首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 基于随钻测量的矿区岩体力学爆破块度预测方法

基于随钻测量的矿区岩体力学爆破块度预测方法

2024-05-20 53 上传者：管理员

摘要：在采矿作业中，岩体爆破块度分布对装载、运输及破碎成本有很大的影响。目前已知的预测爆破块度的方法很多，但没有一种方法完全适用于无底柱分段崩落法的爆破块度评估，其主要原因是地下环境的多变性以及缺乏充分表征岩体的数据。随着钻进装备的智能化发展，随钻测量(MWD)系统已成为提供更多现场岩体信息的重要工具。在某矿区无底柱分段崩落法采场，采集了17个爆破循环共175个钻孔的MWD数据，照片完整记录了每个爆破循环的岩体碎片。利用MWD数据将爆破前的岩体形态分为5种类型，利用平均块度指数X50将爆破后岩体碎片分为4类，研究了岩体类型与爆破碎片的关系，提出了一个无底柱分段崩落法爆破碎片预测模型。结果表明：完整岩体倾向于产生更细的爆破碎片，在完整岩体和轻微破碎岩体中，装药和爆破过程面临的挑战和不确定性较小，因此，可以更好地预测相应的破碎程度；岩体不连续性和爆破碎片大小之间存在正相关性，因此，不连续岩体倾向于产生更大的爆破碎片。

关键词：
无底柱分段崩落法
爆破块度
爆破碎片
随钻测量
预测模型
加入收藏

岩石爆破块度指的是爆破后岩石的尺寸分布，它是评价爆破效果的一个关键指标。爆破岩石块度影响爆破材料的重力流、装载与破碎作业效率，良好的爆破块度有助于装载和运输[1,2,3]。一般来说，过度爆破会导致爆破成本增加，而爆破不足会导致爆破后岩渣处理费用增加。ZHANG等[4]认为，更细的块度增加了材料的流动性，并导致爆破环节产生更均匀的重力流。相反，较粗的碎块，尤其是过大的碎块，会阻碍物质流动，可能导致二次破碎。

岩石爆破块度受爆破设计、岩石强度和岩体结构面等因素的影响[5,6]。无底柱分段崩落法采矿时爆破的设计很重要，因为扇形上向炮孔集中在爆破轮廓的底部，在爆破轮廓的上部分布更广(如图1所示)。向上钻凿深孔也会增加轮廓上部钻孔偏差的概率，爆破轮廓的这种设计和可能的钻孔偏差导致不均匀的负荷和装药，使沿钻孔的能量分布不均匀。此外，爆破孔装药是影响破碎和大块形成的另一个关键因素，由于钻孔坍塌或堵塞，钻孔的实际装药长度可能小于设计长度，装药率降低会导致局部能量降低，从而导致爆破不足[7,8,9]。

图1 无底柱分段崩落法炮孔布置

岩石爆破块度的评估有几种直接和间接方法，包括筛分、观测和基于图像的分析方法，通常在爆破前使用不同研究人员开发的不同经验公式进行估算。破碎模型有助于确定爆破后岩石尺寸分布[10],但破碎模型大多是为露天矿开发的[11],缺乏在地下采矿工程中的应用。目前，激光扫描和钻孔扫描等现代技术在采矿工程中的应用使得获取准确的岩体数据成为可能。其中，随钻测量(MWD)是一种监测钻井过程的技术，它不需要额外的设备，如激光扫描仪或摄像头来收集数据，也不会干扰采矿作业。在钻孔过程中，它记录了各种参数，如钻孔深度、钻进速率、冲击压力、钻进压力、旋转压力、旋转速度等[12,13]。MWD技术已被用于改进爆破设计[14]、评估钻孔的装药性[15]、估算岩石强度[16]、检测岩体中的不连续性[17,18]等。

本文研究了利用MWD数据预测无底柱分段崩落法爆破块度的可行性，收集了某无底柱分段崩落法矿区17个爆破循环共175个钻孔的MWD数据，完整记录了每个爆破循环的岩体碎片照片。利用MWD技术将爆破前的岩体形态分为5种类型，利用平均块度指数X50将爆破后的岩体碎片分为4类。采用相关分析和偏最小二乘法(PLS)回归确定了基于MWD的岩体特征与破碎块度之间的关系，为无底柱分段崩落法爆破块度预测提供了一种新方法。

1、基于MWD的数据处理与岩体分类研究方法

某矿区无底柱分段崩落法采场共设1595 m、1580 m、1565 m 和1546 m四个开采分段。为了提高生产效率，大规模采用无底柱分段崩落法进行矿石开采。采场的爆破岩石由铲运机运输至矿石溜井，将矿石从生产层转移至运输层，再由卡车将矿石运输至地面破碎站。

1.1 MWD数据收集与处理

每个爆破循环的炮孔数量大多为10个，部分10～12个，钻孔直径为76 mm, 钻孔长度为25～45 m不等。本研究使用了17个循环共175个钻孔的MWD数据，采样间隔设置为2 cm。另外，在斜坡道出口安装了摄像头，完整记录了每个爆破循环岩体装载卡车的照片，便于后期对爆破岩石块度进行分析。

MWD数据通常包含超出正常钻孔行为范围的数据值，包括一些极高值或者负值，以及钻孔过程本身可能产生与岩体变化无关，而与钻机或控制系统有关的数据。因此，开始分析之前必须对MWD数据进行过滤，以找到最能代表岩石特征的数据。

基于频率分析和实践经验的MWD数据滤波方法[9]认为每个MWD参数的经验概率分布是根据完整的数据集建立的，保留99%置信区间内的数值用于分析是合理的。使用每个参数的预定义间隔过滤记录的样本，在这些阈值限制之外，钻孔被认为是不现实的或有缺陷的。以钻进压力为例，绘制累积分布函数(如图2所示),得到钻压区间为4.5～7.3 MPa。根据此方法，过滤后MWD参数的变化区间见表1。

图2 钻进压力的累积分布函数

表1 过滤后的MWD参数取值区间

1.2 基于MWD的岩体分类

钻机记录的钻进参数不是独立的，而是相关联的，单参数分析可能无法表征钻进数据的复杂性。如当钻头遇破碎带时，钻进速率和旋转压力的波动显著增加。在过滤MWD数据后，使用主成分分析(PCA)表征钻孔周围岩体的质量。作为PCA分析的输入项，不仅使用了过滤后的MWD参数，还使用了钻进速率和旋转压力的变化率，钻进速率变化率和旋转压力变化率都对岩体破碎或岩体的均质性比较敏感，因此，通过组合两个参数来合成单一参数更稳定。

使用Schunnesson[19]开发的以下方程式计算压裂参数FIi:

式中，PRV表示钻进速率变化率；RPV表示旋转压力变化率；σPR是所记录钻进速率的标准差；σRP是所记录旋转压力的标准差。有关PCA计算的详细说明，可参见文献[20]。

根据PCA分析，可将矿区钻孔遇到的岩体分为5类，分别为完整岩体、轻微破碎岩体、破碎岩体、小孔洞和大孔洞(如图3所示)。建立了MWD第一主成分与岩体类型的关系之后，就可以根据爆破循环的MWD参数计算每个循环的每种岩体类别的百分比。

图3 5种类型的岩体

1.3 岩石碎片照片处理

为了分析每个循环爆破岩石块度，利用高清监控摄像头内置的运动捕捉程序收集每个运载卡车的视频，视频中会以红色的进度条显示捕捉的运动照片。在分析之前，对来自摄像机的照片进行处理，将原始视频数据转换为可用形式。共选择204张装满爆破岩石的装载卡车图像，使用 Split-desktop软件进行爆破碎片评估，如图4所示。

在本研究中，根据X50将碎片分为4类(如图5所示)。1级为细碎屑，X50<50 mm; 2级为中等碎片，X50=50～400 mm; 3级为粗碎片，X50=400～1000 mm; 4级为超大碎片，X50>1000mm。

图4 爆破平均块度指数X50的获取方法

图5 基于X50的4类岩体爆破碎片

1.4 相关性分析

本研究使用相关性分析来检验由MWD数据确定的岩体类别与Split-desktop估算的爆破块度之间的关系。相关性分析是一种统计方法，用于评估两个变量之间的关联，例如独立变量和响应变量，其中相关系数“R”量化了关系的强度。R值的范围从-1到+1;在这一评级体系中，-1表示变量对之间完全负相关，+1表示完全正相关，0表示完全独立且没有任何相关性。

在本研究中，多元回归分析被用来分析岩体类型和爆破块度之间的关系。多元回归能够处理多个变量，同时考虑变量之间的所有关联。本项研究使用了偏最小二乘回归法(PLS)回归，因为它对观测量和样本量的要求很低，并且能够指出可能存在或不存在相关关系的地方。PLS有助于建立预测多个因变量的模型，它概括并结合了主成分分析(PCA)和多元回归的特征。当需要从大量自变量中预测一组因变量时，它非常适用[21]。与多元回归不同，PLS不假设预测因子是固定的，这意味着预测值可以用误差进行测量，使得PLS对测量不确定性更具鲁棒性[22]。

2、结果分析

2.1 相关性测试——岩体类型与破碎度

为了初步研究岩体类别和爆破块度之间的关系，为每种类型的岩体绘制了带有线性回归线的散点图(如图6所示)。图6中每幅图有17个数据点，每个数据点代表一个爆破循环。由图6可知，在大部分图形中，可以看到岩体类别和爆破块度之间存在明显的相关性，但粗碎片和超大碎片(第3列和第4列)图片中散点的分散性高于细碎屑和中等碎片。当完整岩体的百分含量增加时，细粒材料的数量增加；而对于所有其他岩体类型，随着百分含量的增加，细粒材料的数量减少。同样，当完整岩体的百分含量增加时，中等大小的岩石碎片减少；而对于所有其他岩体类型，随着百分含量的增加，中等大小的岩石碎片增加。

图6 不同爆破碎片类别和岩体类别百分比对应的散点图和线性回归线

2.2 相关性测试——线性或单调关系

为了进一步研究岩体类别和爆破块度之间的关系，计算并分析了皮尔逊(Pearson)和斯皮尔曼(Spearman)相关系数。首先计算皮尔逊相关系数(R)、显著性p值和决定系数(R2),结果见表2。本研究将观察变量之间没有关系作为零假设，而将观察变量之间存在关系作为备择假设。显著性p值≤0.05用于拒绝零假设，即p值≤0.05时表明存在显著相关关系，p值>0.05时表明不存在显著相关关系。R2显示了模型捕获的变异量，表示模型的拟合优度。细碎屑和中等碎片的p值≤0.05,这意味着可以拒绝零假设，表明岩体类型与细碎屑、中等碎片岩石之间可能存在相关性。对于粗碎片和超大碎片，p值均大于0.05,表明统计上不存在显著的相关性。表5中的R、p值和R2值均表明，与粗碎片和超大碎片相比，细碎屑、中等碎片的岩石块度和岩体类型之间的相关性更好。

表2 岩体类型与爆破碎片类型的皮尔逊相关系数

皮尔逊相关系数衡量两个变量倾向于线性变化的程度。如果关系不是严格线性的，可以使用斯皮尔曼相关系数[23]。斯皮尔曼相关系数用于评估两个连续或有序变量之间的单调关系。在单调关系中，变量往往一起变化，但不一定以恒定速率变化。表3列出了皮尔逊和斯皮尔曼相关系数的比较，由表3可知，斯皮尔曼相关系数高于皮尔逊相关系数。这表明观察变量之间存在单调关系，并且这两个系数表明了相同的关系，即细碎屑、中等碎片的岩石块度和岩体类型之间的相关性更好。

表3 皮尔逊和斯皮尔曼相关系数对比

2.3 偏最小二乘法(PLS)回归

从MWD分析中提取的岩体类别不是独立的，而是相互关联的。因为如果某个岩体类别更多，则另一个岩体类别会减少。爆破碎片块度分析的参数具有类似的关系，这意味着解释变量和响应变量之间存在多重共线性。因此，选择使用PLS回归，因为它能够处理多个变量，同时考虑变量之间的所有关联，以及处理多重共线性。PLS主成分是解释变量(岩体类别)的线性组合，使它们与响应变量(岩石块度)的协方差最大化。图7显示了PLS回归模型前两个主成分的质量指数，其中，累积指数Q2代表了模型的整体拟合优度和预测质量；R2Y和R2X是岩石块度(Y)和岩体类别(X)变量变化的累积分数。第一成分和第二成分的Q2值均大于1-0.952,表明模型拟合质量较好。此外， R2X显示了一个非常高的数值(88.2%),表明解释变量(岩体类别)中的方差被第一成分很好地捕捉到；第二成分将解释的方差增加到97.5%,说明了两个成分生成的平面解释了所有变量之间总变化的 97.5%,非常具有代表性。

图7 第一成分和第二成分的PLS回归模型质量指数

为了预测岩体爆破碎片，采用PLS建立了4个回归模型。表4列出了模型参数以及各模型的R2值。模型的R2值表明，与粗碎片和超大碎片相比，细碎屑、中等碎片模型拟合更好，这验证了皮尔逊和斯皮尔曼相关测试的结果。由此得出结论，细碎屑和中等碎片比粗碎片和超大碎片更容易预测。图8显示了表4中定义的4个回归模型不同类别的实际碎片值与预测碎片值的比较。由图8可知，细碎屑和中等碎片比粗碎片和超大碎片更具相关性，即完整岩石倾向于产生更细的碎片。在完整岩石和轻微破碎岩石中，装药和爆破过程面临的挑战和不确定性较少。因此，对于此类岩体，可以更好地预测相应的破碎程度。表4还显示岩体不连续性和碎片大小之间的正相关关系，这意味着裂缝或不连续性间距的增加会增加碎片大小。这项研究表明，利用MWD数据预测矿区爆破块度是可能的，因此，MWD数据对于提高矿区生产效率是非常有用的工具，该模型可以使用装药率数据进一步改进。

表4 不同预测模型的模型参数和R2值

图8 基于表4中给出的模型参数的实际和预测碎片的比较

3、结论

在某矿区无底柱分段崩落法采场，采集了17个爆破循环共175个钻孔的MWD数据。利用MWD数据将爆破前岩体形态分为5种类型，利用平均块度指数X50将爆破后岩体碎片分为4类，研究了岩体类型与爆破碎片的关系，得出如下结论。

(1) 钻孔是矿山爆破的一个重要工序，在对炮孔进行装药和爆破之前，基于大量钻孔的MWD数据可用于表征岩体特性，并作为优化爆破设计和预测爆破效果的重要工具。

(2) 不同的岩体类型倾向于产生不同块度的爆破岩体碎片。完整岩体倾向于产生更细的爆破碎片，在完整岩体和轻微破碎岩体中，装药和爆破过程面临的挑战和不确定性较少，因此，可以更好地预测相应的破碎程度；然而，在扰动岩体中，岩体不连续性和爆破碎片大小之间存在正相关性，因此，倾向于产生更大的爆破碎片。

(3) 本文提出了一个针对无底柱分段崩落法爆破块度的预测模型，表明利用MWD数据进行爆破块度预测是可行的，但是数据样本有待进一步增加，模型预测效果有待进一步提升。

参考文献:

[1]何建元,马国虎,梁博,等.破碎矿体条件下扇形孔爆破块度优化措施研究与实践[J].矿业研究与开发,2023,43(12):24-28.

[2]刘翔,谢涛,王训洪,等.基于改进随机森林算法的岩石爆破块度预测[J].矿业研究与开发,2022,42(7):25-29.

[5]朱子晗,尹岳降,陈明,等.长九神山灰岩矿开采爆破块度预测研究[J].爆破,2021,38(2):17-23+31.

[7]李书萱,王雁冰,王宝珠,等.水耦合装药不耦合系数对爆破效果的影响研究[J].爆破,2021,38(3):6-9+18.