CN117932721A - 基于三维场模型的煤矿安全预测模型的构建与应用 - Google Patents
基于三维场模型的煤矿安全预测模型的构建与应用 Download PDFInfo
- Publication number
- CN117932721A CN117932721A CN202311752700.1A CN202311752700A CN117932721A CN 117932721 A CN117932721 A CN 117932721A CN 202311752700 A CN202311752700 A CN 202311752700A CN 117932721 A CN117932721 A CN 117932721A
- Authority
- CN
- China
- Prior art keywords
- data
- safety
- coal mine
- mine
- model
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 82
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000000547 structure data Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 239000011435 rock Substances 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 16
- 231100000817 safety factor Toxicity 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 claims description 2
- 230000003449 preventive effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及基于三维场模型的煤矿安全预测模型的构建与应用,旨在解决煤矿事故风险预测准确性不高技术问题。包括如下步骤:获取煤矿地质数据和矿井结构数据;将地质数据和矿井结构数据融合生成真实的煤矿场景;设置安全要素评估指标,并与煤矿场景进行关联形成评估因素;将实时传感器数据融入仿真模型形成三维场模型;在设立预警机制的基础上,回溯分析历史事故数据,模拟煤矿事故场景,预测可能发生的安全风险,并及时发出预警信号。本申请能够全面地、准确地评估整个煤矿系统的安全性,模拟煤矿系统中的各种可能因素的变化和交互作用,对潜在的事故风险进行预测和分析,提供科学依据和决策支持,减少煤矿事故的发生。
Description
技术领域
本发明申请涉及煤矿安全评估技术领域,具体涉及基于三维场模型的煤矿安全预测模型的构建与应用。
背景技术
传统的煤矿安全评估方法主要基于统计分析和经验判断,它通常包括对煤矿的物理环境、设备设施、管理制度和人员素质等方面进行评估,以确定存在的安全隐患和风险,它可以帮助煤矿管理者了解煤矿的安全状况,发现存在的问题和不足,并采取相应的措施进行改进,可以一定程度上减少事故的发生概率,保障矿工的安全。但另一方面,传统煤矿安全要素评估也存在一些局限性。首先,因为传统评估方法主要依靠人工巡查和经验判断,其有着主观性强,评估结果不准确等问题。其次,虽然通过一些统计分析的手段,可以对局部的一些安全风险进行评估和预测,但是数据收集存在针对性不强,空有基础地质、矿产地质、水文地质、工程地质、环境地质、灾害地质等方面的数据,但数据各维度各尺度乱而杂的问题突出,另外,也存在安全因素权重分配不明等问题;此外,传统评估方法通常是定期进行的,无法及时发现和解决突发的安全问题。缺乏一种实时的态势分析,无法对煤矿安全的全局的把控。评估缺乏立体性、结构性、层次性。
目前,国内外对于多源数据融合与集成已开展广泛的应用和研究。美国的National Map和GLOBE项目、英国的Ordnance Survey和LandInformation New Zealand、中国地质调查局的全国地质信息集成与服务系统等通过整合不同来源的地质环境数据,提供全面的地理空间信息服务,为政府决策、资源管理、环境保护等领域提供了重要的数据支持。但是在煤矿安全评估方面,还没有一个系统化、标注化的方法,将数据进行真正的融合和集成以供煤矿安全评估系统化地参考。
现有技术中,专利文献CN113390395A公开了一种基于三维实景的绿色矿山立体规划方法,其通过计算机设计辅助软件对矿山开采设计图二维转三维,形成三维矿山开采设计模型;另一方面,通过无人机倾斜摄影技术多视角采集矿山原始实景的倾斜影像;将获得的原始实景影像通过三维实景建模软件进行三维实景建模;最后将二者坐标系转换为同一坐标系,进行叠加和调整,得到分区分期开采模型。此方法采用虚拟现实方法构建的虚拟场景,难以对客观真实场景进行表达,无法进行精准定量分析的问题,用以解决决策者判断开采规划方案是否适宜的准确性问题,并没有关注煤矿安全评估领域,也没有将其它诸如水文地质,灾害地质,污染地质等数据与三维模型进行融合,为煤矿安全评估做一个系统化的技术支撑。
因此,亟待建立一种基于三维场模型的煤矿安全要素评估方法,收集多元(源)异构的地质环境数据,建立多尺度、多时相的综合三维场模型,为煤矿安全状况的调查、监测、评估,维护和应急管理提供数据和可视化支撑。
公开于该背景技术部分的信息仅用于加深对本公开的背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
发明人通过研究发现:现有技术中所存在的分区分期模型,仅能为开采规划方案是否适宜提供参考和决策基础,但是并没有将水文地质、灾害地质等安全评估因素融入进三维模型中,决策者无法对煤矿安全的要素有一个清晰明确的认知和掌握,从而无法准确系统地为煤矿安全隐患做出评估和管理。
鉴于以上技术问题中的至少一项,本公开提供了一种基于三维场模型的煤矿安全预测方法,基于安全要素评估、插值、时空演化等方法,构建三维场模型,全面地、准确地评估整个煤矿系统的安全性,模拟煤矿系统中的各种可能因素的变化和交互作用,对潜在的事故风险进行预测和分析,提供科学依据和决策支持,减少煤矿事故的发生。
根据本公开的一个方面,提供一种基于三维场模型的煤矿安全预测模型的构建方法,包括:
S1)获取对应煤矿的地质数据和矿井结构数据;
S2)结合所述地质数据和矿井结构数据生成对应煤矿的三维仿真模型;
S3)选取包含水温、水压、气体浓度、瓦斯涌出量、矿井通风的安全要素,并将其评估指标与对应的煤矿场景关联形成评估因素;
S4)获取所述安全要素的属性值,将其与所述三维仿真模型相融合,构建得到对应的三维场模型;
S5)针对各安全要素使用相对应的时空演化算法,推演获取一段时间后的安全要素状态;
S6)基于遗传神经网络分析包括水温、水压、微震、瓦斯浓度的历史安全要素属性值,推出未来地质三维场时序数据,从而获得地质的演化规律或异常情况。
地质数据和矿井结构数据主要通过地质传感器、压力传感器、加速传感器、温度、湿度、气体等传感器收集,通过有线或无线方式与数据采集系统连接,数据采集系统可以将传感器采集到的数据整合、处理和分析;然后,结合矿井地质勘探报告、矿井水文地质报告、矿井采掘工程平面图等资料,通过数据分析和处理,可以形成有关煤矿地质数据和矿井结构数据的详细信息。
在本公开一些实施例中,按如下方式构建所述三维仿真模型:
S21)使用3D扫描仪器对矿场进行扫描,将实际场景转化为数字化的三维点云数据;再通过公式P=R*P′+T将点云数据转化为仿真模型,其中,P是三维物体在实际场景中的坐标,P′是物体经过扫描仪器采集后得到的点云数据中的坐标,R是旋转矩阵,T是平移矩阵;
S22)使用计算机辅助设计软件,根据所述矿场的平面图和立体图,手工建模或者辅助建模,构建出完整的煤矿三维仿真模型。最后使用计算机辅助设计(CAD)软件,根据矿场的平面图和立体图,手工建模或者辅助建模,构建出矿场的完整仿真模型。
在本公开一些实施例中,在所述步骤S3)中,获取如下安全要素的评估指标:
S31)设置包括水温水压指标、微震相关指标、瓦斯涌出量、气体浓度、矿井通风的安全监测指标;
S32)采用层次分析W(i,j)=C(i,j)/∑(C(i,j))、模糊综合评判w(i)=∑(W(i,j)*S(j))方法构建指标层次结构和判断矩阵,其中,C(i,j)代表指标i相对于指标j的重要性判断,W(i,j)代表指标i与指标j之间的关联权重,S(j)代表指标j的评估值,W(i)代表指标i的权重;将评估因素与煤矿场景相互关联,采用动态更新的方式实时检测场景中各要素指标的变化,并将其反映到评估结果中,保证评估的实时性和准确性;最后构建煤矿研究区的安全要素评价体系,对研究区安全进行评价,进而为煤矿安全作业提供合理依据。
S33)构建所述煤矿的安全要素评价体系。
在本公开一些实施例中,在所述步骤S4)中,按如下方式构建三维场模型:
S41)使用3D克里金方法进行空间插值,填补现有安全要素的属性值点之间缺失的值:
Z(p)=∑(λi*Zi(p)),
其中,Z(p)代表在插值点p处的预测值,Zi(p)代表已知数据点i处的观测值,λi代表插值点p与已知数据点i之间的权重系数;
S42)采用不规则四面体网格TIM和体元栅格VoxelGrid两种三维场数据模型,构建相关的数据管理、可视化和空间分析方法;并以图形学算法对其进行渲染。不规则四面体网格通过Delaunay三角剖分算法对数据进行网格化处理,而体元栅格则将数据划分为规则的体元格子,利用正交投影方法进行投影变换。这些方法可以将三维场数据以图形化的方式进行呈现,提供更直观的可视化效果;最后对各个安全要素使用相适应的时空演化算法,来获取一段时间后的安全要素状态,利用三维场模型,可以进行各种空间分析,比如检测安全要素的空间分布特征、寻找异常区域和热点区域等。通过对煤矿场景中不同位置的安全要素进行区域化分析,有助于发现存在的风险和隐患,并采取相应的措施进行安全管理。
在本公开一些实施例中,在所述步骤S5)中,采用一维热传导方程来描述水温的变化:
其中,T表示水温;t表示时间;x表示空间位置;α为热扩散系数;该方程描述了水温随时间和空间位置的变化关系,通过求解这个方程可以得到水温在不同时间和位置上的分布情况。解决这个方程,使用有限差分法或有限元法进行离散化处理。这些方法将时间和空间分割成小步和小格,并将方程转化为离散形式。
在离散形式下,上述方程可以表示为:
(Ti,j+1-Ti,j)/Δt=α(Ti+1,j-2-2Ti,j+Ti-1,j)/Δx2;
其中,i和j分别表示空间和时间的离散指标,Δt和Δx分别表示时间和空间离散间隔。然后,通过迭代计算和求解离散方程,可以得到水温在不同时间和位置上的分布情况。这可以通过更新网格上的水温值来实现,同时结合适当的边界条件和初始条件来模拟实际的系统变化。总的来说,水温安全要素的时空演化模型基于热传导方程,并利用数值方法对方程进行求解,从而模拟水温在时间和空间上的变化。这样的模型可以帮助理解和预测水温变化及其对水体系统的影响,以便做出相应的管理和决策。
关于水压的时空演化算法为:
和/>
其中,ρ表示流体密度;t表示时间;υ表示流速矢量;P表示压力;ν表示运动粘度;ν表示梯度算子;Δ表示拉普拉斯算子;该方程组描述了水压随时间和空间位置的变化关系,通过求解这个方程组可以得到水压在不同时间和位置上的分布情况。对于水压的模拟,可以假设流体为不可压缩流体,并进行进一步简化处理来获得数值求解的形式。在此假设下,可以使用连续性方程进行简化,即质量守恒原理。连续性方程表示了流体在空间和时间上的质量守恒关系,其数学形式为:
针对瓦斯等气体的时空演化模型基于风流动力学理论和质量守恒原理,考虑瓦斯体的扩散、瓦斯爆炸过程以及瓦斯爆炸对煤岩的破坏。通过使用高斯羽流模型(GaussianPlume Model)来模拟气体浓度在时间和空间上的变化,所使用的公式为:
其中,坐标系的x轴方向为顺风方向,C表示任一坐标点(x,y,z)通过模型计算出的浓度,Q表示气体排放速率,U表示风速,y表示任一点的y坐标,即横风距离,z为任一点的z坐标,即空间点高度,H为泄露有效高度。σy和σz分别为y方向和z方向上的大气扩散参数。
针对微震的时空演化模型基于岩石力学原理和位错滑动原理,考虑岩石的弹性、塑性、断裂特性和变形过程,以解释微震事件的产生、传播和演化过程。其中,微震事件通常由岩石中应力集中、位错活动和断裂破裂引起。具体模型包括岩体应力场计算、位错滑移破裂模拟和地震矩张量计算。所用的公式为:
M=μ*A*∫σ*dA;
其中,M是地震矩张量;μ是岩石的剪切模量;A是断裂面积;σ是应力矢量。
岩体应力场计算基于弹性力学理论,其中,使用弹性模量、泊松比和应力边界条件来描述岩石的弹性行为。岩石的剪切模量用于表征岩石的抗剪切能力,应力边界条件根据实际情况设置,如深部地应力、压力差等;位错滑移破裂模拟描述了岩石中位错在外界作用力下发生滑移的过程,使用位错动力学原理和弹塑性理论进行建模。位错活动会导致岩石的应力局部集中,进而引发微震事件的产生和传播;地震矩张量描述了微震事件的力学特性,它是一个对称的张量,用于描述地震的破裂过程。地震矩张量的计算涉及到断裂面积、位错活动和应力矢量等参数。地震矩张量的分析有助于了解微震事件的能量释放和震级估计。
在本公开一些实施例中,所述步骤S6)具体包括:
S61)数据准备:收集和整理相关的历史地质数据(包括水温、水压、微震、瓦斯浓度等);对数据进行清洗和预处理,确保数据的准确性和完整性;
S62)特征提取:从历史数据中提取有代表性的特征,以描述地质系统的状态,特征提取方法包括统计特征(均值、方差、最大值、最小值等)、频域特征(频谱分析)、时域特征(时间序列分析)等。选取合适的特征可以捕捉到地质系统的关键信息;
S63)GNN网络构建:选择循环神经网络(RNN)作为基本网络结构,因为RNN具有记忆功能,能够处理具有序列结构的数据,如时间序列数据。根据任务需求,选择不同的RNN变体(如长短时记忆网络,门控循环单元等)来构建GNN网络。
S64)适应度函数定义:根据具体的预测任务,定义适应度函数来衡量每个个体(GNN网络)的性能。使用的适应度函数为均方误差(MSE)和平均绝对误差(MAE),用于衡量预测结果与实际观测值的差异程度。
S65)遗传算法(GA)参数设定:设置遗传算法的相关参数,包括种群大小、交叉概率、变异概率等;适当调整这些参数可以影响遗传算法的收敛性和搜索能力。
S66)初始化种群:随机生成初始种群,每个个体代表一个GNN网络;
S67)评估适应度:根据适应度函数,评估每个个体(GNN网络)的适应度;适应度越高,代表个体的性能越好。
S68)选择操作:通过选择操作,从当前种群中选择适应度较高的个体,作为下一代种群的父代;
S69)交叉操作:利用交叉操作,将父代个体的基因信息互换,生成新的个体;交叉点的位置和方式根据需要进行设计,如单点交叉、多点交叉等。
S610)变异操作:对部分新个体进行变异操作,引入随机变化,增加种群的多样性;变异操作通过调整网络权重、添加或删除节点等方式进行。
S611)迭代演化:重复进行选择、交叉和变异操作,直到达到停止条件(如迭代次数达到上限或最优解满足预设要求)。通过迭代演化,种群逐渐进化,最终得到较优的GNN网络。
S612)结果分析:根据遗传算法的最优个体得到的GNN网络,对历史数据进行分析和预测。可以利用GNN网络对未来地质数据进行预测,或通过对历史数据的分析,得出地质的演化规律或异常情况。通过结果分析,可以为煤矿等地质系统的安全管理提供决策依据和预警信息。
根据本公开的另一个方面,提供一种煤矿安全预测方法,基于所述煤矿安全预测模型而实施,包括如下步骤:
(1)结合所设置的包括水温、水压、微震、瓦斯浓度的安全要素的指标红线,识别出三维场模型插值后的异常安全要素数据点,获取三维坐标及异常属性值;
(2)藉由对应的时空演化算法,模拟异常安全要素在时间和空间上的变化趋势;
(3)通过遗传神经网络或/和多项式拟合算法,分析出历史安全要素属性值和安全事件数据的特征,识别出过去的安全隐患、事故事件以及其原因和影响,发现潜在的安全风险模式和规律,预测未来可能发生的事故情况;
(4)基于历史数据和趋势分析,为矿山管理者提供提前预警和预防措施,以制定更加全面和科学的安全管理策略。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.综合性评估:通过构建三维场模型,能将煤矿中的各种安全要素(如水温水压、微震赋存、瓦斯浓度等)在时间和空间上进行综合分析和评估。这有助于全面了解矿场的安全状况,并及时发现潜在的风险和隐患。
2.空间关联性分析:三维场模型能够将不同位置的安全要素之间的空间关系进行可视化,将复杂的安全要素数据可视化为直观的图形,使安全管理人员更容易理解和分析数据;通过这种方式,可以发现不同区域之间的差异性,解析安全要素之间的相互作用和影响,为安全管理提供更准确的决策依据。
3.预测和预警能力:基于三维场模型,可以使用历史数据和建模方法进行预测和预警,即利用已知的安全要素数据来预测未来可能发生的情况;有助于提前发现潜在的安全问题,并采取相应的措施进行干预和预防。
4.快速响应和决策支持:基于三维场模型的评估方法可以实时监测和分析矿场的安全要素,使管理人员能够快速响应和做出决策;有助于及时处理突发事件、防范风险,并提高煤矿的安全性能。
附图说明
图1为本申请一实施例中的煤矿安全预测方法流程图。
图2为本申请一实施例中的STL仿真模型效果图。
图3为本申请一实施例中的GIS三维模型效果图。
图4为本申请一实施例中的水压安全要素空间位置效果图。
图5为本申请一实施例中的水压安全要素空间插值效果图。
图6为本申请一实施例中的水压安全要素空间插值筛选效果图。
图7为本申请一实施例中的整体水压安全要素数值模拟效果图。
图8为本申请一实施例中的气体时空演化2D效果图。
图9为本申请一实施例中的气体时空演化3D效果图。
图10为本申请一实施例中的遗传神经网络算法流程图。
图11为本申请一实施例中的遗传神经网络算法预测与实际对比结果图。
具体实施方式
为了更好的理解本申请技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
除非另有说明,本申请中使用的技术术语或科学术语应按照该领域技术人员通常理解的含义来解释。
实施例一
本例公开一种基于三维场模型的煤矿安全预测方法(以鹤煤八矿为例),主要包括以下步骤(参见图1):
S1,地质数据和矿井开采结构数据收集。
通过地质传感器、压力传感器、加速传感器、温度、湿度、气体等传感器收集当地鹤煤八矿地质相关数据,包括每个感测点的经度、纬度、高程数据,以及水温、水压、岩石应力、瓦斯浓度的属性值数据。并通过无线和有线方式与数据采集系统(ETL工具)连接,将不同来源的传感器数据提取、整合、转换、加载和分析;另一方面,收集矿井地质勘探报告、水文地质报告及矿井采掘工程平面图等资料,通过整合、分析和处理,形成矿井开采结构总和数据的详细信息。
S2,结合地质和矿井结构数据,生成煤矿三维模型。
通过Trimble 3D激光扫描仪对矿场进行扫描,将实际场景转化为数字化的三维点云数据,并加入和转化为三维坐标列表带有关联的三角形表面连接性数据(例如STL,PLY或3MF文件格式),以为后续转化为曲线和曲面乃至实体减少歧义;随后,将三维点云数据导入COMSOL Multiphysics软件中,底层通过公式P=R*P′+T将点云数据转化为曲面和仿真实体,其中,P是三维物体在实际场景中的坐标,P′是物体经过扫描仪器采集后得到的点云数据中的坐标,R是旋转矩阵,T是平移矩阵;最后,使用计算机辅助设计(比如AUTOCAD)软件,根据矿场的平面图和立体图(STL格式文件),手工建模或者辅助建模,如图2所示构建出矿场的完整仿真模型。
另一方面,可先对三维云点数据进行去噪、简化、配准以及补洞等预处理以提高后续模型的真实性和实时性。在对点云数据进行预处理后,可以使用软件工具如ContextCapture进行进一步处理,可以以高精度、高分辨率的方式对三维点云数据进行处理,以获取煤矿不同地层、剖面的相对位置信息、尺寸、纹理和形状。通过Context Capture,可以将点云数据转化为真实的三维模型,实际效果图如图3所示,不同颜色包含了13种不同的地层。该模型采用GIS格式,使其可以与地理信息系统进行集成和分析。此类模型能够提供煤矿的真实讯息,包括地面地貌、地下脉络、断层、陷落柱等,对于矿场的规划、设计和评估具有重要的参考价值。
将真实的三维模型(GIS格式)和仿真模型(STL格式)进行比对,帮助完善最终的三维地质结构模型。比对的目的是通过对两个模型之间的差异和相似之处进行分析,进一步改进和完善模型的准确性和可信度。
首先,需要将GIS格式和STL格式的模型导入统一的软件平台,如CAD软件。在CAD软件中,同时显示和比对这两个模型。通过比对,发现GIS模型和STL模型之间的差异,例如地下岩层的位置、厚度、纹理等方面的差异。这些差异是由于数据采集过程、模型建立过程或者误差引起的。通过分析和比对,确定差异的原因,并对模型进行修正和调整,以尽可能接近真实情况。
另一方面,比对还可以发现GIS模型和STL模型之间的相似之处。例如,两个模型中的地下结构、矿床分布和地质特征等方面的相似之处。通过这些相似之处的对比,可以提高模型的可信度和准确性,并通过模型结果验证地质勘探报告和矿井开采工作的可行性和有效性。根据比对结果,对GIS模型和STL模型进行调整和完善。根据GIS模型提供的更详细的地质信息,对STL模型进行细化和精确化。根据STL模型的仿真结果,改进GIS模型中的参数设置和地质结构模型。通过不断的比对和调整,形成最终的三维地质结构模型,准确反映矿区的地质情况。总之,通过将真实的三维模型(GIS格式)和仿真模型(STL格式)进行比对,并根据比对结果对模型进行调整和完善,得到更精确和可信的三维地质结构模型。这个模型可以为矿区的规划、设计和开采提供重要参考,提高矿井的安全性和效益。
S3,设置安全要素评估指标,将指标与煤矿场景进行关联以形成评估因素。
依据煤矿安全监控系统及检测仪器使用管理规范(AQ1029-2019),煤矿采区或工作面水文地质条件分类(GB/T22205-2008),矿井瓦斯等级鉴定规范(AQ1025-2006),煤矿床水文地质、工程地质及环境地质勘查评价标准(MT/T1091-2008)等标准文档,同时基于煤矿安全数据库深度挖掘构建煤矿安全监测指标库。
依据建立的煤矿安全监测指标库,采用层次分析法(W(i,j)=C(i,j)/∑(C(i,j)))为每个安全指标指定权重,同时采用模糊综合评判方法(W(i)=∑(W(i,j)*S(,j)))构建指标层次结构和判断矩阵。C(i,j)代表指标i相对于指标j的重要性判断,W(i,j)代表指标i与指标j之间的关联权重,S(j)代表指标j的评估值,W(i)代表指标i的权重。为保证评估的实时性和准确性,将评估因素与三维煤矿场景相互关联,采用动态更新的方式实时检测场景中各要素指标的变化,并将其反映到评估结果中;依据不同的地质环境设置水温,水压,微震,瓦斯指标红线;最后构建煤矿研究区的安全要素评价体系,对研究区安全进行评价,进而为煤矿安全作业提供合理依据。
S4,将安全要素属性值与三维煤矿模型的融合,构建三维场模型。
为了更好地管理和可视化三维场模型的数据,采用了不规则四面体网格(TIM)和体元栅格(VoxelGrid)两种三维场数据模型;不规则四面体网格通过Delaunay三角剖分算法对数据进行网格化处理,而体元栅格利用正交投影方法进行投影变换将数据划分为规则的体元格子;随后,依据不同的地质条件(如岩体、内断层、地层、开采剖面等)对已经建好的三维地质结构模型进行分块儿,得到不同的三维地质分块。将每个地质分块建立坐标系,将每个监测点的三维地理位置信息模拟插入。选取地质分块的一部分监测点,构建局部分区坐标系模型,如图4为局部分区水压三维场模型。数据截取自鹤煤八矿的水压数据,X轴Y轴分别代表监测点经度和纬度转换后的坐标数据,z轴为高程数据,颜色代表水压属性值的不同程度数据。同理,依据不同地质分块分区,建立水温、微震、瓦斯三维场局部模型。
如图5所示,使用3D克里金方法对水温进行空间插值的效果。填补现有数据点之间缺失的值,以便得到更密集和连续的数据表示,用于构建煤矿安全要素三维场模型。其公式为z(p)=∑(λi*Zi(p)),其中,Z(p)代表在插值点p处的预测值,Zi(p)代表已知数据点i处的观测值,λi代表插值点p与已知数据点i之间的权重系数;根据安全因素标准,将安全标准红线以上的数据筛选出来(如图6所示),获取三维场数据信息,为后续管理者的决策作出支撑,如图中颜色越浅,明度越亮,代表了水压越高。为了对煤矿整体有更为直观的了解,将不同地层作为一个整体,将每一部分的三维场数据进行整合,对整体进行数值模拟,如图7所示,可以为决策者提供一个更为全局的信息支撑。具体可以体现在:利用三维场模型,更为全局地检测不同安全要素的空间分布特征以及寻找异常区域和热点区域。通过对三维场模型中不同位置的安全要素进行区域化分析,有助于发现存在的风险和隐患,并依据煤矿安全风险预控管理体系规范(AQ/T1093-2011)采取相应的措施进行安全管理。
S5,对各个安全要素使用相适应的时空演化算法,来推演获取一段时间后的安全要素状态。
选取之前局部三维场模型插值后的异常数据点,获取三维坐标及异常属性值。如图8、图9所示为针对异常瓦斯浓度点的时空演化2D和3D模型。其基于风流动力学理论和质量守恒原理,同时考虑瓦斯体的扩散、爆炸过程以及爆炸对煤岩的破坏。最终通过使用高斯羽流模型(Gaussian Plume Model)来模拟气体浓度在时间和空间上的变化。此推演不考虑地质空间的异质性(因之前已经根据不同条件进行分区地质块),且默认为各向同质。另外,此2D和3D效果图仅代表扩散球体的一条穿过监测数据异常点的球体直径的两个方向的变化情况,由于各向同质的特性,其它所有方向效果一致。
此气体时空演化3D效果图的X轴为扩散距离,Y轴为时间属性,Z轴代表浓度属性,颜色越亮,浓度越高。监测异常数据原点在X轴的5刻度处。随时间变化浓度降低,最后达到红线以下,且左右两个方向的浓度也未超红线指标。可解除安全警戒和预措施。相反,如果演化持续超标,失去控制,则立即通知相关人员作出预警处理。而2D效果图为3D场模型在X轴上的投影,可减少数据冗余,增加数据可读性,并提高预警速度。
同理,按上述发明原理推出水温、水压、微震的异常安全要素的时空演化模型。将异常数据点的三维场时空演化模型传递给相关安全监测人员用于安全因素评估,以获取决策者下一步应急处理,保障煤矿安全。
S6,根据遗传神经网络推演分析历史数据。
根据图10所示的遗传神经网络算法流程对历史数据进行分析和推演。首先,每周整理这一周的地质数据、三维场模型插值数据以及三维场异常数据时空演化数据,属性参数包括水温、水压、微震、瓦斯浓度等;并通过机器学习相关数据预处理方法对数据进行清洗,去噪,精简和分割,获得不同时序、地质空间、属性值的代表性三维场数据。
对数据进行特征提取,选取能够描述地质系统异常状态且代表性的特征,
通过统计特征(均值,最大值,方差等)、频域特征(频谱分析)、时域特征(时间序列分析),选取合适的特征捕捉地质系统关键信息。
随后,构建GNN网络。基于基本网络结构RNN,处理包括时间序列结构的数据,选择不同的变体网络(如长短时记忆网络,门控循环单元等),构建GNN网络。
通过均方误差(MSE)和平均绝对误差(MAE)评估预测结果的差异程度。其中MSE是预测值与真实值之差的平方的平均值,用来衡量预测值与真实值之间的差异程度,其数值越小表示预测结果越接近真实值。MAE是预测值与真实值之差的绝对值的平均值,用来衡量预测值与真实值之间的平均误差大小,其数值越小表示预测结果与真实值之间的差异程度越小。
调整遗传网络(GA)的参数。参数包括种群大小,交叉概率、变异概率等。其中种群大小:种群大小表示GA中解的数量,影响到GA算法的搜索空间。较大的种群大小有助于增加搜索的多样性,但也会增加计算成本。可以通过尝试不同的种群大小,结合MSE和MAE指标来选择合适的种群大小;交叉概率:交叉概率表示选择父代个体进行交叉的概率。较高的交叉概率有助于保持种群的多样性,在搜索空间中探索更广的区域。可以通过调整交叉概率来控制搜索的广度和深度;变异概率:变异概率表示基因发生变异的概率。较高的变异概率有助于在搜索空间中引入更多的随机性,从而增强搜索的能力。可以通过逐步增加变异概率来观察结果的变化,并选择适合的变异概率。通过对这些参数进行调整并使用MSE和MAE指标进行评估,可以逐步优化遗传网络的收敛性和搜索能力。不断迭代和优化参数,直到获得最合适的参数配置,以获得更准确的预测结果和更优化的模型性能。
对种群初始化,每个个体代表一个GNN网络,利用先验知识来初始化网络的权重和偏置。随后根据适应度函数,评估每个个体(GNN网络)的适应度。越高的适应度代表个体性能越好。选取当权种群中适应度较高的个体作为下一代种群的父代(操作方法如轮盘赌选择、排名选择等)。
通过交叉操作(交叉点的位置和方式设计方法如单点交叉、多点交叉等)将父代个体的基因信息互换,生成新的个体。
为了防止过拟合,可通过变异操作(如调整权重,添加、删除神经节点等),引入随机变化以增加种群的多样性。
重复前面的选择、交叉和变异操作进行迭代演化,直到达到停止条件(如迭代次数达到上限或最优解满足预设要求),种群得到进化以获得较优的GNN网络。
根据遗传算法的最优个体得到的GNN网络,对历史三维场时序数据进行分析和预测,推出未来地质三维场时序数据,如图11所示,此图表示了该矿某区域的瓦斯体积分数随时间变化情况,同时比较了不同模型通过预测和后来实际的测量数据,发现最终模型预测的瓦斯体积分数变化情况一致或相似。因此,可以通过预测的未来瓦斯体积分数变化情况,来提前做出瓦斯浓度超标预警,减少生命财产安全损失。总的来说,通过整合煤矿整体瓦斯浓度的演化规律或异常情况,在未来哪些时刻可能会超过安全红线,以提前做出预警准备。最终,根据相关安全标(准煤矿安全风险预控管理体系规范(AQ/T1093-2011))和本例的三维场模型的煤矿要素评估方法可以为煤矿等地质系统的安全管理提供决策依据和预警信息。
尽管已描述了本申请的一些优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离其发明的精神和范围。这样,倘若针对本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种基于三维场模型的煤矿安全预测模型的构建方法,其特征在于,包括如下步骤:
S1)获取对应煤矿的地质数据和矿井结构数据;
S2)结合所述地质数据和矿井结构数据生成对应煤矿的三维仿真模型;
S3)选取包含水温、水压、气体浓度、瓦斯涌出量、矿井通风的安全要素,并将其评估指标与对应的煤矿场景关联形成评估因素;
S4)获取所述安全要素的属性值,将其与所述三维仿真模型相融合,构建得到对应的三维场模型;
S5)针对各安全要素使用相对应的时空演化算法,推演获取一段时间后的安全要素状态;
S6)基于遗传神经网络分析包括水温、水压、微震、瓦斯浓度的历史安全要素属性值,推出未来地质三维场时序数据,从而获得地质的演化规律或异常情况。
2.根据权利要求1所述的构建方法,其特征在于,在所述步骤S2)中,按如下步骤构建三维仿真模型:
S21)使用3D扫描仪器对矿场进行扫描,将实际场景转化为数字化的三维点云数据;再通过公式P=R*P′+T将点云数据转化为仿真模型,其中,P是三维物体在实际场景中的坐标,P′是物体经过扫描仪器采集后得到的点云数据中的坐标,R是旋转矩阵,T是平移矩阵;
S22)使用计算机辅助设计软件,根据所述矿场的平面图和立体图,手工建模或者辅助建模,构建出完整的煤矿三维仿真模型。
3.根据权利要求1所述的构建方法,其特征在于,在所述步骤S3)中,获取如下安全要素的评估指标:
S31)设置包括水温水压指标、微震相关指标、瓦斯涌出量、气体浓度、矿井通风的安全监测指标;
S32)采用层次分析W(i,j)=C(i,j)/∑(C(i,j))、模糊综合评判W(i)=∑(W(i,j)*S(j))方法构建指标层次结构和判断矩阵,其中,C(i,j)代表指标i相对于指标j的重要性判断,W(i,j)代表指标i与指标j之间的关联权重,S(j)代表指标j的评估值,W(i)代表指标i的权重;
S33)构建所述煤矿的安全要素评价体系。
4.根据权利要求1所述的构建方法,其特征在于,在所述步骤S4)中,构建三维场模型的步骤如下:
S41)使用3D克里金方法进行空间插值,填补现有安全要素的属性值点之间缺失的值:
Z(p)=∑(λi*Zi(p)),
其中,Z(p)代表在插值点p处的预测值,Zi(p)代表已知数据点i处的观测值,λi代表插值点p与已知数据点i之间的权重系数;
S42)采用不规则四面体网格TIM和体元栅格VoxelGrid两种三维场数据模型,构建相关的数据管理、可视化和空间分析方法;并以图形学算法对其进行渲染。
5.根据权利要求1所述的构建方法,其特征在于,在所述步骤S5)中,关于水温的时空演化算法为:
其中,T表示水温;t表示时间;x表示空间位置;α为热扩散系数;
关于水压的时空演化算法为:
和/>
其中,ρ表示流体密度;t表示时间;υ表示流速矢量;P表示压力;v表示运动粘度;表示梯度算子;Δ表示拉普拉斯算子;
关于瓦斯气体的时空演化算法为:
其中,坐标系的x轴方向为顺风方向;c表示任一坐标点(x,y,z)通过模型计算出的浓度;Q表示气体排放速率;U表示风速;y表示任一点的y坐标,即横风距离;z为任一点的z坐标,即空间点高度;σy和σz分别为y方向和z方向上的大气扩散参数;
关于微震的时空演化算法为:
M=μ*A*∫σ*dA,
其中,M为地震矩张量;μ为岩石的剪切模量;A为断裂面积;σ为应力矢量。
6.根据权利要求1所述的构建方法,其特征在于,所述步骤S6)具体包括:
S61)数据准备:收集和整理包括水温、水压、微震、瓦斯浓度的历史地质数据;
S62)特征提取:从历史数据中提取有代表性的特征,以描述地质系统的状态,所用的特征提取方法为统计特征、频域特征或/和时域特征;
S63)GNN网络构建:选择循环神经网络;
S64)适应度函数定义:使用均方误差或平均绝对误差定义适应度函数,用于衡量每个个体的性能;
S65)遗传算法参数设定:设置遗传算法的相关参数,包括种群大小、交叉概率、变异概率;
S66)初始化种群:随机生成初始种群,每个个体代表一个GNN网络;
S67)评估适应度:根据适应度函数,评估每个个体的适应度;
S68)选择操作:通过选择操作,从当前种群中选择适应度较高的个体,作为下一代种群的父代;
S69)交叉操作:利用交叉操作,将父代个体的基因信息互换,生成新的个体;
S610)变异操作:对部分新个体进行变异操作,引入随机变化,增加种群的多样性;
S611)迭代演化:重复进行选择、交叉和变异操作,直到达到停止条件。
7.一种煤矿安全预测方法,基于权利要求1中所述煤矿安全预测模型而实施,包括如下步骤:
(1)结合所设置的包括水温、水压、微震、瓦斯浓度的安全要素的指标红线,识别出三维场模型插值后的异常安全要素数据点,获取三维坐标及异常属性值;
(2)藉由对应的时空演化算法,模拟异常安全要素在时间和空间上的变化趋势;
(3)通过遗传神经网络或/和多项式拟合算法,分析出历史安全要素属性值和安全事件数据的特征,识别出过去的安全隐患、事故事件以及其原因和影响,发现潜在的安全风险模式和规律,预测未来可能发生的事故情况;
(4)基于历史数据和趋势分析,为矿山管理者提供提前预警和预防措施,以制定更加全面和科学的安全管理策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752700.1A CN117932721A (zh) | 2023-12-19 | 2023-12-19 | 基于三维场模型的煤矿安全预测模型的构建与应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752700.1A CN117932721A (zh) | 2023-12-19 | 2023-12-19 | 基于三维场模型的煤矿安全预测模型的构建与应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932721A true CN117932721A (zh) | 2024-04-26 |
Family
ID=90769336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311752700.1A Pending CN117932721A (zh) | 2023-12-19 | 2023-12-19 | 基于三维场模型的煤矿安全预测模型的构建与应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932721A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118229044A (zh) * | 2024-05-27 | 2024-06-21 | 南通宏梁建筑科技有限公司 | 一种建筑施工安全环境监控系统及监控数据分析方法 |
-
2023
- 2023-12-19 CN CN202311752700.1A patent/CN117932721A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118229044A (zh) * | 2024-05-27 | 2024-06-21 | 南通宏梁建筑科技有限公司 | 一种建筑施工安全环境监控系统及监控数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101618713B1 (ko) | 지반정보에 기초한 3차원 공간 모델링 방법 | |
KR101927659B1 (ko) | 건축물 영역에 대한 대표 지반조건 결정 방법 | |
CN116596321B (zh) | 基于神经网络的建筑风险监测与评估方法和系统 | |
Zhang et al. | Cooperative monitoring and numerical investigation on the stability of the south slope of the Fushun west open-pit mine | |
CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
CN117932721A (zh) | 基于三维场模型的煤矿安全预测模型的构建与应用 | |
Ma et al. | Spatial prediction strategy for landslides triggered by large earthquakes oriented to emergency response, mid-term resettlement and later reconstruction | |
Azarafza et al. | Stochastic geometry model of rock mass fracture network in tunnels | |
CN116975576B (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
Ceccato et al. | Constraints upon fault zone properties by combined structural analysis of virtual outcrop models and discrete fracture network modelling | |
Mahjour et al. | Developing a workflow to represent fractured carbonate reservoirs for simulation models under uncertainties based on flow unit concept | |
Paramasivam | Merits and demerits of GIS and geostatistical techniques | |
CN113378396B (zh) | 一种小流域地质灾害隐患点早期识别的方法 | |
CN106453468A (zh) | 一种基于gis技术的煤矿突水预警方法 | |
Molina-Gómez et al. | Defining the soil stratigraphy from seismic piezocone data: A clustering approach | |
CN117369254A (zh) | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN115019006B (zh) | 一种多尺度三维工程地质模型构建系统及方法 | |
KR101926304B1 (ko) | 건축물 영역에 대한 대표 시추조사 자료 선정 방법 | |
Potapov et al. | Information technologies in problems of nonlinear geomechanics. Part I: Earth remote sensing data and lineament analysis of deformation wave processes | |
Lin et al. | A simple generation technique of complex geotechnical computational model | |
Cheng et al. | Fuzzy weights of evidence method implemented in GeoDAS GIS for information extraction and integration for prediction of point events | |
He et al. | GPR‐MCS model of reliability analysis of key blocks and its engineering application | |
CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
CN116797755B (zh) | 一种构造混杂岩带多时空三维地质结构建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |