点的具体的距离值,还可以是目标区域内预设位置点在各个时间点的距离的变化值,预设位置点可以包括观测点,还可以包括基准点,关于基准点与观测点的具体说明,参见图4及其相关描述。监测信息可以通过设置在目标区域的测距传感装置测量获取。关于获取监测信息的更多细节参见图4及其相关描述,此处不再赘述。
步骤340,基于监测信息,确定目标区域的各巷道在所述第一时间段内的第一形变信息。
第一形变信息可以是指第一时间段内与巷道形变相关的信息。第一形变信息可以包括巷道在第一时间段内的位移、沉降、倾斜、裂缝、挠度、摆动和振动等信息。需要说明的是,一段巷道可以同时发生不止一种形变。在一些实施例中,处理设备可以根据预设规则,基于监测信息确定第一形变信息。例如,预设规则可以为:当预设比例的基准点与观测点的距离变化值大于沉降阈值时,确定对应的观测点所处的巷道区域发生沉降现象,其中,沉降阈值可以通过人工设置,或基于预设对照表确定。
在一些实施例中,第一形变信息还可以包括目标区域的形变类型。形变类型可以包括位移、沉降、倾斜、裂缝、挠度、摆动和振动等。在一些实施例中,第一形变信息还可以包括目标区域所发生的形变的形变等级。形变等级可以表征形变的严重程度。例如,对于沉降类型的形变,可以设置1级、2级、3级,其中,1级为轻微沉降,对应沉降深度为0~3厘米;2级为中等沉降,对应沉降深度为3~10厘米;3级为严重沉降,对应沉降深度大于10厘米。
在一些实施例中,处理设备可以进行建模或采用各种数据分析算法,例如回归分析法、判别分析法等,对目标区域各观测点的第一时间段内的监测信息进行分析处理,得到目标区域的各巷道在第一时间段内的第一形变信息。
在一些实施例中,可以基于形变确定模型对所述监测信息进行处理,确定所述第一形变信息。
形变确定模型可以是指用来确定第一形变信息的模型。形变确定模型可以是训练后的机器学习模型。形变确定模型可以是深度神经网络网络模型。
在一些实施例中,可以将监测信息输入形变确定模型,形变确定模型的输出为第一形变信息。在一些实施例中,形变确定模型输出的第一形变信息可以是形变矩阵,矩阵中的行为目标区域内的不同观测点,列为对应观测点发生的形变类型,元素的值为对应观测点出现相应形变类型的概率。示例性的,将观测点p1、p2、p3的监测信息输入形变确定模型,输出的形变矩阵可以为:
其中,该矩阵的第一行的元素0.1、0.8、0分别表示p1观测点出现沉降的概率为0.1,出现倾斜的概率为0.8,出现裂缝的概率为0;第二行的元素0.7、0、0分别表示观测点p2出现沉降的概率为0.7,出现倾斜的概率为0,出现裂缝的概率为0;第三行的元素0.3,0,0.6分别表示观测点p3出现沉降的概率为0.3,出现倾斜的概率为0,出现裂缝的概率为0.6,将上述概率大于0对应的各个形变类型作为输出为第一形变类型。
在一些实施例中,处理设备可以基于形变确定模型输出形变信息确定形变等级。例如,上述的形变确定模型输出的形变矩阵中,观测点p2的形变类型为沉降,进一步的,处理设备可以获取观测点p2的监测信息中距离变化信息,以确定其沉降深度,如距离变化为4cm,则确定观测点p2的形变等级为3级,即严重沉降。
在一些实施例中,形变确定模型可以通过训练获得。训练样本可以是第一样本时间段内样本区域的历史监测信息,标签可以是该样本区域在第一样本时间段的形变信息,其中,标签可以通过人工对历史监测信息进行标注获取。在一些实施例中,可以基于上述训练样本及标签,通过各种方法进行对形变确定模型进行训练,并更新形变确定模型的参数。例如,可以基于梯度下降法进行训练。在一些实施例中,当训练的形变确定模型满足预设条件时,训练结束。其中,预设条件可以是损失函数结果收敛或小于预设阈值等。
通过本说明书一些实施例所述的矿井巷道形变监测与预警方法,可以实现复杂结构矿井巷道的形变监测;另外,通过形变确定模型确定第一形变信息,可以实现第一形变信息的智能获取,减少人工判断带来的不必要成本。
在一些实施例中,矿井巷道形变监测与预警方法还可以包括确定目标区域在未来的第二时间段内的第二形变信息。当矿井巷道形变监测与预警方法还包括确定目标区域在未来的第二时间段内的第二形变信息时,流程300还可以包括以下步骤:
步骤350,基于目标区域在第一时间段内的监测信息,确定目标区域在未来的第二时间段内的第二形变信息。
第二时间段可以是指当前时刻后的某一未来时间段。例如,未来一天、一周、一个月等。
第二形变信息可以是指第二时间段内的与巷道形变相关的信息。第二形变信息可以包括巷道在第二时间段内的位移、沉降、倾斜、裂缝、挠度、摆动和振动等信息。在一些实施例中,处理设备可以根据预设规则,基于第一时间段内的监测信息确定第二形变信息。其中,预设规则可以为预设比例的基准点与观测点的距离变化值大于沉降阈值时,可以确定对应的观测点所属的巷道区域发生沉降现象。
在一些实施例中,处理设备可以进行建模或采用各种数据分析算法,例如回归分析法、判别分析法等,对目标区域各观测点的第一时间段内的监测信息进行分析处理,得到目标区域的各巷道在第二时间段内的第二形变信息。
在另一些实施例中,处理设备可以基于形变预测模型对监测信息进行处理,确定第二形变信息。关于上述实施例的更多内容参见图5及其相关描述。
在一些实施例中,矿井巷道形变监测与预警方法还可以包括步骤360,当第一形变信息和/或第二形变信息满足预设条件时,基于第一形变信息和/或第二形变信息确定目标区域内的目标形变区域,控制检测装置对目标形变区域进行巡检。
预设条件可以是指预设比例基准点与巷道分区内至少一个观测点的距离变化信息是否超过预设距离变化阈值。当第一形变信息和/或第二形变信息满足预设条件时,表征该时间段的目标区域产生的形变较为严重,需要对目标区域进行进一步地监控。例如,基于第一形变信息,确定垂直距离变化超过预设阈值3厘米时,则确定巷道的所述目标区域内发生较为严重的沉降现象,需要对目标区域进行进一步地监控。在一些实施例中,预设条件还可以包括发生形变的概率大于预设概率阈值,还可以包括形变等级大于形变等级阈值。
在一些实施例中,当目标区域的第一形变信息和/或第二形变信息满足所述预设条件时,可以增加目标区域内的基准点与观测点的数量。例如,当目标区域的第一形变信息中,形变等级大于形变等级阈值时,说明目标区域的形变程度大,此时需要增加观测点的数量,以进一步确认形变的具体程度。
在一些实施例中,当目标区域的所述第一形变信息满足预设条件时,可以基于第一形变信息,确定目标区域需要增加的基准点与观测点的数量。在一些实施例中,处理设备可以基于形变类型的不同,确定目标区域需要增加的基准点与观测点的数量。例如,当目标区域的形变类型为沉降时,根据预设对应关系,确定目标区域内的巷道内每10米需要增加1个基准点以及2个观测点,当目标区域的形变类型为倾斜时,根据预设对应关系,确定目标区域内的巷道内每10米需要增加3个基准点以及2个观测点。
在一些实施例中,当目标区域的第一形变信息满足预设条件时,还可以基于形变等级,确定增加基准点与观测点的数量。例如,当形变等级为1级时,每10米增加的基准点数量可以为1个,观测点的数量为4个;当形变等级为2级时,每10米增加的基准点数量可以为2个,观测点的数量为8个。在一些实施例中,处理设备可以在目标区域内基于预设的距离间隔增加观测点。例如,距离间隔可以为50厘米,80厘米等。
在一些实施例中,当目标区域的第一形变信息满足所述预设条件时,还可以基于目标区域内的观测点的地质特征以及目标区域内各观测点在第二时间段的环境特征,确定目标区域需要基准点与观测点的数量。
地质特征可以包括但不限于观测点的岩石的类型、土质的松软或坚硬程度、离地表的深度等。可以理解的是,对于不同的地质条件,对巷道的形变发生的概率有关联。例如,对于坚硬岩石的巷道区域,其相对土质松软的巷道区域,相对而言更不容易发生形变;再例如,深部开采相较于浅部开采的巷道,更容易产生形变隐患。
目标区域的第二时间段的环境特征可以包括但不限于目标区域在第二时间段内的巷道内的温度、空气湿度等。可以理解的是,对于不同的地质条件,对巷道的形变发生的概率有关联。例如,对于潮湿的巷道区域,相对于干燥的巷道区域,更容易产生形变隐患。环境特征的确定可以参见图5及其相关描述。
在一些实施例中,可以基于目标区域内的观测点的地质特征以及目标区域内在第二时间段的环境特征,根据预设关系,确定目标区域需要基准点与观测点的数量。例如,对于满足预设条件的目标区域,可以基于其属于松软泥土的地质特征,可以在目标区域内的巷道内每10米预设增加2个基准点和10个观测点;基于其属于坚硬岩石的地质特征,可以在目标区域内的巷道内每10米预设增加1个基准点和5个观测点;对于满足预设条件的目标区域,基于相应的巷道内湿度超过60%的环境特征,可以在目标区域内的巷道内每10米增加2个基准点和8个观测点。
在一些实施例中,处理设备还可以控制检测装置对目标形变区域进行巡检。检测装置可以是指对目标形变区域进行形变信息确认和检测的装置。例如,检测装置可以是无人机、智能机器人等。检测装置可以获取存储设备所存储的目标区域的分区信息,确定目标位置和前往路径,通过检测装置的导航系统前往所述目标区域进行巡检,其中,巡检过程可以是检测装置在目标区域内,通过获取图像、地质特征、环境特征、形变信息等信息,确定目标区域可能存在的隐患。在一些实施例中,检测装置可以被安放在基准点、观测点分布集中的区域,或检测装置的巡检路径可以较多地经过上述区域,以实现对可能存在较多隐患的区域的针对性巡检。
可以理解的是,矿井巷道形变监测与预警方法中上述步骤350、步骤360可以是非必要的;另外,步骤350、步骤360的步骤序号仅为方便说明,并不意味着对步骤顺序的限定。例如,可以将步骤350、步骤360的步骤顺序进行调换或步骤350、步骤360同时进行。
通过本说明书的一些实施例的矿井巷道形变监测与预警方法,可以实现基于形变情况对目标区域的基准点和观测点数量进行动态调整,实现隐患区域重点监控,非危险区域减少不必要监控的监控方法。另外,在矿井巷道监测初期,在不违背安全性的情况下,可以避免大量监测设备的部署所带来的高昂的设备成本和过多的人力资源消耗。
图4是根据本说明书一些实施例所示的矿井巷道形变监测信息确定方法的示例性流程图。在一些实施例中,流程400可以由处理设备110执行。如图4所示,流程400包括下述步骤:
步骤410,基于目标区域内的各巷道的巷道信息,确定目标区域内的基准点以及观测点。
基准点可以是指矿井巷道形变监测与预警系统的基本控制点。例如,基准点可以是埋设在稳固基岩上或巷道壁以外的位置点。处理设备可以根据不同的巷道特征,设置一个或多个基准点。例如,基于预设的距离间隔5米、10米等,设置多个基准点。
观测点可以是指埋设在矿井巷道壁上的能反映巷道发生变形特征的测量点,处理设备可以根据监测所述观测点的变化来判断矿井巷道的形变信息,如沉陷、位移等。例如,处理设备可以基于预设的距离间隔,在各目标区域的巷道壁上设置一个或多个观测点。示例性的,处理设备可以每间隔1米,设置一个观测点。进一步地,处理设备可以在相应目标区域内的基准点上直接监测观测点的变化。例如,可以在多个基准点的位置,分别布置测距传感装置,例如电磁波测距仪、激光测距仪等。通过所述测距传感装置,监测多个观测点在多个时间点的距离变化,确定巷道的第一形变信息。
在一些实施例中,对于不同矿井巷道的目标区域,处理设备可以根据巷道信息(如地质特征、环境特征等),设置不同数量的基准点和观测点。在一些实施例中,处理设备可以对巷道特征向量进行聚类,确定目标区域的聚类中心,关于确定目标区域的聚类中心的具体说明,参见图3及其相关描述。
在一些实施例中,处理设备可以基于聚类中心,确定目标区域的基准点数量以及观测点数量。在一些实施例中,聚类中心和对应的目标区域的基准点数量、观测点数量之间可以存在预设的对应关系,其中,预设的对应关系可以通过人工设置确定。例如,聚类中心对应的巷道特征向量表征温度为10~12℃,湿度为30~40%RH,岩石为硬度较高时,可以在对应的目标区域内的巷道内每10米设置2个观测点与2个基准点。
在一些实施例中,处理设备可以基于目标区域内各个巷道对应的巷道信息、基准点数量以及观测点数量,确定该目标区域内设置基准点以及观测点的位置。例如,基于巷道的结构,将基准点与观测点分布在巷道的结构中容易产生形变的位置(如各个巷道的交叉点、拐点等)。
步骤420,获取基准点的第一位置信息以及观测点的第二位置信息,其中,第一位置信息包括基准点在第一时间段内的多个时间点的位置信息,第二位置信息包括观测点在第一时间段内的多个时间点的位置信息。
第一位置信息可以包括基准点在第一时间段内的多个时间点对应的位置信息。第一位置信息可以表征为基准点在第一时间段内的位置信息的序列。应当理解的是,基准点之间的相对位置可以反映目标矿井在一段时间内的结构,基准点的位置变化可以反映目标矿井结构的变化。基准点在设定之后,可以其对应的第一位置信息可以固定不变。在一些实施例中,第一位置信息可以通过矿井巷道设计时人工预设确定。
第二位置信息可以包括观测点在第一时间段内的多个时间点的位置信息。第二位置信息可以包括测距传感装置在多个时间点获取的每一个观测点的位置信息。第二位置信息可以表征为观测点在第一时间段内的位置信息的序列。其中,每一个观测点的位置信息可以是以某一点为原点(如以测距传感装置为原点),观测点与基准点的位置坐标。例如,(10,25)等。
步骤430,基于第一位置信息以及第二位置信息,确定目标区域的监测信息。
在一些实施例中,处理设备可以基于第一位置信息以及所述第二位置信息,确定基准点与观测点的距离变化信息。其中,距离变化信息包括基准点以及观测点之间的距离在第一时间段内多个子时间点的变化信息。
距离变化信息可以是指某个时间点基准点与观测点的距离与下一个相邻时间点的基准点与观测点的距离的差值,其中,差值有正负,表示不同的变化方向。例如,对于巷道顶层区域的监测,在9:00时,某个基准点与某个观测点之间的距离为4米,下一个时间点9:10时,监测到的距离依然为4米,则距离变化为0。再下一个时间点9:20,监测到的距离为4.05米,则距离变化为-0.05米,可以表示观测点下沉了0.05米。
在一些实施例中,处理设备可以基于距离变化信息,确定监测信息。距离变化信息可以表示为n*m的矩阵序列,n为基准点的数量,m为观测点的数量。例如,设置在巷道A区的两个基准点a1和a2以及三个观测点p1、p2和p3,基于第一时间段内4个预设时间点t1、t2、t3、t4,如果所述矩阵序列为 表示第一时间段内观测点p1、p2、p3的距离变化都为0,则表示A区域并未发生形变。而如果所述矩阵为/> 则表示观测点p1和p3在基准点a1和a2的监测下未发生形变,观测点p2在第3个时间点t3发生了距离变化,其变化量为0.01米,表示观测点p2发生了形变。在一些实施例中,可以预设变化阈值作为预设条件,以确定目标区域发生形变的类型(如平移、沉降、倾斜、裂缝等),或者形变的等级(如1级、2级、3级)。
在一些实施例中,处理设备还可以将距离变化信息的均值作为监测信息。例如,目标区域内的基准点a1与观测点p1在第一时间段内的3个时间点的距离变化分别为:-0.01米、-0.02米、0米,则可以确定,第一时间段内所述观测点p1的平均距离变化信息为-0.01米。
通过本说明书一些实施例所述的矿井巷道形变监测信息确定方法,可以将各个基准点与观测点的位置信息作为确定依据,能够得到更符合实际形变情况的监测信息。
应当注意的是,上述有关监测信息的确定流程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上述流程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。
图5是根据本说明书一些实施例所示的形变预测模型的模型结构的示例性示意图。
在一些实施例中,形变预测模型可以对目标区域在第一时间段内的监测信息进行处理,确定目标区域在第二时间段内的第二形变信息。
形变预测模型570可以是指用来确定第二形变信息的模型。形变预测模型可以是训练后的机器学习模型。形变预测模型可以是长短期记忆神经网络(Long-Short TermMemory,LSTM)模型。
形变预测模型的输入可以包括监测信息540,输出可以包括第二形变信息580。
在一些实施例中,形变预测模型可以通过多个有标签的训练样本训练得到。例如,可以将多个带有标签的训练样本输入初始形变预测模型,通过标签和初始形变预测模型的结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始形变预测模型的参数。当满足预设条件时模型训练完成,得到训练好的形变预测模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。在一些实施例中,训练样本至少可以包括历史监测信息。标签可以是历史第二形变信息。标签可以基于人工标注获取。
如图5所示,形变预测模型的输入还可以包括目标区域内各观测点的地质特征560以及各观测点在第二时间段内的环境特征550。
第二时间段内的环境特征可以通过基于环境数据的大数据分析、人工经验设置、回归分析、人工智能预测等多种方式获得。在一些实施例中,处理设备可以将第二时间段段内的天气信息510和第二位置信息520输入环境特征预测模型530,通过环境特征预测模型确定环境特征。其中,第二时间段内的天气信息可以通过网络获取。
环境特征预测模型可以是指用于确定观测点在第二时间段内的环境特征的模型。环境特征预测模型可以是训练后的机器学习模型。环境特征预测模型可以是深度学习网络模型。在一些实施例中,环境特征预测模型可以包括其他模型。例如,循环神经网络模型、卷积神经网络模型或其他自定义的模型结构等中的任意一种或组合。
在一些实施例中,形变预测模型和环境特征预测模型可以通过联合训练得到。训练样本可以包括样本区域在第二样本时间段的监测信息、目标区域的观测点在第二样本时间段的位置信息、目标区域的观测点的地质特征、样本区域在以及第三样本段内的天气信息,其中,第三样本时间段晚于第二样本时间段。训练样本的标签可以为样本区域在第三样本时间段内的样本形变信息,其中,标签可以通过获取第三样本时间段的目标区域的监测信息并对其进行人工标注后获取确定。处理设备可以将训练样本中的目标区域的观测点在第二样本时间段的位置信息以及第三样本段内的天气信息输入初始环境特征预测模型,将初始环境特征预测模型的输出、训练样本中的第二样本时间段的监测信息以及目标区域的观测点的地质特征输入初始形变预测模型,基于初始形变预测模型的输出与标签构建损失函数,并基于损失函数同时迭代更新初始形变预测模型和初始环境特征预测模型的参数,直到预设条件被满足训练完成,得到训练好的形变预测模型和环境特征预测模型。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
通过本说明书一些实施例所述的形变确定模型,可以实时准确地确定矿井巷道各区域的形变信息,提高预警的及时性;通过环境特征预测模型预测不同巷道位置的环境特征以考虑外部天气对巷道的影响,通过形变预测模型可以实现预测未来某段时间内矿井巷道各区域的形变信息,可以基于预测结果提前做好防护措施,同时,加入地质特征和环境特征进行预测,可以进一步提高预测结果的精确准确性。另外,通过模型的联合训练方式,可以减少训练样本,简化训练过程,提高训练效率。
本说明书一些实施例还提供一种矿井巷道形变监测与预警装置,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上述矿井巷道形变监测与预警方法。
本说明书一些实施例还提供一种计算机可读存储介质,该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,计算机运行上述矿井巷道形变监测与预警方法。
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 (8)
1.一种矿井巷道形变监测与预警方法,其特征在于,所述方法包括:
获取目标矿井内的各巷道的巷道信息;
基于所述巷道信息对所述目标矿井进行分区,获得至少一个目标区域;
针对每一所述目标区域,获取所述目标区域在第一时间段内的监测信息;
基于所述监测信息,确定所述目标区域的各巷道在所述第一时间段内的第一形变信息,其中包括:基于形变确定模型对所述监测信息进行处理,确定所述第一形变信息,所述形变确定模型为机器学习模型;
基于所述目标区域在所述第一时间段内的所述监测信息,确定所述目标区域在未来的第二时间段内的第二形变信息,其中包括:基于形变预测模型对所述监测信息、所述目标区域内每个观测点的地质特征以及所述每个观测点在所述第二时间段内的环境特征进行处理,确定所述第二形变信息,所述形变预测模型为机器学习模型。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标区域在第一时间段内的监测信息包括:
基于所述目标区域内的各巷道的所述巷道信息,确定所述目标区域内的基准点以及观测点;
获取所述基准点的第一位置信息以及所述观测点的第二位置信息,其中,所述第一位置信息包括所述基准点在所述第一时间段内的多个时间点的位置信息,所述第二位置信息包括所述观测点在所述第一时间段内的多个时间点的位置信息;
基于所述第一位置信息以及所述第二位置信息,确定所述目标区域的监测信息。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述第一形变信息和/或第二形变信息满足预设条件时,基于所述第一形变信息和/或所述第二形变信息确定所述目标区域内的目标形变区域;
控制检测装置对所述目标形变区域进行巡检。
4.一种矿井巷道形变监测与预警系统,其特征在于,所述系统包括:
第一获取模块,用于获取目标矿井内的各巷道的巷道信息;
分区模块,用于基于所述巷道信息对所述目标矿井进行分区,获得至少一个目标区域;
第二获取模块,用于针对每一所述目标区域,获取所述目标区域在第一时间段内的监测信息;
第一确定模块,用于基于所述监测信息,确定所述目标区域的各巷道在所述第一时间段内的第一形变信息,其中包括:基于形变确定模型对所述监测信息进行处理,确定所述第一形变信息,所述形变确定模型为机器学习模型;
第二确定模块,用于基于所述目标区域在所述第一时间段内的所述监测信息,确定所述目标区域在未来的第二时间段内的第二形变信息,其中包括:基于形变预测模型对所述监测信息、所述目标区域内每个观测点的地质特征以及所述每个观测点在所述第二时间段内的环境特征进行处理,确定所述第二形变信息,所述形变预测模型为机器学习模型。
5.根据权利要求4所述的系统,其特征在于,所述第二获取模块进一步用于:
基于所述目标区域内的各巷道的所述巷道信息,确定所述目标区域内的基准点以及观测点;
获取所述基准点的第一位置信息以及所述观测点的第二位置信息,其中,所述第一位置信息包括所述基准点在所述第一时间段内的多个时间点的位置信息,所述第二位置信息包括所述观测点在所述第一时间段内的多个时间点的位置信息;
基于所述第一位置信息以及所述第二位置信息,确定所述目标区域的监测信息。
6.根据权利要求4所述的系统,其特征在于,所述系统还包括判断模块,所述判断模块用于:
当所述第一形变信息和/或第二形变信息满足预设条件时,基于所述第一形变信息和/或所述第二形变信息确定所述目标区域内的目标形变区域;
控制检测装置对所述目标形变区域进行巡检。
7.一种矿井巷道形变监测与预警装置,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1~3所述的方法。
8.一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1~3所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800339.4A CN115200540B (zh) | 2022-07-08 | 2022-07-08 | 一种矿井巷道形变监测与预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800339.4A CN115200540B (zh) | 2022-07-08 | 2022-07-08 | 一种矿井巷道形变监测与预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115200540A CN115200540A (zh) | 2022-10-18 |
CN115200540B true CN115200540B (zh) | 2023-07-28 |
Family
ID=83580589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210800339.4A Active CN115200540B (zh) | 2022-07-08 | 2022-07-08 | 一种矿井巷道形变监测与预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115200540B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792949B (zh) * | 2023-02-10 | 2023-04-25 | 深圳酷源数联科技有限公司 | 一种适用于矿井巷道的形变监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7997130B1 (en) * | 2009-03-27 | 2011-08-16 | The Boeing Company | System and method for measuring deformation of an object in a fluid tunnel |
JP2019214930A (ja) * | 2018-06-11 | 2019-12-19 | 國立台北科技大學 | 変位量を通じてトンネルの裏張りの応力変化を求める解析方法、及びその装置とシステム |
WO2020000740A1 (zh) * | 2018-06-29 | 2020-01-02 | 深圳市市政设计研究院有限公司 | 一种隧道变形监测系统 |
CN110688690A (zh) * | 2019-08-02 | 2020-01-14 | 天地科技股份有限公司 | 巷道支护参数确定方法及装置 |
GB202102180D0 (en) * | 2020-02-18 | 2021-03-31 | Mtr Corporation Ltd | Tracking workers or trains in a railway tunnel |
CN114444158A (zh) * | 2020-11-04 | 2022-05-06 | 北京瓦特曼科技有限公司 | 一种基于三维重建的地下巷道形变预警方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992197B (zh) * | 2019-10-29 | 2023-03-24 | 天地科技股份有限公司 | 煤矿巷道不规则收敛变形的预警方法及系统 |
CN111811420B (zh) * | 2020-07-16 | 2021-10-29 | 山东大学 | 隧道三维轮廓整体绝对变形监测方法及系统 |
CN112282847B (zh) * | 2020-09-17 | 2023-03-31 | 中煤(天津)地下工程智能研究院有限公司 | 一种煤矿井下巷道形变监测方法 |
CN112565690B (zh) * | 2020-11-27 | 2022-09-30 | 杭州鲁尔物联科技有限公司 | 一种隧道收敛监测方法及装置 |
CN112629431B (zh) * | 2020-12-14 | 2022-07-19 | 深圳大学 | 土木结构变形监测方法及相关设备 |
CN113012222A (zh) * | 2021-02-26 | 2021-06-22 | 中南大学 | 一种隧道洞口的变形监测系统 |
CN113487583A (zh) * | 2021-07-19 | 2021-10-08 | 安徽理工大学 | 一种基于3d点云切片的井下巷道表面变形检测系统 |
-
2022
- 2022-07-08 CN CN202210800339.4A patent/CN115200540B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7997130B1 (en) * | 2009-03-27 | 2011-08-16 | The Boeing Company | System and method for measuring deformation of an object in a fluid tunnel |
JP2019214930A (ja) * | 2018-06-11 | 2019-12-19 | 國立台北科技大學 | 変位量を通じてトンネルの裏張りの応力変化を求める解析方法、及びその装置とシステム |
WO2020000740A1 (zh) * | 2018-06-29 | 2020-01-02 | 深圳市市政设计研究院有限公司 | 一种隧道变形监测系统 |
CN110688690A (zh) * | 2019-08-02 | 2020-01-14 | 天地科技股份有限公司 | 巷道支护参数确定方法及装置 |
GB202102180D0 (en) * | 2020-02-18 | 2021-03-31 | Mtr Corporation Ltd | Tracking workers or trains in a railway tunnel |
CN114444158A (zh) * | 2020-11-04 | 2022-05-06 | 北京瓦特曼科技有限公司 | 一种基于三维重建的地下巷道形变预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115200540A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Machine learning-based classification of rock discontinuity trace: SMOTE oversampling integrated with GBT ensemble learning | |
CN103091675A (zh) | 一种基于InSAR技术的矿区开采监测方法 | |
CN110119994B (zh) | 一种gis支持下的金属矿爆堆位移提取及预测方法 | |
Singh et al. | A review of laser scanning for geological and geotechnical applications in underground mining | |
CA2873816C (en) | Systems and methods for processing geophysical data | |
Kalenjuk et al. | Processing of mobile laser scanning data for large‐scale deformation monitoring of anchored retaining structures along highways | |
CN115200540B (zh) | 一种矿井巷道形变监测与预警方法及系统 | |
CN104636980A (zh) | 针对河道砂油藏类型油气汇集条件的地球物理表征方法 | |
CN102253423B (zh) | 基于多源水文地质勘测信息的适宜供水位置智能识别方法 | |
CN115115180A (zh) | 一种基于多参量分析的矿区地表塌陷风险识别与预测方法 | |
CN111539100B (zh) | 井场虚拟建设模型的生成方法、装置、设备及存储介质 | |
CN116452765A (zh) | 一种露天矿地质建模系统 | |
CN116045902A (zh) | 一种用于煤矿开采区域地表的变形监测系统 | |
Shi et al. | Data-driven sequential development of geological cross-sections along tunnel trajectory | |
Bouayad et al. | Assessment of ground surface displacements induced by an earth pressure balance shield tunneling using partial least squares regression | |
Stanislawski et al. | Automated road breaching to enhance extraction of natural drainage networks from elevation models through deep learning | |
CN117433440A (zh) | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 | |
CN115185015A (zh) | 一种深部锂铍矿勘查方法 | |
Wu et al. | Detection of Spatiotemporal Changes of Surface Mining Area in Changting County Southeast China | |
Cao et al. | Extracting Background Secondary Craters Based on Fusion of Multiscale and Multifacies Crater Topography Information | |
Salem | Automated productivity models for earthmoving operations | |
Zêzere et al. | Effects of landslide inventories uncertainty on landslide susceptibility modelling | |
CN113761699A (zh) | 裂缝模型构建方法、装置、电子设备及介质 | |
Said et al. | A review of geospatial technology-based applications in mineral exploration | |
Battulwar | Automatic Extraction of Joint Characteristics from Rock Mass Surface Point Cloud Using Deep Learning |
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 |