首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 基于无人机航测技术的露天矿爆堆特征感知方法应用

基于无人机航测技术的露天矿爆堆特征感知方法应用

2025-06-10 64 上传者：管理员

摘要：针对当前爆堆形态特征信息采集过程中，现场采用激光扫描仪存在的扫描作业滞后、劳动强度大、扫描存在视野盲区等瓶颈问题，提出了基于无人机航测技术的露天矿爆堆特征感知方法，并通过对爆堆特征信息采集方案的设计、基于爆堆特征模型的物料量计算、爆堆重构模型精细校验等一系列系统化研究，提出了爆堆特征信息采集和信息分析的标准化操作流程，实现了爆堆特征信息的实时、快速、精准采集。现场试验结果表明：爆堆信息采集可以较以往现场采集时间缩短4 h以上，且爆堆重构模型的平面中误差m=±0.13 m，高程中误差mz=±0.26 m，均满足行业规范的要求。

关键词：
信息感知
抛掷爆破
无人机航测技术
爆堆特征
露天矿山
加入收藏

露天开采作为煤炭开采的重要方式之一,其产能在国内已占据举足轻重的地位｡根据国内煤炭机构的有关统计,露天煤矿原煤产量由2003年的4.6%(露天煤矿原煤产量0.80亿t,煤炭总产量17.36亿t)逐步扩能至2021年的25.9%(露天煤矿原煤产量10.40亿t,煤炭总产量41.30亿t)｡而爆破作为露天开采的主要生产工序之一,岩石台阶起爆后的爆堆形态特征信息对后续采装､运输以及排弃等生产环节的生产决策至关重要｡

当前国内外诸多学者围绕影响爆堆特征因素､爆堆形态特征信息感知､爆破效果预测等诸多研究领域进行了系统化的分析和研究｡张肯等[1]基于GDEM-BlockDyna数值模拟方法,分析了爆堆形态随装药结构的变化规律,优化了炮孔装药结构;崔年生等[2]基于现场生产数据,研究揭示了爆堆分布特征以及爆破大块的运移规律;王昱琛等[3]提出了一种海洋捕食者算法(MPA)优化支持向量机(SVM)的方法,实现了爆堆形态的精准化预测;彭飞[4]提出了一种基于离散元数值模拟方法,有效揭示了爆破岩石质点的抛掷运移轨迹;苗作华等[5]对爆破参数进行了敏感性分析,探究了影响爆堆形态的主控因素;刘士彪[6]系统化分析了三维激光扫描技术的操作流程和信息采集方法;齐留洋等[7]､冷振东等[8]､王金绪[9]分别基于Weibull分布模型的爆堆形态模拟预测方法,建立了爆堆形态预测模型;王毅等[10]以别斯库都克露天矿为研究对象,研究分析了露天矿爆堆形态主要影响因素｡

当前围绕爆破效果预测､影响爆破效果因素等诸多领域已形成了系统化的研究成果[11-12]｡而当前露天矿山爆堆信息采集主要采用三维激光扫描仪,然而考虑到爆堆信息采集过程中存在的扫描作业滞后､劳动强度大､扫描存在视野盲区等问题,由此造成爆堆数据局部存在偏差,进而给后续爆破效果评价和生产决策带来阻碍｡为此,提出了基于无人机航次技术的露天矿山爆堆特征信息感知方法,以便为爆堆信息精准化采集,爆破效果精准化预测奠定基础｡

1、工程背景和爆堆特征信息采集方案

当前,为掌握抛掷爆破实施效果,黑岱沟露天煤矿采用激光扫描仪技术对高台阶､采空区以及爆堆等特征信息进行采集,而后进行分析｡然而信息采集过程中存在扫描作业滞后､劳动强度大､扫描存在视野盲区等问题,在一定程度上影响了数据采集的效率和精度｡因此有必要研究和探索更具有安全性､快捷性以及精准性的数据采集方法｡

伴随高精度定位､机器人以及图像识别等技术的普及,无人机技术也得到了快速发展｡因其时效性强､作业成本低､机动灵活等特点被广泛应用于工程测绘行业｡截至目前,国内外诸多学者围绕无人机在露天测绘领域的应用开展了诸多研究和实验,充分验证了该技术的可行性｡鉴于此,提出了基于无人机航测技术的高台阶､采空区以及爆堆特征信息的快速采集方法｡

为提高后期内业爆堆点云数据的特征精度,在无人机起飞前,需要在爆堆区域周围布设相控点,以便后续对点云数据进行修正[13]｡综合考虑爆堆地形复杂性､人员安全性以及信号覆盖性｡研究提出了基于区域网法的像控点布设方案,布设方案中的像控点位均采用平高点｡无人机航测方案如下:

1)无人机设备型号选择｡无人机性能的好坏在一定程度上决定了爆堆数据采集的精准度｡研究过程中无人机采用目前航测性能最佳的大疆M300,该设备最大飞行速度位移23m/s,最大上升速度为6m/s,且搭载的图像传感器像素高达4500万,精度为3cm｡

2)航高设计｡为确保爆堆形态点云数据采集的完整性和可靠性,无人机飞行高度的设计至关重要[14]｡无人机水平飞行时距离抛掷爆破爆堆区的平均高度,关系式可表示为:

式中:Hhg为相对航高,m;f为云台焦距,mm;GSD为爆堆分辨率,cm;a为像元间距,mm｡

3)图像重叠度设计｡合理的图像重叠度是确保爆堆形态特征完整性的保障,为降低无人机的飞行航次,减少后期内业数据处理的工作量｡图像重叠度关系式可表示为

式中:Qx为航向重叠度,%;Qy为旁重叠度,%;Px为相邻图像航向重叠长度;Py为相邻航带间相邻图像航向重叠长度;Lx为图像总长度｡

4)飞行速度设计｡无人机飞行速度是影响外业作业时间,爆堆图像清晰度的关键指标,合理的规划飞行速度有助于提高外业作业效率和图像清晰度[15],无人机最大巡航速度计算关系式可表示为:

式中:vmax为最大巡航速度,m/s;t为云台曝光时间,s;δmax为容许最大像移值｡

2023年3月—2024年3月,采集爆堆特征信息4次,较以往现场爆堆信息采集,采集时间可以缩减4h左右｡以2023年南5次抛掷爆破为采集案例,依据CH/Z4005—2010《低空数字航空摄影规范》规定,对无人机飞行指标进行计算和分析｡无人机外业数据指标如下:爆堆范围为650m×200m;航测模式为“井”字形正射;像控点数量为5;起降航次为2;飞行最大航速为12m/s;飞行最大航高为120m;图像重叠度为70%;采集图像数量为470｡

2、基于爆堆模型的物料量计算及精度检验

2.1物料量计算

基于无人机航测技术,分别得到抛掷爆破实施前后的爆区环境特征｡抛掷爆破实施前,爆区环境特征信息主要包括待爆实体高台阶特征信息､部分煤层特征信息､采空区特征信息､倒土堆特征信息｡抛掷爆破实施后,爆区环境特征信息主要为爆堆特征信息｡

1)抛掷爆破后爆区体积｡抛掷爆破后爆区总体积Vh主要由煤层上部岩石体积和煤层体积组成｡基于爆区特征模型构建抛掷爆破爆区基准面模型,然后基于采用专业建模软件方格网计算模块,计算得到抛掷爆破后爆区总体积Vh｡抛掷爆破爆区基准面模型构建如图1所示｡

图1抛掷爆破爆区基准面模型构建

2)抛掷爆破前爆区体积｡在爆堆特征模型内部包含待采煤层,为精准量化爆堆物料总体积,需要构建煤层结构模型,然后基于煤层结构模型量化煤层体积Vm及爆破前爆区总体积Vq｡

3)爆堆与倒土堆交界处体积｡抛掷爆破实施后,爆堆坡面与邻近的倒土堆融合并按照自然安息角形成一定的临界面｡然后基于临界面模型量化物理量体积｡抛掷爆破前爆区特征模型及倒土堆临界面模型构建如图2所示｡基于抛掷爆基于抛掷爆破前后爆区特征模型､采空区结构模型､煤层结构模型､倒土堆临界面模型,结合式(5)~式(7),可计算出抛掷爆破爆区待爆高台阶体积V1､爆破后物料体积V2､松散系数λ等关键性指标｡关系式及关系性指标参数如下:

图2抛掷爆破前爆区特征模型及倒土堆临界面模型构建

基于无人机航测技术,对2023年3月28日(南3次)､5月10日(北3次)､6月20日(南5次)以及6月27日(南6次)等4次抛掷爆破爆堆信息进行了采集,然后通过爆堆特征､爆区环境特征等信息分析与处理,并结合4次抛掷爆破现场设计参数,计算得到了能表征抛掷爆破效果的关键指标参数｡抛掷爆破爆堆关键指标参数见表1｡

表1抛掷爆破爆堆关键指标参数

2.2爆堆模型精度检验

为了检验爆堆三维重构模型的精准性,基于布设的5个像控点空间三维坐标,采用平面中误差和高程中误差对爆堆数据进行误差性分析｡其中,平面中误差和高程中误差表达式为:

式中:m为平面中误差;mz为高程中误差｡

根据CH/T9015—2012《三维地理信息模型数据产品规范》的相关规定,1:500比例尺的测绘成果对于I级精度的要求是,平面中误差≤0.3m,高程中误差≤0.5m｡经过对爆堆重构模型的误差性分析后,研究结果表明:爆堆重构模型的平面中误差m=±0.13m,高程中误差mz=±0.26m,均满足行业规范的要求｡

3、结语

1)针对以往抛掷爆破爆堆信息采集过程中存在扫描作业滞后､劳动强度大､扫描存在视野盲区等问题,提出了基于无人机航测技术的爆堆特征快速､实时､精准采集方法｡

2)构建了高台阶特征､煤层特征､采空区特征､倒土堆特征结构模型,提出了标准化的物料量计算方法,为精准获取抛掷爆破爆堆物料总量､抛掷量､松散系数等关键指标参数奠定了基础｡

3)基于布设的像控点空间三维坐标,采用平面中误差和高程中误差对爆堆重构模型的误差性分析后,误差精度均满足行业规范的要求｡

参考文献:

[1]张肯,于燕,刘犇,等.基于GDEM-BlockDyna的不同装药结构对爆堆形态影响研究[J].爆破,2024,41(2):127-135.

[2]崔年生,王元禄,钟添榕,等.排间延时对露天台阶爆破爆堆形态的影响[J].能源与节能,2023(2):29-33.

[3]王昱琛,杨仕教,郭钦鹏,等.基于MPA-SVM的煤矿抛掷爆破爆堆形态预测[J].爆破器材,2023,52(1):58-64.

[4]彭飞.露天矿台阶爆破过程爆堆空间形态数值分析研究[J].爆破,2022,39(3):100-105.

[5]苗作华,谢媛,任磊,等.基于三维可视化的爆堆形态灰色敏感度分析[J].金属矿山,2022(2):83-89.

[6]刘士彪.基于三维激光扫描技术的爆堆特征信息提取与应用[D].赣州:江西理工大学,2020.

[7]齐留洋,郭建新,顾春雷.基于Weibull模型的爆堆形态神经网络预测[J].有色金属(矿山部分),2019,71(3):92-95.