CN116912300A - 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法 - Google Patents
基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法 Download PDFInfo
- Publication number
- CN116912300A CN116912300A CN202311094912.5A CN202311094912A CN116912300A CN 116912300 A CN116912300 A CN 116912300A CN 202311094912 A CN202311094912 A CN 202311094912A CN 116912300 A CN116912300 A CN 116912300A
- Authority
- CN
- China
- Prior art keywords
- blast hole
- lithology
- rock
- hole
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 133
- 238000005422 blasting Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005553 drilling Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 239000007787 solid Substances 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 19
- 239000002360 explosive Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 230000002093 peripheral effect Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 239000002893 slag Substances 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005474 detonation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000004880 explosion Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 7
- 238000009412 basement excavation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,具体步骤包括:S1:对隧道掌子面进行三维激光扫描,获得点云数据,并根据处理后的点云数据实体建模;S2:根据实体建模对掌子面节理进行识别,结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析,获得破碎区的数值模拟结果;S3:根据破碎区的数值模拟结果,进行隧道的炮孔参数设计及炮孔布置设计并钻孔,得到待爆破的炮孔,记录炮孔数据;S4:将炮孔数据储存至岩性参数数据库,对待爆破的炮孔进行岩体三维实体建模;S5:对待爆破炮孔进行装药量计算,对隧道爆破。本发明通过在爆破方法中结合表面裂隙和岩体内部的岩性,针对掌子面信息提供专项爆破方案。
Description
技术领域
本发明属于岩土工程技术领域,尤其涉及一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法。
背景技术
随着工程行业信息化和现代化要求的不断提高,隧道爆破施工需要与时俱进的提出新的设备及施工方法,以实现隧道精细化爆破施工,提高爆破效果。隧道工程大多在山区岩层进行,岩石作为一种天然形成的岩体其内部结构较为复杂,存在大量的节理裂隙等软弱结构面,针对这些软弱结构面进行隧道爆破施工是提高隧道爆破质量的关键。
钻爆法仍然广泛应用在隧道工程施工中,但在实际施工过程中,钻爆法在施工的过程中往往不会考虑岩体其内部结构,忽略表面裂隙和岩体内部的岩性的影响,仅是根据工程经验进行调整,这就导致在岩体的岩性发生变化或岩体存在节理裂隙的情况下,爆破效果较差,尤其是在地质条件多变的地区,经验性的钻爆方法已经无法满足现代精细化爆破施工的要求。
为此,针对上述的技术问题,需要提供一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法。
发明内容
本发明的目的是提供一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,以解决现有技术中的爆破方法在施工工程中忽略岩体内部的岩性和表面裂隙的影响,在岩体的岩性发生变化或岩体存在节理裂隙的情况下,爆破效果较差的技术问题。
本发明提供了一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,该方法按照如下步骤进行:
S1:使用三维激光扫描仪对隧道掌子面进行三维激光扫描,获得点云数据,对点云数据处理,并根据处理后的点云数据进行实体建模;
在步骤S1中,三维激光扫描仪需要放置在距离掌子面3m~5m处,测点位置处于掌子面中间位置,并且对于点云数据的处理主要包括点云配准、点云降噪及点云精简;
S1.1点云配准根据同一断面的测点数量来判断是否需要点云配准,若仅有一个测点则可跳过配准环节;点云配准是将两个测点的点云数据合成为一个,以实现被测目标数据完全覆盖,采用ICP算法进行点云配准;
S1.2由于扫描设备、周围环境、人为扰动、目标特性等影响,使得点云数据无法避免的存在一些噪点,导致数据无法正确表达扫描对象的空间位置。因此,需要对点云数据进行降噪,根据隧道点云数据分布均匀且需要保留细节特征的特点,采用拉普拉斯算法进行降噪;算法通过对每个数据点应用拉普拉斯算子,经过多次迭代可将噪声点调整至附近邻域,从而达到去噪的目的。拉普拉斯算子表达式为:
式中:Δ为拉普拉斯算子;为梯度记号;
S1.3采用基于k-means聚类算法的数据精简方法,通过点云数据进行聚类拟合判断几何信息进行不同类型的精简模式,其目的就是在保证精度的条件下减少点云数据的数据层,提取有效信息,以提高数据操作的运算速度、建模效率以及模型精度;k-means聚类算法通过随机选取k个中心点μ1,μ2,···,μk,通过迭代计算,将每个数据点p分配到距离其最近的中心点μi并重新计算该类的中心点坐标,直到损失函数取得最小值;然后将聚类结果划分为有限个邻域区间,并对每个邻域区间进行拟合,并将拟合结果分为平坦区和变化区,计算平坦区的面密度和变化区的体密度,并分别与阈值进行比较;在平坦区进行点云均匀删减,直到面密度小于阈值;在变化区则进行保留曲率特征的点云删减策略,直到体密度小于阈值;其中,面密度与体密度公式如下:
式中:ρs为面密度;ρv为体密度;N为邻域近点数;S为邻域面积;V为邻域体积。
S2:根据实体建模对掌子面节理进行识别,根据识别结果,并结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析,进而基于表面裂隙获得破碎区的数值模拟结果;
在步骤S2中,对掌子面的节理进行识别包括两个步骤:
S2.1掌子面提取:
Unet神经网络模型为Encoder-Decoder结构,Encoder由卷积操作和下采样操作组成,Decoder由卷积操作、上采样和残差连接组成;
S2.2对掌子面节理进行识别:
DeepCrack网络结构由全卷积网络和域分离网络组成,其中,FCN以VGG-16模型的前13层为基础,通过在卷积层和激活函数ReLU之间加入BN层提高模型泛化能力,通过聚合多尺度和多层次的特征形成特征预测结果。
S3:根据破碎区的数值模拟结果,进行隧道的炮孔参数设计及炮孔布置设计,并根据炮孔参数设计和炮孔布置设计的结果进行钻孔,得到待爆破的炮孔,并记录炮孔数据;
在步骤S3中,
S3.2炮孔参数设计包括炮孔直径、炮孔深度、炮孔数目,具体为:
S3.1.1炮孔直径根据钻孔设备进行选取,使用三臂凿岩台车钻孔时,选取直径为40mm~45mm的钻头,炮孔直径为48mm~55mm,药卷直径为32mm,使用气腿式风动凿岩机钻孔时,选取直径为35mm~50mm的钻头,炮孔直径为38mm~52mm。
S3.1.2炮孔深度根据循环进尺来确定各炮孔的深度,计算公式如下:
式中:L0代表循环进尺;L掏代表掏槽孔深度;θ代表掏槽孔与开挖面夹角;L周代表周边孔炮孔深度;α代表周边孔外插角;L辅代表辅助眼炮孔深度;
L底代表底板眼炮孔深度。
S3.1.3炮孔数目根据工程经验总结的经验公式进行计算,公式如下:
式中:f代表岩石坚固系数,f=Rc/10;S代表隧道断面面积;
S3.2炮孔布置设计包括常规布置及节理优化布置,具体为:
S3.2.1常规布置包括排距、孔距,计算公式如下:
a=mW (5)
b=(0.9-0.95)W (6)
式中:a代表孔距;W代表最小抵抗线;b代表排距;E代表周边孔间距;
m代表炮孔密集系数,炮孔密集系数的取值范围为0.8~1;d代表炮孔直径;
S3.2.2节理优化布置是根据数值计算程序得到的结果,分析最优的炮孔布置角度,并对节理附近的炮孔进行优化布置,优化布置原则为仅针对同一圈炮孔的节理两侧的两个炮孔进行优化布置,其余炮孔位置不变;
在步骤S3中,炮孔数据包括:炮孔表、岩层表和岩性表,其中,炮孔表中包括炮孔编号、炮孔名称、炮孔X坐标、炮孔Y坐标、炮孔Z坐标和炮孔采集时间;岩层表包括炮孔编号、炮孔深度、回转速度、回转压差、加压压力1、加压压力2、钻进速度、风压、岩性号;岩性表包括岩性号和岩层名称。
S4:将炮孔数据储存至岩性参数数据库,并根据数据库的岩体内部岩性参数数据对待爆破的炮孔进行岩体三维实体建模,并得到待爆破炮孔的岩性分布图;
在步骤S4中,岩体三维实体模型是根据炮孔数据,使用距离平方反比法对在爆破区域内按一定的长、宽、高划分的长方体实体网格进行插值,进而生成岩体三维实体模型,再使用爆破区域范围多边形和采场台阶三角网先后对岩体三维实体模型进行裁切,得到裁切后的爆破区域岩体三维实体模型。
S5:根据岩性分布图对待爆破炮孔进行装药量计算,根据装药量计算结果对炮孔进行装药,进而对隧道进行爆破。
在步骤S5中,装药量计算包括:
S5.1在隧道掌子面平面图上确定爆破范围,结合炮孔数据,描绘爆破范围多边形内的炮孔孔口位置,得到炮孔孔口位置点集,再对炮孔孔口位置点集和爆破范围多边形按Delaunay准则进行三角面剖分,进而得到三角面集;炮孔影响面积的计算公式如下:
式中:ai为第i个炮孔的影响面积;So为与该炮孔连接的第o个三角形的面积,o∈[1,b],b为与炮孔i相连接三角面的总数;λo为与第o个三角形连接的炮孔个数;
根据与炮孔点连接的三角形计算该炮孔的影响面积,得到炮孔影响面积集;
S5.2基于岩性分层数据和炮孔影响面积,计算炮孔装药量,由于炮孔按岩性分层,所以计算炮孔的装药量时,按岩层分层顺序计算各岩层所需要的炸药量Qik,计算公式如下:
Qik=aiqkLk (9)
式中:Qik为第i个炮孔第k层岩层所需的炸药量,k∈[1,l],l为第i个炮孔的岩层分层总数;ai为第i个炮孔的影响面积;qk为第k层岩层的炸药单耗;Lk为第k层岩层的厚度;
各分层所需炸药量之和即为该炮孔的装药量Qi,计算公式如下:
式中:Qi为第i个炮孔的装药量;Qik为第i个炮孔第k层岩层所需的炸药量。
S6:爆破完成并通风后,采用无人机对爆堆进行录像拍照,进而获取岩渣图像数据;
S7:根据获取的岩渣图像数据,进行三维建模,并进行块度识别,统计岩渣块度频率分布;
在步骤S7中,三维建模是通过将拍摄的视频文件及轨迹文件按照一定的时间间隔进行画面截取及位置截取,再将截取的画面在空间中进行重建,进而得到爆堆的三维模型,再通过使用SAM语义分割模型对爆堆的岩块进行识别分割,通过对每个岩块占用的像素值进行统计得到每个岩块的尺寸,通过统计得到岩块的频率分布图以及大块度岩石的个数及尺寸。
S8:利用三维激光扫描仪对爆破后的掌子面进行扫描,获取爆破后的掌子面爆破后点云数据;
S9:根据爆破后的点云数据进行实体建模,并根据实体建模对进尺量、炮痕率及超欠挖量进行统计,进而得到进尺量、炮痕率及超欠挖量的数据;
在步骤S9中,
炮痕率根据模型轮廓线上留下的炮孔痕迹进行统计,并与周边孔数量进行比较得到,炮痕率的计算公式如下:
式中:ξ表示炮痕率;N炮痕表示可见的炮痕数量;N周表示周边孔数量。
S10:根据得到的岩渣块度频率分布和进尺量、炮痕率及超欠挖量的数据,进行爆破质量评价,并对下一次爆破进行优化。
相较于现有技术,本发明提供了基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法的有益效果如下:
(1)提出一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,该方法对现有技术中的隧道爆破设计方法进行改进,能够结合表面裂隙和岩体内部的岩性,针对掌子面信息提供专项爆破方案。
(2)对点云数据的处理方式是在目标的基础上进行选取,能大大保证点云数据建模后与实际的误差较小,以保证得到的超欠挖值及节理信息的可靠性。
(3)在掌子面节理识别中采用Unet+DeepCrack的顺序能够避免其他因素干扰,保证识别区域的准确性,大大减少识别节理所需的时间,能够保证工序衔接的紧密性。
(4)所提出的岩体内部岩性感知的方法步骤能够通过随钻参数分析内部岩体的各种信息,进而保证隧道爆破效果。
(5)所提出的块度识别的方法步骤通过对三维重建模型中的岩块进行识别代替直接对图像进行识别,该方法可避免由于图像缺少深度信息造成的识别不准确的问题,保证了结果的准确性。
(6)所提出的超欠挖的方法步骤,通过三维激光扫描代替全站仪,通过统计超欠挖体积,能够更准确的描述超欠挖量,得到的超欠挖分布图更加直观,且对精细化爆破设计的研究更加方便。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,相同或对应的标号表示相同或对应的部分,其中:
图1是本发明的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法的步骤流程图;
图2是本发明的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法的步骤流程的示意图;
图3为本发明的良好测区示意图;
图4为本发明的点云数据处理前后对比图;
图5为本发明的点云配准ICP算法流程图;
图6为本发明的点云精简算法流程图;
图7为本发明的掌子面提取Unet算法网络结构图;
图8为本发明的掌子面裂隙识别DeepCrack网络结构图;
图9为本发明的岩体三维实体模型例图;
图10为本发明的块度识别程序例图;
图11为本发明的基于进场动力学的数值计算程序开发流程图;
图12为本发明的数值模拟破碎区最终形态图;
图13为本发明的数值模拟破碎区发展变化图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
需要注意的是,除非另有说明,本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“连接”、“相连”等术语应作广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接连接,也可以是通过中间媒介间接相连。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示,本实施例提供了一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,该方法按照如下步骤进行:
实施例1
传统的爆破施工方法经验性较强,尤其在爆破设计阶段往往是根据上一循环的爆破质量按照以往的施工经验进行调整,缺少精细化的爆破施工方法。据此,本实施例提出了一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,见图1和图2,并进行了现场实施,具体步骤如下:
S1:使用三维激光扫描仪对隧道掌子面进行三维激光扫描,获得点云数据,对点云数据处理,并根据处理后的点云数据进行实体建模;
S2:根据实体建模对掌子面节理进行识别,根据识别结果,并结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析,进而基于表面裂隙获得破碎区的数值模拟结果;
S3:根据破碎区的数值模拟结果,进行隧道的炮孔参数设计及炮孔布置设计,并根据炮孔参数设计和炮孔布置设计的结果进行钻孔,得到待爆破的炮孔,并记录炮孔数据;
S4:将炮孔数据储存至岩性参数数据库,并根据数据库的岩体内部岩性参数数据对待爆破的炮孔进行岩体三维实体建模,并得到待爆破炮孔的岩性分布图;
S5:根据岩性分布图对待爆破炮孔进行装药量计算,根据装药量计算结果对炮孔进行装药,进而对隧道进行爆破;
S6:爆破完成并通风后,采用无人机对爆堆进行录像拍照,进而获取岩渣图像数据;
S7:根据获取的岩渣图像数据,进行三维建模,并进行块度识别,统计岩渣块度频率分布;
S8:利用三维激光扫描仪对爆破后的掌子面进行扫描,获取爆破后的掌子面爆破后点云数据;
S9:根据爆破后的点云数据进行实体建模,并根据实体建模对进尺量、炮痕率及超欠挖量进行统计,进而得到进尺量、炮痕率及超欠挖量的数据;
S10:根据得到的岩渣块度频率分布和进尺量、炮痕率及超欠挖量的数据,进行爆破质量评价,并对下一次爆破进行优化。
进一步的,如图3所示,步骤S1中的三维激光扫描需要保证设备放置在距掌子面3m~5m,距离边墙1m以上的良好测区内,测点位置尽量处于掌子面中间位置,且要保证能够扫描到更多的细节特征,尽量减少由于遮挡造成的数据缺失,如数据缺失严重可考虑布置多个测点。现场选取两个测点,左右对称布置即可得到掌子面的全部信息。
进一步的,步骤S1中对于点云数据的处理主要有点云配准、点云降噪及点云精简三个部分。点云数据处理前后如图4所示。
S1.1点云配准根据同一断面的测点数量来判断是否需要点云配准,若仅有一个测点则可跳过配准环节。点云配准是将两个测点的点云数据合成为一个,以实现被测目标数据完全覆盖,采用ICP算法进行点云配准,如图5所示,点云配准需要对目标点云及原始点云取点集并计算旋转参数和平移参数,通过坐标变换将多个点云进行融合,通过计算配准后的点集的平均长度计算误差,当误差小于阈值1cm时即可认为配准完成,确保配准精度。
S1.2由于扫描设备、周围环境、人为扰动、目标特性等影响,使得点云数据无法避免的存在一些噪点,导致数据无法正确表达扫描对象的空间位置。因此,需要对点云数据进行降噪,根据隧道点云数据分布均匀且需要保留细节特征的特点,采用拉普拉斯算法进行降噪。算法通过对每个数据点应用拉普拉斯算子,经过多次迭代可将噪声点调整至附近邻域,从而达到去噪的目的。拉普拉斯算子表达式为:
式中:Δ为拉普拉斯算子;为梯度记号。
S1.3采用基于k-means聚类算法的数据精简方法,通过点云数据进行聚类拟合判断几何信息进行不同类型的精简模式,其目的就是在保证精度的条件下减少点云数据的数据层,提取有效信息,以提高数据操作的运算速度、建模效率以及模型精度。如图6所示,点云精简流程为:通过随机选取k个中心点μ1,μ2,···,μk,通过不断迭代计算,将每个数据点p分配到距离其最近的中心点μi并重新计算该类的中心点坐标,直到损失函数取得最小值。然后将聚类结果划分为有限个邻域区间,并对每个邻域进行拟合并将拟合结果分为平坦区和变化区,计算平坦去的面密度及变化区的体密度并于阈值进行比较。在平坦区进行点云均匀删减,直到面密度小于阈值3000个/cm2。在变化区则进行保留曲率特征的点云删减策略,直到体密度小于阈值10000个/cm3,以保证模型精度及建模效率。面密度与体密度公式如下:
式中:ρs为面密度,个/cm2;ρv为体密度,个/cm3;N为邻域近点数,个;S为邻域面积,cm2;V为邻域体积,cm3。
进一步的,对步骤S1中的点云建模采用建模软件进行建模,通过采用ContextCapture软件,采取分块建模模式,能大大提高建模速度。
进一步的,步骤S2中对掌子面的节理进行识别分为两个步骤,第一步为掌子面提取,采用Unet神经网络模型;第二步为对掌子面节理进行识别,采用DeepCrack网络结构。
S2.1 Unet神经网络模型如图7所示,为Encoder-Decoder结构,Encoder由卷积操作和下采样操作组成,Decoder由卷积操作、上采样和残差连接组成。
S2.2 DeepCrack网络结构如图8所示,由全卷积网络(FCN)和域分离网络(DSN)组成,其中,FCN以VGG-16模型的前13层为基础,通过在卷积层和激活函数ReLU之间加入BN层提高模型泛化能力,通过聚合多尺度和多层次的特征形成特征预测结果。
识别结果显示在掌子面掏槽孔位置有一条竖向节理,在右侧拱肩处有一条75°的斜向节理,见图8输出结果。
进一步的,步骤S2中的数值计算程序基于键基进场动力学理论,采用fortran语言进行编写,见实施例2。分析炮孔连心线与节理不同夹角下岩石双孔爆破破碎区发展的关系,得到最优角度为60°。
进一步的,步骤S3对隧道爆破开挖进行炮孔设计,包括炮孔参数设计和炮孔布置设计。
根据现场的多循环短进尺方针,上台阶循环进尺取3m,断面面积为102m2,炮孔利用率为0.85,根据现场统计,炸药单耗约在0.9kg/m3左右,炸药的线装药密度取1kg/m,周边孔线装药密度为γ=0.2kg/m
S3.1炮孔参数设计主要针对炮孔直径、炮孔深度、炮孔数目。
S3.1.1炮孔直径根据钻孔设备进行选取。现场使用气腿式风动凿岩机钻孔,钻头直径为40mm,炮孔直径约为42mm,药卷直径为32mm。
S3.1.2炮孔深度根据循环进尺来确定各炮孔的深度,计算公式如下:
式中:L0代表循环进尺,m;L掏代表掏槽孔深度,m;θ代表掏槽孔与开挖面夹角,°;L周代表周边孔炮孔深度,m;α代表周边孔外插角,°,取4°;L辅代表辅助眼炮孔深度,m;L底代表底板眼炮孔深度,m。
算得扩槽眼深度取4m,辅助眼深度取3.5m,周边眼深度取3.5m,底板眼深度取3.6m。
S3.1.3炮孔数目根据工程经验总结的经验公式进行计算,公式如下:
式中:f代表岩石坚固系数,f=Rc/10,MPa;Rc为岩石饱和单轴抗压强度,MPa,S代表隧道断面面积,m2。
算得上台阶开挖面炮孔总数为173个,掏槽眼数量取12个,辅助眼取两排,内圈辅助眼取14个,外圈辅助眼取71个,周边眼取51个,底板眼取25个。
S3.2炮孔布置设计包括常规布置及节理优化布置。
S3.2.1常规布置包括排距、孔距,可按以下公式计算:
a=mW (5)
b=(0.9-0.95)W (6)
式中:a代表孔距,m;W代表最小抵抗线,m;b代表排距,m;E代表周边孔间距,m;m代表炮孔密集系数,取0.8;d代表炮孔直径,m。
算得掏槽眼同对眼口距离3m,眼底距离0.3m,对间距离0.6m,钻眼与自由面夹角60°;辅助眼眼距0.8m,排距0.8m;周边眼眼距0.5m;底板眼眼距0.6m。
S3.2.2节理优化布置是根据数值计算程序得到的结果,分析最优的炮孔布置角度,并对节理附近的炮孔进行优化布置,优化布置原则为仅针对同一圈炮孔的节理两侧的两个炮孔进行优化布置,其余炮孔位置不变。
进一步的,根据炮孔布置图进行钻孔,采集回转速度、钻进速度、加压压力1、加压压力2、回转压力差、风压和钻孔深度数据。
随钻参数记录又包括数据采集、数据分析、数据存储三个步骤:
通过在钻机的关键位置安设功能传感器,采集钻机的实时钻进参数,包括时间、转速、油压、钻头位移、钻孔倾角、钻进速度、钻杆扭矩、声波频谱等,得到钻机的运行情况及钻机参数与钻孔岩性之间的响应,并以电子脉冲信号或电压信号的形式,将采集的各种钻进参数信息传输到数据采集系统。
数据分析通过使用数学方法构建岩性特征与物理力学指标之间的关系,涉及机器学习和大规模数据运算,采用支持向量机方法进行炮孔智能岩性识别,充分考虑岩层岩石划分的模糊性和同种岩性之间物理力学性质数值范围变化较大等问题。在此基础上,利用支持向量机引入样本强化不同参数岩性类别的区分度,使得不同的样本参数值分成不同的样本空间,从而使支持向量机在岩性识别方面的应用具有较好的抗噪能力和分类能力。
在智能钻机的自学习初期,根据钻孔响应识别的原则,把岩性分为泥岩、粉(细)砂岩、砂质泥岩或者泥质砂岩、粗砂岩、炭质泥岩、煤。在钻机穿孔过程中,由于不同岩石类型所对应的参数指标的不同,对回转速度、钻进速度、加压压力1、加压压力2、回转压力差、风压和钻孔深度7个指标进行数据采集。使用python语言编写程序,运用机器学习中的支持向量机的方法对采集到的样本进行训练,利用训练后的SVM模型预测地层。
通过大数据机器学习得到回转速度等7个参数指标与岩石类型之间的关系。将机器学习获得的参数指标与岩石类型之间的关系嵌入到智能钻机岩性识别系统中,完成对智能钻机自动岩性识别训练。智能岩性识别钻机在钻进过程中进行实时的自动岩性判别及相关参数采集,最终从岩性数据中得出岩性分布。
在S4步骤中,炮孔数据存储通过建立炮孔关系数据库,将智能钻机获得的炮孔原始数据进行存储和管理。在MySQL数据库中创建炮孔数据库,炮孔数据库由炮孔表、岩层表和岩性表组成。炮孔表中包括炮孔编号、炮孔名称、炮孔X坐标、炮孔Y坐标、炮孔Z坐标和炮孔采集时间;岩层表包括炮孔编号、炮孔深度、回转速度、回转压差、加压压力1、加压压力2、钻进速度、风压、岩性号;岩性表中包括岩性号和岩层名称。
在S4步骤中,炮孔三维实体模型是根据炮孔数据通过使用距离平方反比法对在爆破区域范围内按一定的长、宽和高划分的长方体实体网格进行插值,生成岩体三维实体模型,如图9所示,再使用爆破区域范围多边形和采场台阶三角网先后对岩体三维实体模型进行裁切,得到裁切后的爆破区域岩体三维实体模型,共分为两步进行:
S4.1根据搜寻范围找到范围内的所有炮孔,获取炮孔的岩性;
S4.2对第一步得到的炮孔,按离图元位置的距离从近到远及屏蔽角的大小确定是否参与插值。
S5炮孔装药量计算过程主要包括以下步骤:
S5.1在隧道掌子面平面图上圈定爆破范围多边形,从炮孔数据库中提取炮孔数据,描绘爆破范围多边形内的炮孔孔口位置,得到炮孔位置点集再对炮孔位置点集喝爆破范围多边形定点按Delaunay准则进行三角面剖分得到三角面集。炮孔影响面积的计算公式如下:
式中:ai为第i个炮孔的影响面积,m2;So为与该炮孔连接的第o个三角形的面积,m2,o∈[1,b],b为与炮孔i相连接三角面的总数,个;λo为与第o个三角形连接的炮孔个数,个。
根据与炮孔点连接的三角形计算该炮孔的影响面积,得到炮孔影响面积集。
S5.2基于岩性分层数据和炮孔影响面积,计算炮孔装药量。由于炮孔按岩性分层,所以计算炮孔的装药量时,按岩层分层顺序计算各岩层所需要的炸药量Qik,计算公式如下:
Qik=aiqkLk (9)
式中:Qik为第i个炮孔第k层岩层所需的炸药量,kg,k∈[1,l],l为第i个炮孔的岩层分层总数,层;ai为第i个炮孔的影响面积,m2;qk为第k层岩层的炸药单耗,kg/m3;Lk为第k层岩层的厚度,m。
各分层所需炸药量之和即为该炮孔的装药量Qi,计算公式如下:
式中:Qi为第i个炮孔的装药量,kg;Qik为第i个炮孔第k层岩层所需的炸药量,kg。
最终算得各个炮孔的装药量,掏槽眼取3kg,内圈辅助眼取2kg,外圈辅助眼取1.8kg,周边眼取0.6kg,底板眼取2.2kg。针对辅助眼52~56、周边眼48~50,内部出现岩性变化,根据计算公式得其装药量分别为辅助眼52~56:
1.5kg、1.5kg、1.6kg、1.7kg、1.7kg,周边眼48~50:0.5,0.5,0.4,0.3。相比传统得装药量计算,能够更有效得保证炸药用量,更具经济效益。
在本实施例的步骤S5中,需要按照得到的炮孔装药量进行装药爆破。
在本实施例的步骤S6中的无人机摄像拍照需要对爆堆进行补光以保证爆堆的图像文件清晰,待图像数据采集完毕后上传拍摄的图像文件及轨迹文件,以进行步骤S7。
在本实施例的步骤S7中三维建模通过将拍摄的视频文件及轨迹文件按照一定的时间间隔进行画面截取及位置截取,在将截取的照片在空间中进行重建得到爆堆的三维模型,通过使用SAM语义分割模型对爆堆的岩块进行识别分割,如图10,通过对每个岩块占用的像素值进行统计即可得到每个岩块的尺寸,通过统计即可得到岩块的频率分布图以及大块度岩石的个数及尺寸。通过分析,岩块直径主要分布在40cm左右,且无大直径得岩块。说明本方法能够使得爆堆直径均匀,便于后期出渣作业。
在本实施例的步骤S8的点云数据获取方式与步骤S1中的获取方式相同,且获取的点云数据可用于下一循环的步骤S1。
在本实施例的步骤S9中实体建模与步骤S2相同,并对模型进行进尺量、炮痕率及超欠挖进行分析:
在本实施例的步骤S9中的爆破进尺量根据模型中前一个掌子面到爆破后的新掌子面之间的各个位置的距离进行确定。测得平均量为3.1m,进尺效果较好。
在本实施例的步骤S9中的炮痕率可根据模型轮廓线上留下的炮孔痕迹进行统计,并与周边孔数量进行比较得到。对于软岩而言,若无法观察到明显的炮痕,则观察轮廓线平整情况。炮痕率的计算公式如下:
式中:ξ表示炮痕率,%;N炮痕表示可见的炮痕数量,个;N周表示周边孔数量,个。
通过本实施例中的现场观测,得到炮痕数量为42个,炮痕率为82.4%,符合中硬岩得要求。
在本实施例的步骤S9中的超欠挖通过对实体模型中绘制隧道开挖轮廓线的进尺面及开挖面,产生一个闭合的模型,即可得到超欠挖的体积量,并分析各个位置的超欠挖量并绘制超欠挖分布示意图,将超欠挖按照颜色深浅进行区分,颜色越深代表超欠挖值越大。通过与上一循环传统的爆破施工方法相比较,使用本方法的爆破施工超欠挖量为11.07163m2,上一循环传统爆破施工方法的超欠挖量为15.0183m2,本实施例中的隧道爆破方法能够比现有技术中更好的控制超欠挖。
在本实施例的步骤S10中的爆破质量评价根据步骤S7得到的岩渣块度频率分布及S9得到的进尺量、炮痕率及超欠挖量,进行爆破质量评级,分为优、良、较差、极差四个等级,对于评级效果较差的指标通过优化其爆破设计参数来实现爆破效果优化。
在根据本实施例的爆破方法实施爆破后,岩块直径主要分布在40cm,且无大直径得岩块,说明本方法能够使得爆堆直径均匀;并且测得平均量为3.1m,与预计的进尺量3m相接近,证明进尺效果较好;且通过现场观测,得到的炮痕数量为42个,炮痕率为82.4%,符合中硬岩的要求;以及通过与上一循环传统的爆破施工方法相比较,使用本方法的爆破施工超欠挖量为11.07163m2,而上一循环传统爆破施工方法的超欠挖量为15.0183m2,本方法能够比传统方法更好的控制超欠挖,因此,本实施例中的效果评级为优,无需优化。
实施例2
本实施例还提出了一种基于近场动力学不同节理角度岩石双孔爆破数值计算程序实施方法,见图11,包括以下步骤:
A1:初始化模型参数,输入材料参数,确定模型尺寸;
以实际的一个应用为例,根据实际情况,确定模型尺寸为200cm×200cm、两炮孔间距为80cm,炮孔直径为40mm,裂隙长度为90cm,角度θ分别设置为15°、30°、45°、60°、75°和90°,弹性模量65GPa,密度2600kg/m3,泊松比μ=0.33,物质点间距Δx=4mm,邻域半径δ=3Δx,拉伸临界伸长率st=0.0008,压缩临界伸长率st=-0.05。
A2:确定物质点的间距及领域半径,离散求解域,生成物质点坐标;
A3:确定物质点邻域内的其他物质点并进行编号;
A4:施加初始条件;
初始条件包括边界条件和爆炸应力波,边界条件仅考虑外力边界条件,外力首先被转化为体积力密度,然后沿着边界以深度施加在真实材料层上,施加在上的外部压力的体积力密度可表示为:
b(x)=-P(x)D-1 (13)
式中:b(x)表示体积力密度,N·m-6;P(x)表示外部压力,N;D表示施加在真实材料层上的深度,m。
采用基于能量密度修正的方法来消除模型的表面效应。
为模拟含裂隙岩石在爆炸荷载作用下的破裂过程,对爆炸破坏的过程进行简化,仅考虑应力波对岩石爆破过程中裂纹扩展的影响。将爆炸应力波施加在炮孔周边来模拟爆炸作用,应力波表达式为
式中:Pb(t)为应力波,MPa;P0为应力波峰值,P0=1000MPa;t0为应力波峰值所对应的时间,μs,α、β为常数,β/α=1.5。
A5:确定时间步长;
采用的时间步长为10-7s,将每100步的结果进行输出;
A6:计算全部物质点的总PD作用力;
A7:判断物质点的伸长率是否超出临界伸长率;
A8:使用显式向前和向后差分公式求出物质点位移和速度;
A9:输出计算结果,绘制损伤云图,统计破碎区面积。
将计算结果进行输出,得到破碎区面积的发展图像见图11,并将破碎区面积随着时间的发展进行输出,绘制破碎区发展图见图12,经过对比发现该类岩石当炮孔连心线角度与节理成60°时破碎区取得最大值。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,该方法按照如下步骤进行:
S1:使用三维激光扫描仪对隧道掌子面进行三维激光扫描,获得点云数据,对点云数据处理,并根据处理后的点云数据进行实体建模;
S2:根据实体建模对掌子面节理进行识别,根据识别结果,并结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析,进而基于表面裂隙获得破碎区的数值模拟结果;
S3:根据破碎区的数值模拟结果,进行隧道的炮孔参数设计及炮孔布置设计,并根据炮孔参数设计和炮孔布置设计的结果进行钻孔,得到待爆破的炮孔,并记录炮孔数据;
S4:将炮孔数据储存至岩性参数数据库,并根据数据库的岩体内部岩性参数数据对待爆破的炮孔进行岩体三维实体建模,并得到待爆破炮孔的岩性分布图;
S5:根据岩性分布图对待爆破炮孔进行装药量计算,根据装药量计算结果对炮孔进行装药,进而对隧道进行爆破。
2.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,还包括步骤:
S6:爆破完成并通风后,采用无人机对爆堆进行录像拍照,进而获取岩渣图像数据;
S7:根据获取的岩渣图像数据,进行三维建模,并进行块度识别,统计岩渣块度频率分布;
S8:利用三维激光扫描仪对爆破后的掌子面进行扫描,获取爆破后的掌子面爆破后点云数据;
S9:根据爆破后的点云数据进行实体建模,并根据实体建模对进尺量、炮痕率及超欠挖量进行统计,进而得到进尺量、炮痕率及超欠挖量的数据;
S10:根据得到的岩渣块度频率分布和进尺量、炮痕率及超欠挖量的数据,进行爆破质量评价,并对下一次爆破进行优化。
3.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S1中,三维激光扫描仪需要放置在距离掌子面3m~5m处,测点位置处于掌子面中间位置,并且对于点云数据的处理主要包括点云配准、点云降噪及点云精简;
S1.1点云配准根据同一断面的测点数量来判断是否需要点云配准,若仅有一个测点则可跳过配准环节;点云配准是将两个测点的点云数据合成为一个,以实现被测目标数据完全覆盖,采用ICP算法进行点云配准;
S1.2由于扫描设备、周围环境、人为扰动、目标特性等影响,使得点云数据无法避免的存在一些噪点,导致数据无法正确表达扫描对象的空间位置;因此,需要对点云数据进行降噪,根据隧道点云数据分布均匀且需要保留细节特征的特点,采用拉普拉斯算法进行降噪;算法通过对每个数据点应用拉普拉斯算子,经过多次迭代可将噪声点调整至附近邻域,从而达到去噪的目的;拉普拉斯算子表达式为:
式中:Δ为拉普拉斯算子;为梯度记号;
S1.3采用基于k-means聚类算法的数据精简方法,通过点云数据进行聚类拟合判断几何信息进行不同类型的精简模式,其目的就是在保证精度的条件下减少点云数据的数据层,提取有效信息,以提高数据操作的运算速度、建模效率以及模型精度;k-means聚类算法通过随机选取k个中心点μ1,μ2,···,μk,通过迭代计算,将每个数据点p分配到距离其最近的中心点μi并重新计算该类的中心点坐标,直到损失函数取得最小值;然后将聚类结果划分为有限个邻域区间,并对每个邻域区间进行拟合,并将拟合结果分为平坦区和变化区,计算平坦区的面密度和变化区的体密度,并分别与阈值进行比较;在平坦区进行点云均匀删减,直到面密度小于阈值;在变化区则进行保留曲率特征的点云删减策略,直到体密度小于阈值;其中,面密度与体密度公式如下:
式中:ρs为面密度;ρv为体密度;N为邻域近点数;S为邻域面积;V为邻域体积。
4.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S2中,对掌子面的节理进行识别包括两个步骤:
S2.1掌子面提取:
Unet神经网络模型为Encoder-Decoder结构,Encoder由卷积操作和下采样操作组成,Decoder由卷积操作、上采样和残差连接组成;
S2.2对掌子面节理进行识别:
DeepCrack网络结构由全卷积网络和域分离网络组成,其中,FCN以VGG-16模型的前13层为基础,通过在卷积层和激活函数ReLU之间加入BN层提高模型泛化能力,通过聚合多尺度和多层次的特征形成特征预测结果。
5.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S3中,
S3.2炮孔参数设计包括炮孔直径、炮孔深度、炮孔数目,具体为:
S3.1.1炮孔直径根据钻孔设备进行选取,使用三臂凿岩台车钻孔时,选取直径为40mm~45mm的钻头,炮孔直径为48mm~55mm,药卷直径为32mm,使用气腿式风动凿岩机钻孔时,选取直径为35mm~50mm的钻头,炮孔直径为38mm~52mm;
S3.1.2炮孔深度根据循环进尺来确定各炮孔的深度,计算公式如下:
式中:L0代表循环进尺;L掏代表掏槽孔深度;θ代表掏槽孔与开挖面夹角;L周代表周边孔炮孔深度;α代表周边孔外插角;L辅代表辅助眼炮孔深度;L底代表底板眼炮孔深度;
S3.1.3炮孔数目根据工程经验总结的经验公式进行计算,公式如下:
式中:f代表岩石坚固系数,f=Rc/10;S代表隧道断面面积;
S3.2炮孔布置设计包括常规布置及节理优化布置,具体为:
S3.2.1常规布置包括排距、孔距,计算公式如下:
a=mW (5)
b=(0.9-0.95)W (6)
式中:a代表孔距;W代表最小抵抗线;b代表排距;E代表周边孔间距;
m代表炮孔密集系数,炮孔密集系数的取值范围为0.8~1;d代表炮孔直径;
S3.2.2节理优化布置是根据数值计算程序得到的结果,分析最优的炮孔布置角度,并对节理附近的炮孔进行优化布置,优化布置原则为仅针对同一圈炮孔的节理两侧的两个炮孔进行优化布置,其余炮孔位置不变。
6.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S3中,炮孔数据包括:炮孔表、岩层表和岩性表,其中,炮孔表中包括炮孔编号、炮孔名称、炮孔X坐标、炮孔Y坐标、炮孔Z坐标和炮孔采集时间;岩层表包括炮孔编号、炮孔深度、回转速度、回转压差、加压压力1、加压压力2、钻进速度、风压、岩性号;岩性表包括岩性号和岩层名称。
7.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S4中,岩体三维实体模型是根据炮孔数据,使用距离平方反比法对在爆破区域内按一定的长、宽、高划分的长方体实体网格进行插值,进而生成岩体三维实体模型,再使用爆破区域范围多边形和采场台阶三角网先后对岩体三维实体模型进行裁切,得到裁切后的爆破区域岩体三维实体模型。
8.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S5中,装药量计算包括:
S5.1在隧道掌子面平面图上确定爆破范围,结合炮孔数据,描绘爆破范围多边形内的炮孔孔口位置,得到炮孔孔口位置点集,再对炮孔孔口位置点集和爆破范围多边形按Delaunay准则进行三角面剖分,进而得到三角面集;炮孔影响面积的计算公式如下:
式中:ai为第i个炮孔的影响面积;So为与该炮孔连接的第o个三角形的面积,o∈[1,b],b为与炮孔i相连接三角面的总数;λo为与第o个三角形连接的炮孔个数;
根据与炮孔点连接的三角形计算该炮孔的影响面积,得到炮孔影响面积集;
S5.2基于岩性分层数据和炮孔影响面积,计算炮孔装药量,由于炮孔按岩性分层,所以计算炮孔的装药量时,按岩层分层顺序计算各岩层所需要的炸药量Qik,计算公式如下:
Qik=aiqkLk (9)
式中:Qik为第i个炮孔第k层岩层所需的炸药量,k∈[1,l],l为第i个炮孔的岩层分层总数;ai为第i个炮孔的影响面积;qk为第k层岩层的炸药单耗;Lk为第k层岩层的厚度;
各分层所需炸药量之和即为该炮孔的装药量Qi,计算公式如下:
式中:Qi为第i个炮孔的装药量;Qik为第i个炮孔第k层岩层所需的炸药量。
9.根据权利要求2所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S7中,三维建模是通过将拍摄的视频文件及轨迹文件按照一定的时间间隔进行画面截取及位置截取,再将截取的画面在空间中进行重建,进而得到爆堆的三维模型,再通过使用SAM语义分割模型对爆堆的岩块进行识别分割,通过对每个岩块占用的像素值进行统计得到每个岩块的尺寸,通过统计得到岩块的频率分布图以及大块度岩石的个数及尺寸。
10.根据权利要求2所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法,其特征在于,在步骤S9中,
炮痕率根据模型轮廓线上留下的炮孔痕迹进行统计,并与周边孔数量进行比较得到,炮痕率的计算公式如下:
式中:ξ表示炮痕率;N炮痕表示可见的炮痕数量;N周表示周边孔数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094912.5A CN116912300A (zh) | 2023-08-29 | 2023-08-29 | 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094912.5A CN116912300A (zh) | 2023-08-29 | 2023-08-29 | 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912300A true CN116912300A (zh) | 2023-10-20 |
Family
ID=88353327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311094912.5A Pending CN116912300A (zh) | 2023-08-29 | 2023-08-29 | 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912300A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592317A (zh) * | 2024-01-19 | 2024-02-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于多元地质信息的隧道楔形掏槽爆破设计方法 |
CN117634292A (zh) * | 2023-11-17 | 2024-03-01 | 深圳市特区铁工建设集团有限公司 | 隧道掌子面的开挖炮孔布设方法、装置、终端及存储介质 |
CN117853766A (zh) * | 2024-03-07 | 2024-04-09 | 山东大学 | 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统 |
CN117854060A (zh) * | 2024-03-07 | 2024-04-09 | 山东大学 | 基于深度学习的隧道岩体面状裂隙识别方法及系统 |
CN117952984A (zh) * | 2024-03-27 | 2024-04-30 | 宏大爆破工程集团有限责任公司 | 一种基于图像的精准爆破区域识别方法 |
CN117973044A (zh) * | 2024-02-04 | 2024-05-03 | 中南大学 | 一种隧道智能爆破设计方法及激光定位设备 |
CN118196200A (zh) * | 2024-05-17 | 2024-06-14 | 中南大学 | 基于三维激光点云的隧道爆破残孔检测方法、介质及设备 |
-
2023
- 2023-08-29 CN CN202311094912.5A patent/CN116912300A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634292A (zh) * | 2023-11-17 | 2024-03-01 | 深圳市特区铁工建设集团有限公司 | 隧道掌子面的开挖炮孔布设方法、装置、终端及存储介质 |
CN117634292B (zh) * | 2023-11-17 | 2024-08-23 | 深圳市特区铁工建设集团有限公司 | 隧道掌子面的开挖炮孔布设方法、装置、终端及存储介质 |
CN117592317A (zh) * | 2024-01-19 | 2024-02-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于多元地质信息的隧道楔形掏槽爆破设计方法 |
CN117592317B (zh) * | 2024-01-19 | 2024-05-10 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于多元地质信息的隧道楔形掏槽爆破设计方法 |
CN117973044B (zh) * | 2024-02-04 | 2024-06-14 | 中南大学 | 一种隧道智能爆破设计方法及激光定位设备 |
CN117973044A (zh) * | 2024-02-04 | 2024-05-03 | 中南大学 | 一种隧道智能爆破设计方法及激光定位设备 |
CN117854060B (zh) * | 2024-03-07 | 2024-05-03 | 山东大学 | 基于深度学习的隧道岩体面状裂隙识别方法及系统 |
CN117853766B (zh) * | 2024-03-07 | 2024-05-10 | 山东大学 | 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统 |
CN117854060A (zh) * | 2024-03-07 | 2024-04-09 | 山东大学 | 基于深度学习的隧道岩体面状裂隙识别方法及系统 |
CN117853766A (zh) * | 2024-03-07 | 2024-04-09 | 山东大学 | 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统 |
CN117952984A (zh) * | 2024-03-27 | 2024-04-30 | 宏大爆破工程集团有限责任公司 | 一种基于图像的精准爆破区域识别方法 |
CN117952984B (zh) * | 2024-03-27 | 2024-06-14 | 宏大爆破工程集团有限责任公司 | 一种基于图像的精准爆破区域识别方法 |
CN118196200A (zh) * | 2024-05-17 | 2024-06-14 | 中南大学 | 基于三维激光点云的隧道爆破残孔检测方法、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912300A (zh) | 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法 | |
CN114547721B (zh) | 深埋隧道局部区域差异定向断裂控制爆破方法 | |
CN104992468B (zh) | 缝洞型碳酸盐岩油气藏三维地质建模方法 | |
US9279905B2 (en) | Method for extracting a thumbnail image from a training image so as to constrain the multipoint geostatistical modeling of the subsoil | |
CN109903383B (zh) | 一种采煤机在工作面煤层三维模型中精确定位方法 | |
CN115019171A (zh) | 非接触式围岩快速分区分级方法 | |
CN115494560B (zh) | 一种基于ct和钻探数据相结合的建模新方法 | |
CN110687602A (zh) | 浅层地震多波联合勘探方法 | |
CN116703166B (zh) | 一种基于数据挖掘的煤矿充填开采地质风险评估方法 | |
Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
CN105205865B (zh) | 一种适用于岩体的建模方法 | |
CN115655612A (zh) | 一种隧道爆破装药结构识别记录方法、装置、设备及介质 | |
Chen et al. | Modification of the BQ system based on the Lugeon value and RQD: a case study from the Maerdang hydropower station, China | |
CN112199886A (zh) | 一种prb数据深度学习地质图预测模型的处理方法 | |
CN105301638B (zh) | 一种提取风化层底界面的方法和装置 | |
Long et al. | Automatic identification of irregular rock blocks from 3D point cloud data of rock surface | |
CN113868943A (zh) | 一种基于数据增强的神经网络的爆破块度预测方法 | |
CN109472867B (zh) | 一种将钻井位置信息影响范围定量化的方法 | |
CN116050138A (zh) | 一种应用于露天爆破的台阶坡面运动参数获取方法 | |
CN104462792B (zh) | 一种测井数据岩性层数值归约方法 | |
CN110687591A (zh) | 基于先验数据的波形匹配确定煤层及围岩物性参数的方法 | |
CN111290043A (zh) | 一种沉积地层拟声波测井数据的计算方法 | |
CN118070670B (zh) | 基于数字孪生的隧道钻爆法光面爆破智能优化系统 | |
CN110244359A (zh) | 一种基于改进地震切片技术的异常体边缘检测计算方法 | |
CN105824042A (zh) | 基于照明能量最优的最大纵向距设计方法 |
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 |