CN118050824A - 一种隧道岩爆监测方法 - Google Patents

Abstract

本发明公开了一种隧道岩爆监测方法。隧道岩爆监测方法，包括：微震监测方法和影像监测方法；所述微震监测方法，包括以下步骤：步骤一：采集地质数据信息，建立地质模型样本；步骤二：建立监测点，获得隧道内的实时数据。本发明提供的隧道岩爆监测方法利用影像监测方法配合微震监测方法使用，使用AI算法模型对隧道内的地质结构、地质变化进行模拟，并不断学习，大大提高了岩爆模拟准确度，对隧道内可能发生岩爆的区域进行实时监测，计算出隧道内可能发生岩爆的发生地点、发生概率、岩爆等级等信息，提前做出相应的准备工作，降低岩爆发生概率，降低岩爆灾害造成的人员和财产损失。

Description

一种隧道岩爆监测方法

技术领域

本发明涉及岩爆监测技术领域，尤其涉及一种隧道岩爆监测方法。

背景技术

岩爆是高地应力条件下，隧道等地下工程开挖过程中，硬脆性岩体因开挖卸荷导致洞壁应力重新分布，存储于岩体中的弹性能突然释放，因而产生爆裂松脱、剥落、弹射甚至抛掷现象的一种动力失稳地质灾害。由于岩爆的发生具有瞬时性、突发性，猛烈性、破坏性，在井下开采空间狭小的环境中，会对工作面操作的人员和设备带来直接的伤害，影响工程进度，甚至摧毁整个工程。

目前对岩爆风险的预防技术研究，主要在于声学领域。具体地，在声学领域，分为三个方向：微震技术、声发射技术和声频检测技术。尽管这三种方法在一定程度上能预测岩爆风险，但它们都有一个比较难以解决实际巷道中的环境因素影响问题。以微震技术为例：在实验室环境下，微震技术能够很好地预报岩爆，但在实际的巷道中，微震技术就经常发生误报，这主要是因为实际的环境中，各种干扰因素过于复杂。

因此，有必要提供一种隧道岩爆监测方法解决上述技术问题。

发明内容

针对上述情况，为克服现有技术缺陷，本发明提供了一种隧道岩爆监测方法能够提高隧道岩爆模拟准确度，降低岩爆灾害造成的人员和财产损失。

为实现上述目的，本发明采用的技术方案如下：

隧道岩爆监测方法，包括：微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，建立地质模型样本；

步骤二：建立监测点，获得隧道内的实时地质数据；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，将实时地质数据提供给AI算法模型，AI算法模型智能分析岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机将图像与上一时刻该区域的图像进行比对，计算出该区域内岩石温度变化趋势，得到该区域岩石的变化数据；

步骤四：主机将数据发送给AI算法模型的数据库内，计算出隧道内岩爆发生概率、岩爆等级和岩爆发生地点。

优选地，所述微震监测方法的步骤一中，地质数据信息包括：地震数据、辅助数据和相关资料；所述辅助数据包括仪器班报、几何文件、测量成果数据；所述相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面资料。

优选地，所述微震监测方法的步骤二中，实时地质数据包括：地震监测数据和声音监测数据。

优选地，所述地震监测数据包括地震时间、地震深度、地震等级和地震能量；所述声音监测数据包括：隧道内的多种声波信息，从多种声波信息中，找出与地震相关联的声波靶点信息。

优选地，所述微震监测方法的步骤三中，以往隧道岩爆数据包括：以往的隧道作业时岩爆发生前后的地震资料和声波资料。

优选地，所述微震监测方法的步骤四中，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外。

优选地，所述影像监测方法的步骤一中，岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪、集成电路板。

优选地，所述红外热像仪用于采集当前岩石红外图像发送至所述集成电路板。

优选地，所述可见光摄像头用于采集当前岩石可见光图像发送至所述集成电路板。

优选地，所述激光测距仪用于采集当前与岩石的距离值发送至所述集成电路板。

与现有技术相比，本发明具有以下有益效果：

(1)本发明利用影像监测方法配合微震监测方法使用，使用AI算法模型对隧道内的地质结构、地质变化进行模拟，并不断学习，大大提高了岩爆模拟准确度，对隧道内可能发生岩爆的区域进行实时监测，计算出隧道内可能发生岩爆的发生地点、发生概率、岩爆等级等信息，提前做出相应的准备工作，降低岩爆发生概率，降低岩爆灾害造成的人员和财产损失；

(2)本发明利用匹配分析技术将主动源和采集信号的频率成分进行匹配分析，精准提取岩石地震时的声波靶点信息，去除无效杂波，使采集到的声波更加精准；

(3)本发明通过选取不同隧道建设过程中，发生岩爆时的数据作为AI算法模型的数据库，增大了AI算法模型的学习范围，加速AI算法模型的学习进度，能够使AI算法模型的计算结果更为准确。

附图说明

图1为本发明提供的微震监测方法的流程示意图；

图2为为本发明提供的影像监测方法的流程示意图。

具体实施方式

下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。

实施例1：

本发明提供的隧道岩爆监测方法，包括：微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，包括：地震数据，辅助数据和相关资料等准备工作；辅助数据包括：仪器班报、几何文件、测量成果数据；相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面(vsp)资料；对基础资料进行检查，按线(束)检查与采集数据。存储介质标签内容应包括：工区、施工队号、施工日期、线(束)号、存储介质顺序号、起止文件号、记录格式、记录长度和采样间隔。检查辅助数据是否符合要求。

处理试验与流程：在工区范围内，选择具有代表性(能反映地下构造特征、地标条件特征和资料品质特征)的数据进行试处理。试处理至少应包括以下项目：叠前去噪、振幅补偿、积分厚度、纵横向平滑、速度建模、叠加、偏移；对比分析实验资料，选择最佳处理方法和参数，确定最佳处理流程。

处理技术流程：

处理技术流程主要包括：数据解编或格式转换、几何系统定义、叠前去噪、振幅补偿、波阻抗输出、一次场源去除、积分厚度、地表一致性静校正、仪器一致性校正、多分量地震波成像输出、纵横向平滑参数、速度模型选择、速度模型建立、倾角校正、成像类型选择、偏移和成像加强；

根据以上处理后的数据结果，建立地质模型样本，该样本经过数据可视化处理，形成本隧道的3D图形，并在3D图形上标识出地层的岩层分布情况；

步骤二：建立监测点，具体的，在隧道内每隔一端距离进行打孔，在孔内安装压力传感器、地震传感器和声波监测装置，获得隧道内的实时地质数据，包括：岩石内部压力数据、地震监测数据和声音监测数据；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，AI算法模型采用现有的算法公式，并进行相应的补充修改，添加岩石温度、岩石温度变化率等参数，将实时地质数据提供给AI算法模型，AI算法模型智能分析岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪，岩爆检测仪采用CN115653688A中已经公开的结构设计，岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪、集成电路板，岩爆监测仪用于采集待测岩体区域的当前红外图像和当前可见光图像，所述岩爆监测仪与所述待测岩体区域之间的当前距离值，并将当前红外图像、所述当前可见光图像和所述当前距离值发送给主机；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机将图像与上一时刻该区域的图像进行比对，计算出该区域内岩石温度变化趋势，得到该区域岩石的变化数据；

步骤四：主机将数据发送给AI算法模型的数据库内，修正AI算法模型，重新计算出隧道内岩爆发生概率、岩爆等级和岩爆发生地点，使计算结果更加的精准。

利用影像监测方法配合微震监测方法使用，使用AI算法模型对隧道内的地质结构、地质变化进行模拟，大大提高了模拟准确度，对隧道内可能发生岩爆的区域进行实时监测，计算出隧道内可能发生岩爆的发生地点、发生概率、岩爆等级等信息，提前做出相应的准备工作，降低岩爆发生概率，降低岩爆灾害造成的人员和财产损失。

实施例2：

隧道岩爆监测方法，包括：微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，包括：地震数据，辅助数据和相关资料等准备工作；辅助数据包括：仪器班报、几何文件、测量成果数据；相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面(vsp)资料；对基础资料进行检查，按线(束)检查与采集数据。存储介质标签内容应包括：工区、施工队号、施工日期、线(束)号、存储介质顺序号、起止文件号、记录格式、记录长度和采样间隔。检查辅助数据是否符合要求。

处理试验与流程：在工区范围内，选择具有代表性(能反映地下构造特征、地标条件特征和资料品质特征)的数据进行试处理。试处理至少应包括以下项目：叠前去噪、振幅补偿、积分厚度、纵横向平滑、速度建模、叠加、偏移；对比分析实验资料，选择最佳处理方法和参数，确定最佳处理流程。

处理技术流程：

处理技术流程主要包括：数据解编或格式转换、几何系统定义、叠前去噪、振幅补偿、波阻抗输出、一次场源去除、积分厚度、地表一致性静校正、仪器一致性校正、多分量地震波成像输出、纵横向平滑参数、速度模型选择、速度模型建立、倾角校正、成像类型选择、偏移和成像加强；

根据以上处理后的数据结果，建立地质模型样本，该样本经过数据可视化处理，形成本隧道的3D图形，并在3D图形上标识出地层的岩层分布情况；

步骤二：建立监测点，具体的，在隧道内每隔一端距离进行打孔，间距可根据隧道的地质情况进行排布，但是最大距离不宜超过20m，在孔内安装压力传感器、地震传感器和声波监测装置，获得隧道内的实时地质数据，包括：岩石内部压力数据、地震监测数据和声音监测数据；所述地震监测数据包括地震时间、地震深度、地震等级和地震能量，地震监测数据由安装在孔内的地震传感器进行监测；所述声音监测数据包括：隧道内的多种声波信息，从多种声波信息中，找出与地震相关联的声波靶点信息，利用匹配技术去除非地质噪音。匹配分析技术可将主动源和采集信号的频率成分进行匹配分析，使采集到与地震相关的声波更加准确；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，AI算法模型采用现有的算法公式，并进行相应的补充修改，添加岩石温度、岩石温度变化率等参数，将实时地质数据提供给AI算法模型，AI算法模型智能分析岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习，AI算法模型通过不断的自我学习成长，使其分析结果的精准度不断提高；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪，岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪、集成电路板，岩爆监测仪用于采集待测岩体区域的当前红外图像和当前可见光图像，所述岩爆监测仪与所述待测岩体区域之间的当前距离值，并将当前红外图像、所述当前可见光图像和所述当前距离值发送给主机；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机将图像与上一时刻该区域的图像进行比对，计算出该区域内岩石温度变化趋势，得到该区域岩石的变化数据；

步骤四：主机将数据发送给AI算法模型的数据库内，修正AI算法模型，重新计算出隧道内岩爆发生概率、岩爆等级和岩爆发生地点，使计算结果更加的精准。

利用匹配分析技术将主动源和采集信号的频率成分进行匹配分析，精准提取岩石地震时的声波靶点信息，去除无效杂波，使采集到的声波更加精准。

实施例3：

隧道岩爆监测方法，包括：微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，包括：地震数据，辅助数据和相关资料等准备工作；辅助数据包括：仪器班报、几何文件、测量成果数据；相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面(vsp)资料；对基础资料进行检查，按线(束)检查与采集数据。存储介质标签内容应包括：工区、施工队号、施工日期、线(束)号、存储介质顺序号、起止文件号、记录格式、记录长度和采样间隔。检查辅助数据是否符合要求。

处理试验与流程：

在工区范围内，选择具有代表性(能反映地下构造特征、地标条件特征和资料品质特征)的数据进行试处理。试处理至少应包括以下项目：叠前去噪、振幅补偿、积分厚度、纵横向平滑、速度建模、叠加、偏移；对比分析实验资料，选择最佳处理方法和参数，确定最佳处理流程。

处理技术流程：

处理技术流程主要包括：数据解编或格式转换、几何系统定义、叠前去噪、振幅补偿、波阻抗输出、一次场源去除、积分厚度、地表一致性静校正、仪器一致性校正、多分量地震波成像输出、纵横向平滑参数、速度模型选择、速度模型建立、倾角校正、成像类型选择、偏移和成像加强；

根据以上处理后的数据结果，建立地质模型样本，该样本经过数据可视化处理，形成本隧道的3D图形，并在3D图形上标识出地层的岩层分布情况；

步骤二：建立监测点，具体的，在隧道内每隔一端距离进行打孔，间距可根据隧道的地质情况进行排布，但是最大距离不宜超过20m，在孔内安装压力传感器、地震传感器和声波监测装置，获得隧道内的实时地质数据，包括：岩石内部压力数据、地震监测数据和声音监测数据；所述地震监测数据包括地震时间、地震深度、地震等级和地震能量，地震监测数据由安装在孔内的地震传感器进行监测；所述声音监测数据包括：隧道内的多种声波信息，从多种声波信息中，找出与地震相关联的声波靶点信息，利用匹配技术去除非地质噪音。匹配分析技术可将主动源和采集信号的频率成分进行匹配分析，使采集到与地震相关的声波更加准确；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，AI算法模型采用现有的算法公式，并进行相应的补充修改，添加岩石温度、岩石温度变化率等参数，以往隧道岩爆数据包括：以往的隧道作业时岩爆发生前后的地震资料和声波资料，这些资料包括但不限于本隧道建造时的资料，这些资料都将作为AI算法模型的资料库使用，供AI算法模型成长，将实时地质数据提供给AI算法模型，AI算法模型根据现有资料，智能分析本隧道内的岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理，AI算法模型分析处结果后，在3D隧道模型显示出计算结果，结果显示与地震显示方式类似，可能性大小和强度按照大小和颜色的深浅度进行区分，颜色深度越深，则可能性越大，圆圈的直径越大，则强度越大，工程人员根据计算结果，对隧道岩爆高危区域进行处理，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习，AI算法模型通过不断的自我学习成长，使其分析结果的精准度不断提高；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪，岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪、集成电路板，岩爆监测仪用于采集待测岩体区域的当前红外图像和当前可见光图像，所述岩爆监测仪与所述待测岩体区域之间的当前距离值，并将当前红外图像、所述当前可见光图像和所述当前距离值发送给主机；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机将图像与上一时刻该区域的图像进行比对，计算出该区域内岩石温度变化趋势，得到该区域岩石的变化数据；

步骤四：主机将数据发送给AI算法模型的数据库内，修正AI算法模型，重新计算出隧道内岩爆发生概率、岩爆等级和岩爆发生地点，使计算结果更加的精准。

通过选取不同隧道建设过程中，发生岩爆时的数据作为AI算法模型的数据库，增大了AI算法模型的学习范围，加速AI算法模型的学习进度，能够使AI算法模型的计算结果更为准确。

实施例4：

隧道岩爆监测方法，包括：微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，包括：地震数据，辅助数据和相关资料等准备工作；辅助数据包括：仪器班报、几何文件、测量成果数据；相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面(vsp)资料；对基础资料进行检查，按线(束)检查与采集数据。存储介质标签内容应包括：工区、施工队号、施工日期、线(束)号、存储介质顺序号、起止文件号、记录格式、记录长度和采样间隔。检查辅助数据是否符合要求。

处理试验与流程：在工区范围内，选择具有代表性(能反映地下构造特征、地标条件特征和资料品质特征)的数据进行试处理。试处理至少应包括以下项目：叠前去噪、振幅补偿、积分厚度、纵横向平滑、速度建模、叠加、偏移；对比分析实验资料，选择最佳处理方法和参数，确定最佳处理流程。

处理技术流程：

处理技术流程主要包括：数据解编或格式转换、几何系统定义、叠前去噪、振幅补偿、波阻抗输出、一次场源去除、积分厚度、地表一致性静校正、仪器一致性校正、多分量地震波成像输出、纵横向平滑参数、速度模型选择、速度模型建立、倾角校正、成像类型选择、偏移和成像加强；

根据以上处理后的数据结果，建立地质模型样本，该样本经过数据可视化处理，形成本隧道的3D图形，并在3D图形上标识出地层的岩层分布情况；

步骤二：建立监测点，具体的，在隧道内每隔一端距离进行打孔，间距可根据隧道的地质情况进行排布，但是最大距离不宜超过20m，在孔内安装压力传感器、地震传感器和声波监测装置，获得隧道内的实时地质数据，包括：岩石内部压力数据、地震监测数据和声音监测数据；所述地震监测数据包括地震时间、地震深度、地震等级和地震能量，地震监测数据由安装在孔内的地震传感器进行监测；所述声音监测数据包括：隧道内的多种声波信息，从多种声波信息中，找出与地震相关联的声波靶点信息，利用匹配技术去除非地质噪音。匹配分析技术可将主动源和采集信号的频率成分进行匹配分析，使采集到与地震相关的声波更加准确；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，AI算法模型采用现有的算法公式，并进行相应的补充修改，添加岩石温度、岩石温度变化率等参数，以往隧道岩爆数据包括：以往的隧道作业时岩爆发生前后的地震资料和声波资料，这些资料包括但不限于本隧道建造时的资料，这些资料都将作为AI算法模型的资料库使用，供AI算法模型成长，将实时地质数据提供给AI算法模型，AI算法模型根据现有资料，智能分析本隧道内的岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理，AI算法模型分析处结果后，在3D隧道模型显示出计算结果，结果显示与地震显示方式类似，可能性大小和强度按照大小和颜色的深浅度进行区分，颜色深度越深，则可能性越大，圆圈的直径越大，则强度越大，工程人员根据计算结果，对隧道岩爆高危区域进行处理，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习，AI算法模型通过不断的自我学习成长，使其分析结果的精准度不断提高；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪，岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪、集成电路板，岩爆监测仪用于采集待测岩体区域的当前红外图像和当前可见光图像，所述岩爆监测仪与所述待测岩体区域之间的当前距离值，并将当前红外图像、所述当前可见光图像和所述当前距离值发送给主机；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机从所述当前红外图像中，确定包含所述待测岩体区域中的原始预设高热区域的目标红外图像，当所述当前可见光图像满足第一预设条件且所述当前距离值满足第二预设条件时，对所述目标红外图像与所述待测岩体区域的上一时刻的红外图像进行比较，得到所述待测岩体区域的当前岩爆风险等级。其中，原始预设高热区域为：预先在待测区域中框选出的高热区域或者潜在危险区域，该区域可以是一个或多个，也可以是连续的区域或者不连续的区域，在此不设限制。其中，目标红外图像为：当前红外图像中仅包含原始预设高热区域部分的红外图像。第一预设条件为：当前可见光图像中只包含待测岩体区域，即可见光图像中不存在人、车或者其他人为热源。第二预设条件为：当前距离值与原始距离值之间的距离差值小于或等于预设距离值，原始距离值是指上一时刻所采集的距离值；预设距离值是指当前距离值与原始距离值之间的变化幅度的10％，也可根据需求进行设定；例如，原始距离值为1m，当前距离值为1.2m，此时预设距离值为0.1m，但实际变化幅度为20％(0.2m)；由于变化幅度超过了预设距离值，所以此情形下不满足第二预设条件。其中，当前岩爆风险等级根据标红外图像与所述待测岩体区域的上一时刻的红外图像进行比较，并根据图像的变化程度进行确定。在本实施例中，岩爆监测仪每隔预设时间进行一次采集并传输，也可实时进行采集并获取间隔一定帧数的图像进行传输，在此不设限制，得到该区域岩石的变化数据；

步骤四：主机将数据发送给AI算法模型的数据库内，修正AI算法模型，重新计算出隧道内岩爆发生概率、岩爆等级和岩爆发生地点，使计算结果更加的精准。

通过设置主机对隧道岩层的温度变化进行监控并进行初步分析，辅助AI算法模型对隧道岩爆进行监测，降低了AI算法模型的计算资源需求，提高了AI算法模型的精准度。

实施例5：

隧道岩爆监测方法，包括：微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，包括：地震数据，辅助数据和相关资料等准备工作；辅助数据包括：仪器班报、几何文件、测量成果数据；相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面(vsp)资料；对基础资料进行检查，按线(束)检查与采集数据。存储介质标签内容应包括：工区、施工队号、施工日期、线(束)号、存储介质顺序号、起止文件号、记录格式、记录长度和采样间隔。检查辅助数据是否符合要求。

处理试验与流程：在工区范围内，选择具有代表性(能反映地下构造特征、地标条件特征和资料品质特征)的数据进行试处理。试处理至少应包括以下项目：叠前去噪、振幅补偿、积分厚度、纵横向平滑、速度建模、叠加、偏移；对比分析实验资料，选择最佳处理方法和参数，确定最佳处理流程。

处理技术流程：

处理技术流程主要包括：数据解编或格式转换、几何系统定义、叠前去噪、振幅补偿、波阻抗输出、一次场源去除、积分厚度、地表一致性静校正、仪器一致性校正、多分量地震波成像输出、纵横向平滑参数、速度模型选择、速度模型建立、倾角校正、成像类型选择、偏移和成像加强；

根据以上处理后的数据结果，建立地质模型样本，该样本经过数据可视化处理，形成本隧道的3D图形，并在3D图形上标识出地层的岩层分布情况；

步骤二：建立监测点，具体的，在隧道内每隔一端距离进行打孔，间距可根据隧道的地质情况进行排布，但是最大距离不宜超过20m，在孔内安装压力传感器、地震传感器和声波监测装置，获得隧道内的实时地质数据，包括：岩石内部压力数据、地震监测数据和声音监测数据；所述地震监测数据包括地震时间、地震深度、地震等级和地震能量，地震监测数据由安装在孔内的地震传感器进行监测；所述声音监测数据包括：隧道内的多种声波信息，从多种声波信息中，找出与地震相关联的声波靶点信息，利用匹配技术去除非地质噪音。匹配分析技术可将主动源和采集信号的频率成分进行匹配分析，使采集到与地震相关的声波更加准确；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，AI算法模型采用现有的算法公式，并进行相应的补充修改，添加岩石温度、岩石温度变化率等参数，以往隧道岩爆数据包括：以往的隧道作业时岩爆发生前后的地震资料和声波资料，这些资料包括但不限于本隧道建造时的资料，这些资料都将作为AI算法模型的资料库使用，供AI算法模型成长，将实时地质数据提供给AI算法模型，AI算法模型根据现有资料，智能分析本隧道内的岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理，AI算法模型分析处结果后，在3D隧道模型显示出计算结果，结果显示与地震显示方式类似，可能性大小和强度按照大小和颜色的深浅度进行区分，颜色深度越深，则可能性越大，圆圈的直径越大，则强度越大，工程人员根据计算结果，对隧道岩爆高危区域进行处理，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习，AI算法模型通过不断的自我学习成长，使其分析结果的精准度不断提高；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪，岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪、集成电路板，所述红外热像仪用于采集当前岩石红外图像发送至所述集成电路板；所述可见光摄像头用于采集当前岩石可见光图像发送至所述集成电路板；所述激光测距仪用于采集当前与岩石的距离值发送至所述集成电路板；电路板处理各种信息，电路板可通过有线或者无线通信装置将信息传输给主机；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机从所述当前红外图像中，确定包含所述待测岩体区域中的原始预设高热区域的目标红外图像，当所述当前可见光图像满足第一预设条件且所述当前距离值满足第二预设条件时，对所述目标红外图像与所述待测岩体区域的上一时刻的红外图像进行比较，得到所述待测岩体区域的当前岩爆风险等级。其中，原始预设高热区域为：预先在待测区域中框选出的高热区域或者潜在危险区域，该区域可以是一个或多个，也可以是连续的区域或者不连续的区域，在此不设限制。其中，目标红外图像为：当前红外图像中仅包含原始预设高热区域部分的红外图像。第一预设条件为：当前可见光图像中只包含待测岩体区域，即可见光图像中不存在人、车或者其他人为热源。第二预设条件为：当前距离值与原始距离值之间的距离差值小于或等于预设距离值，原始距离值是指上一时刻所采集的距离值；预设距离值是指当前距离值与原始距离值之间的变化幅度的10％，也可根据需求进行设定；例如，原始距离值为1m，当前距离值为1.2m，此时预设距离值为0.1m，但实际变化幅度为20％(0.2m)；由于变化幅度超过了预设距离值，所以此情形下不满足第二预设条件。其中，当前岩爆风险等级根据标红外图像与所述待测岩体区域的上一时刻的红外图像进行比较，并根据图像的变化程度进行确定。在本实施例中，岩爆监测仪每隔预设时间进行一次采集并传输，也可实时进行采集并获取间隔一定帧数的图像进行传输，在此不设限制，得到该区域岩石的变化数据；

步骤四：主机将数据发送给AI算法模型的数据库内，修正AI算法模型，重新计算出隧道内岩爆发生概率、岩爆等级和岩爆发生地点，使计算结果更加的精准。

通过设置红外热像仪、可见光摄像头、激光测距仪采集隧道内的岩层数据，并将数据传输给主机，能够实时对隧道内部岩层进行监测，辅助AI算法模型对岩爆发生结果进行计算。

Claims (10)

1.一种隧道岩爆监测方法，其特征在于，包括：

微震监测方法和影像监测方法；

所述微震监测方法，包括以下步骤：

步骤一：采集地质数据信息，建立地质模型样本；

步骤二：建立监测点，获得隧道内的实时数据；

步骤三：依据以往隧道岩爆数据和地质模型样本建立AI算法模型，将实时数据提供给AI算法模型，AI算法模型智能分析岩爆发生概率、岩爆等级和岩爆发生地点；

步骤四：根据AI算法模型分析结果进行处理；

步骤五：将岩爆发生时的监测数据补充进入AI算法模型的数据库内，供AI算法模型自主学习；

所述影像监测方法，包括以下步骤：

步骤一：在岩爆可能发生区域建立岩爆观测点，在岩爆观测点内安装岩爆监测仪；

步骤二：岩爆监测仪摄录岩层数据，将数据发送给主机；

步骤三：主机将图像与上一时刻该区域的图像进行比对，计算出该区域内岩石温度变化趋势，得到该区域岩石的变化数据；

步骤四：主机将数据补充进入AI算法模型的数据库内。

2.根据权利要求1所述的一种隧道岩爆监测方法，其特征在于，所述微震监测方法的步骤一中，地质数据信息包括：地震数据、辅助数据和相关资料；所述辅助数据包括仪器班报、几何文件、测量成果数据；所述相关资料包括：勘探工程设计图、采集施工设计和施工总结报告、现场处理剖面、以往其它勘探方法处理成果和处理、解释报告，以及以往地质、钻井、测井、垂直地震剖面资料。

3.根据权利要求1所述的一种隧道岩爆监测方法，其特征在于，所述微震监测方法的步骤二中，实时地质数据包括：地震监测数据和声音监测数据。

4.根据权利要求3所述的一种隧道岩爆监测方法，其特征在于，所述地震监测数据包括地震时间、地震深度、地震等级和地震能量；所述声音监测数据包括：隧道内的多种声波信息，从多种声波信息中，找出与地震相关联的声波靶点信息。

5.根据权利要求1所述的一种隧道岩爆监测方法，其特征在于，所述微震监测方法的步骤三中，以往隧道岩爆数据包括：以往的隧道作业时岩爆发生前后的地震资料和声波资料。

6.根据权利要求1所述的一种隧道岩爆监测方法，其特征在于，所述微震监测方法的步骤四中，处理的方式包括：对岩爆高危区域进行加固、疏堵浚通等方式，以确保安全，对已经发生岩爆的区域进行隔离，禁止人员靠近，以防再次发生意外。

7.根据权利要求1所述的一种隧道岩爆监测方法，其特征在于，所述影像监测方法的步骤一中，所述岩爆检测仪包括：红外热像仪、可见光摄像头、激光测距仪和集成电路板。

8.根据权利要求7所述的一种隧道岩爆监测方法，其特征在于，所述红外热像仪用于采集岩石红外图像发送至所述集成电路板。

9.根据权利要求7所述的一种隧道岩爆监测方法，其特征在于，所述可见光摄像头用于采集岩石可见光图像发送至所述集成电路板。

10.根据权利要求7所述的一种隧道岩爆监测方法，其特征在于，所述激光测距仪用于采集与岩石的距离值发送至所述集成电路板。