高级检索

硬岩隧道掘进多臂协同钻孔技术研究

崔孟豪, 姬会福, 惠延波, 张中伟, 崔玉明, 宋丹

崔孟豪,姬会福,惠延波,等. 硬岩隧道掘进多臂协同钻孔技术研究[J]. 煤炭科学技术,2023,51(9):261−273. DOI: 10.12438/cst.2022-1203
引用本文: 崔孟豪,姬会福,惠延波,等. 硬岩隧道掘进多臂协同钻孔技术研究[J]. 煤炭科学技术,2023,51(9):261−273. DOI: 10.12438/cst.2022-1203
CUI Menghao,JI Huifu,HUI Yanbo,et al. Research on multi-boom coordinated drilling technology for hard rock tunneling[J]. Coal Science and Technology,2023,51(9):261−273. DOI: 10.12438/cst.2022-1203
Citation: CUI Menghao,JI Huifu,HUI Yanbo,et al. Research on multi-boom coordinated drilling technology for hard rock tunneling[J]. Coal Science and Technology,2023,51(9):261−273. DOI: 10.12438/cst.2022-1203

硬岩隧道掘进多臂协同钻孔技术研究

基金项目: 

河南省科技攻关计划资助项目(212102210227);江苏省高等学校基础科学(自然科学)研究资助项目(22KJB440004)

详细信息
    作者简介:

    崔孟豪: (1996—),男,河南许昌人,硕士研究生。E-mail:ccmenghao1996@163.com

    通讯作者:

    惠延波: (1964—),男,河南郑州人,教授,博士生导师,博士。E-mail:huiyb@haut.edu.cn

  • 中图分类号: TD231;TD42

Research on multi-boom coordinated drilling technology for hard rock tunneling

Funds: 

Science and Technology Research and Development Program of Henan Province (212102210227); Basic Science (Natural Science) Research Funding Project for Higher Education Institutions in Jiangsu Province (22KJB440004)

  • 摘要:

    为实现硬岩隧道掘进机械化施工,提高三臂凿岩台车应用于硬岩隧道掘进时的施工效率,对三臂凿岩台车钻孔定位精度、多臂协同钻孔路径优化进行了研究分析。首先,基于D-H法建立三臂凿岩台车运动学模型,通过蒙特卡洛法得到三臂凿岩台车的有效工作空间,采用RBF神经网络算法实现钻臂钻孔的精确定位;其次,以钻臂末端移动距离最短和钻臂运动过程中各关节变量之和最小作为优化目标,提出一种改进遗传算法对三臂凿岩台车进行孔序优化,并与蚁群优化算法和自适应遗传算法两种现有孔序规划算法进行对比;最后,以两种不同方案钻孔顺序和所划分工作空间对多钻臂协同钻孔碰撞干涉进行仿真数值模拟分析。数值模拟结果表明:①3个钻臂的钻孔定位误差最大为2.94 mm,误差控制在3%以内;②与两种现有孔序规划算法相比,以钻臂末端移动距离最短作为优化目标时,3个钻臂末端行驶的总距离分别缩短了5.39 m和10.84 m,以关节变量之和最小作为优化目标时,3个钻臂的各关节变量之和分别减少了2.76 rad、5.34 rad;③以最短距离所得钻孔顺序进行钻孔作业时,中间钻臂与左右钻臂之间最短距离分别为984.6、580.8 mm,各钻臂之间不会发生碰撞干涉,以关节变量最小孔序方案钻孔作业时,综合钻臂结构尺寸及安全性,中间钻臂与左钻臂之间最短距离为193.5 mm,可能发生碰撞。综上,RBF神经网络算法可以实现钻孔精确定位,依据距离最短为优化目标所得孔序方案施工时可以提高三臂凿岩台车掘进效率,为硬岩隧道掘进施工提供了理论支撑。

    Abstract:

    In order to realize the mechanized construction of hard rock tunnel boring, and improve the construction efficiency of three-boom drilling jumbo when applied to hard rock tunnel boring, the research and analysis are conducted on the positioning accuracy of three-boom drilling jumbo borehole and the optimization of multi-boom cooperative borehole path. Firstly, the kinematic model of three-boom drilling jumbo is established based on the D-H method, and the effective working space of three-boom drilling jumbo is obtained by Monte Carlo method, and the RBF neural network algorithm is used to realize the accurate positioning of drill boom borehole. Secondly, an improved genetic algorithm is implemented to optimize the hole sequence of the three-boom drilling jumbo with the shortest moving distance of the end of the drill boom and the minimum sum of the joint variables during the movement of the drill boom as the optimization objectives, and it is compared with two existing hole sequence planning algorithms, namely, the ant colony optimization algorithm and the adaptive genetic algorithm. Finally, a numerical simulation is conducted to analyze the collision interference of multiple drill booms with two different drilling sequences and the divided working space. The numerical simulation results show that: ① The maximum drilling positioning error of the three drill booms is 2.94 mm, and the error is controlled within 3%. ② Compared with two existing hole sequence planning algorithms, the total distance traveled at the end of three drill boom are shortened by 5.39 m and 10.84 m, respectively, when the shortest distance traveled at the end of drill boom is taken as the optimization objective; the sum of each joint variable of three drill boom are reduced by 2.76 rad and 5.34 rad, respectively, when the minimum sum of joint variables is taken as the optimization objective. ③ The shortest distance between the middle drill boom and the left and right drill boom is 984.6 mm and 580.8 mm respectively, when the drilling operation is carried out in the drilling sequence with the shortest distance, there will be no collision and interference between the drill booms, but when the drilling operation is carried out with the smallest hole sequence scheme of joint variables, the shortest distance between the middle drill boom and the left drill boom is 193.5 mm, considering the structure size of the drill boom and safety, and collision may occur. In summary, the RBF neural network algorithm can achieve precise positioning of the borehole and improve the efficiency of hard rock tunneling when the borehole sequence is constructed based on the shortest distance as the optimization objective, which provides theoretical support for hard rock tunneling construction.

  • 地下煤火是煤层中的碳被氧化而产生的一种自燃现象,通常发生在浅层煤层、矸石山以及排土边坡。我国矿产资源丰富,地下煤火问题严重,导致区域环境破坏,威胁能源安全。及时、准确地识别煤火区域,厘清影响范围,对于煤火治理和生态修复具有重要意义[1],成为国内外学者的研究热点[2-4]。目前煤火监测方法主要有磁探测法[5-6]、雷达探测法[7]、电阻率探测法[8]、气体探测法[9]、温度探测法[10]、测氡法[11]、遥感法[12]等。卫星遥感影像具有监测范围广、长时序重复监测能力强的优势,已成为大范围“扫靶式”煤火监测的有效手段[13]。国内外众多学者利用卫星遥感方法进行煤火识别探究。李峰等[14]采用2008年治理前、2011年和2013年治理中以及2015年治理后期的Landsat 5/8热红外波段影像分析内蒙古乌达煤田煤火空间分布格局演变动态,并对探测结果进行了实地验证。LIU等[15]采用分布式散射干涉技术(DSI)对新疆米泉火区地表沉降进行时空分析,结果表明矿区地表沉降和煤火在空间上存在正向相关性。LI等[16]基于2015—2020年CBERS-04夜间数据,提出了一种自适应边缘阈值(AET)方法来识别乌达煤田的煤火分布范围。KARANAM等[17]利用卫星影像中的热红外波段与微波波段来监测煤火和沉降现象的变化,同时借助InSAR对地表形变进行分析,结合地表沉降以及温度异常共同推定煤火区范围;BISWAL等[18]利用Landsat 5和Landsat 8卫星的热红外波段数据以及无线电探空仪数据,反演了1989—2019年丹巴德内JCF区域的地表温度,并利用时序反演结果分析了煤火的时空演化趋势。

    然而,现有研究尚未考虑到地表覆被类型,导致城市−区域级的煤火识别存在局限性,易受城镇热岛效应、沙地等地表类型干扰,导致煤火识别不准。为此,本文提出了一种顾及地表覆被差异的卫星遥感煤火识别方法,基于地表分类结果,对卫星遥感反演的高温异常区进行自适应剔除,提高遥感煤火识别精度,在此基础上,通过长时序的煤火识别结果预测煤火演变趋势。本文以乌海市为研究区,选取2018—2023年Landsat遥感数据,基于卫星遥感温度反演技术与监督分类法相结合的方法提取煤火区并探究诱发煤火的驱动要素,利用热红外数据以及国家能源局基础检查数据进行验证,达到遥感监测煤火的目的,并以2023年1—9月煤火反演结果为依据,预测2023年10月重点煤火区域范围,为煤火区提前预警和修复治理提供数据基础。

    乌海市(39°10′0″~39°50′0″N,106°40′0″~107°0′0″E)地处黄河上游,东临鄂尔多斯高原,南与宁夏石嘴山市隔河相望,西接阿拉善草原,北靠肥沃的河套平原,是“宁蒙陕甘”经济区的结合部和沿黄经济带的中心区域,总面积1 754 km2。该地区矿产资源丰富,矿种较多,有探明储量的矿产25种。该地区矿产质量较好,分布集中,其中矿产规模达到大型的矿床有8处,中型21处,小型25处,矿产资源分布如图1所示。

    图  1  乌海市试验区矿产资源分布
    Figure  1.  Mineral resources distribution map of experimental area of Wuhai City

    乌海市碳含量很高,盛产焦煤,其煤矿中的硫含量也很高。乌海市产生煤火主要是由于硫化物分解产热。其中位于西部乌达区的矿区为乌达煤田,东部煤矿分布在骆驼山一带。1961年,乌达煤田的苏海图矿区首次发现了由于大规模的开采活动导致的煤层燃烧现象,直到2002年,乌达矿区内已形成了16个火区,面积达307.6 km2。目前,乌海及周边地区主要煤炭产地煤田自燃问题严重。据2022年第2轮中央生态环保督察反馈问题统计,内蒙古自治区在期有效露天矿山1 482家,占矿山总数的61.6%,目前仍有500多km2需要治理修复。

    本文煤火识别所用研究数据为2018—2023年的Landsat-8/9影像,其中,陆地成像仪(Operational Land Imager, OLI)的空间分辨率为30 m,热红外传感器(Thermal Infrared Sensor,TIRS)的空间分辨率为100 m,含云量少于5%。受卫星过境时间、热红外影像稀疏、云层覆盖等因素影响,每年所用的影像时间有所差别,导致影像反演的地表温度在各年际之间存在明显差异。本文中的遥感影像数据采集时间均为当天的11:00左右,便于排除数据采集时间段温度差异的影响。由于单张影像无法覆盖整个研究区,本文通过对多景影像拼接,得到各时期的卫星影像。此外,选取分辨率为30 m的SRTM DEM[19](Shuttle Radar Topography Mission, Digital Elevation Model)产品数据对卫星影像进行地形校正。

    为验证本研究对卫星遥感煤火预测结果,选用的研究数据为2023年1—10月的Landsat OLI−TIRS影像。其中2023年2月、8月以及9月的数据采用的是Landsat9卫星遥感数据,2023年1月、3月、4月、5月、6月、7月以及10月采用的是Landsat8卫星遥感数据,详见表1。此外,为精细实现煤火预测效果,本文选取煤火严重的乌达行政区和苏海图矿区进行验证。

    表  1  卫星数据
    Table  1.  Satellite data
    日期 卫星
    2023−01−26 Landsat8
    2023−02−19 Landsat9
    2023−03−31 Landsat8
    2023−04−16 Landsat8
    2023−05−18 Landsat8
    2023−06−19 Landsat8
    2023−07−05 Landsat8
    2023−08−30 Landsat9
    2023−09−15 Landsat9
    2023−10−09 Landsat8
    下载: 导出CSV 
    | 显示表格

    本文提出的顾及地表覆被差异的卫星遥感煤火识别技术路线如图2所示,主要包括以下6个步骤:

    图  2  顾及地表覆被差异的卫星遥感煤火识别技术路线
    注:归一化植被指数(Normalized Differnce Vegetation Index, NDVI);植被覆盖度(Fractional Vegetation Cover, FVC);地表温度(Land Surface Temperature, LST)
    Figure  2.  Technical route of coal fire identification by satellite remote sensing considering land cover difference

    1)数据预处理:通过几何校正、辐射定标、大气校正以及矢量裁剪等方法,对遥感数据进行预处理。

    2)地表温度反演:利用大气校正反演方法,获取地表覆盖绝对温度。

    3)相对温度反演:以所有像素值的平均温度值为基准,消除季节差异对煤火温度异常的影响。

    4)土地利用分类:利用基于向量机(Support Vector Machine,SVM)[20]的土地利用分类方法,排除城镇、沙漠等异常区的影响。

    5)煤火区提取与分析:参考文献已有成果,将所有像素数字量化值(Digital Number, DN)的一倍标准差作为阈值,提取高温异常范围,再进一步除去沙地、城镇等高温区域的影响得到煤火区。

    6)真实性验证:进行实地考察,探究本方法的准确性。

    本文以2018—2023年的Landsat-8/9影像数据为基础,首先对数据进行预处理,包含几何校正、辐射定标、大气校正、矢量裁剪等步骤,接着通过大气校正法[21](辐射传导方程法)对乌海市地表温度进行定量反演。在进行数据预处理之后,首先利用近红外波段和红波段计算归一化植被指数NDVI,然后基于NDVI计算植被覆盖度、地表比辐射率,继而以大气在热红外波段的透过率以及地表比辐射率为参数计算黑体在热红外波段的辐射亮度,最后反演地表温度[22],其主要原理是去除大气对地表热辐射产生的误差,将热辐射强度转换为相应的地表温度。

    地下存在煤火时,通常会导致地表形成热异常,因此可以提取煤火引起的温度异常范围来识别煤火异常区[23]。研究数据时间跨度较大,反演所得的地表温度包含不同的季节、时间、气候条件以及不同的地表类型等条件差异[24],不宜采用固态阈值。为此,本文采用像素平均温度获取相对温度DN值,用不同年份遥感图像的相对温度进行比较,以此剔除季节因素的影响,在此基础上采用所有DN值的一倍标准偏差计算动态阈值来检测热异常像素,提取高温异常区,计算方法见式(1):

    $$ t = T - \bar T - \sigma ,t \geqslant 0 $$ (1)

    式中:${{t}} \geqslant 0$的部分为高温异常区的温度,℃;T为反演出来的地表绝对温度,℃;$\bar T$为地表平均温度,℃;$\sigma $为所有DN值的一倍标准偏差动态阈值,℃。

    “热岛效应”会导致城镇地区的温度明显高于周边地区。此外,大面积的沙地、裸土、建筑物等区域遥感影像反演的地表温度较高,会对煤火识别结果造成干扰。因此,本文首先采用支持向量机进行土地利用分类研究,继而结合乌海市的地表覆盖情况细致判别具体的煤火区域范围。

    支持向量机作为一种分类模型,可以将分类问题转化为一个凸二次规划问题的求解[25]。根据SVM分类算法对土地覆盖类型进行处理,将乌海市影像的高温异常区定义为C土地利用类型为沙地部分的高温异常区定义为C1、土地利用类型为城镇的高温异常区定义为C2,排除掉沙地和城镇影响后的高温异常区域M,即为根据土地利用类型分类后获得的精细化煤火区域预测结果见式(2):

    $$ M=C/ C_{1}/ C_{2} $$ (2)

    回归预测[26](Regression Forecasting)是回归方程的一项重要应用,基于预测的相关性原则,获取影响预测目标的各因素,继而找出这些因素与预测目标之间的函数关系的近似表达。研究首次尝试将回归预测方法拓展到煤火检测领域中,主要步骤包括:确定自变量和因变量、建立回归预测模型、进行相关分析、检验回归预测模型、计算并确定预测值等。

    本方法采用多元线性回归分析方法[27]。对于多元线性回归方程,在模型和数据满足线性回归的基本假定的前提下,设因变量为Y,影响因变量的k个自变量分别为${X_1},{X_2},\cdots,{X_k}$,假设每一个自变量对因变量Y的影响都是线性的,也就是说,${X_i}$在其他自变量不变的情况下,Y的均值随着自变量的变化均匀变化。回归模型的数学表达为

    $$ Y = {\beta _0} + {\beta _1}{X_1} + {\beta _2}{X_2} + \cdots + {\beta _{{k}}}{X_{{k}}} + \varepsilon $$ (3)

    式中:${\beta _0},{\beta _1},{\beta _2},\cdots,{\beta _{{k}}}$为回归参数。

    使用大气校正法反演得到2018—2023年间的乌海市地表绝对温度,如图3所示。从图3可以看出,夏季地表温度总体偏高,冬季地表温度偏低,说明季节因素对地表温度的影响剧烈。

    图  3  2018—2023年乌海市地表绝对温度遥感反演结果
    Figure  3.  Absolute surface temperature remote sensing inversion results for Wuhai City from 2018 to 2023

    为消除季节性差异对高温异常区识别的影响,本文将遥感反演的绝对地表温度进行归一化处理[28]。以遥感反演的乌海市地表绝对温度均值为基准进行逐年差值归一化,得到2018—2023年乌海市地表相对温度图,如图4所示。结果表明,归一化后的各年地表相对温度在空间上存在较大的相似性,剔除了季节性差异导致的显著性年际温度偏差,为高温异常区的识别提供了可靠的数据基础。此外,从图4中可以看出,近年来,乌海市在黄河沿岸的地表温度普遍偏低,在西部乌达煤田、东部矿区的相对地表温度普遍偏高。

    图  4  2018—2023年乌海市地表相对温度
    Figure  4.  Relative surface temperature in Wuhai City from 2018 to 2023

    为消除季节差异对地表绝对温度的影响,以地表相对温度为基础,将每年地表温度的标准差设定为阈值,由此确定乌海市各年卫星遥感反演的高温异常区,视为潜在的煤火区域,并将煤火范围叠加到该地区的卫星影像,如图5所示。在此基础上,将提取的高温范围叠加到乌海市行政规划区域,用于分析高温异常区的空间分布及其演化规律,结果如图6所示。结果表明,乌海市近年的高温异常区域面积主要集中分布在乌达区的乌达煤田南部、海勃湾区的东部和东北部以及海南区的东南部等地,乌海市高温异常区域在2018—2020年间分布变化明显,于2020年达到面积最小,2021—2023年分布变化较小但呈现出在原有分布基础上面积逐渐扩大的趋势。

    图  5  2018—2023年乌海市高温异常区范围(叠加到卫星影像)
    Figure  5.  Range of high temperature anomalies in Wuhai City from 2018 to 2023 (superimposed on the landsat images)
    图  6  2018—2023年乌海市高温异常区范围(叠加到行政区划图)
    Figure  6.  Range of high temperature anomalies in Wuhai City from 2018 to 2023 (Superimposed on the administrative territorial map)

    高温异常区的地表温度变化趋势差异与地表覆盖类型有极大的关联。土地利用分类图能展现乌海市的地表覆盖情况,并能在一定程度上反映出人类活动和地质条件对高温异常区的影响。为此,针对乌海市2018—2023年的遥感数据,利用基于SVM的监督分类方法进行土地利用分类,将乌海市影像区域划分为植被、水域、城镇、沙地、矿地五类,得到乌海市各年的土地覆被类型,以图7示意说明乌海市2022年的地表覆被分类结果。

    图  7  乌海市2022年土地利用现状分类
    Figure  7.  Wuhai city’s 2022 land use status classification

    城镇区域受城市热岛效应的影响较为严重,因此将卫星遥感反演的高温异常区中剔除城镇覆盖范围;此外,海勃湾区的东北部高温异常区为沙地,沙地在有日照的情况下极易吸热,容易形成高温区,作为非煤火区剔除;再者,海南区南部有一部分裸地,该地区属内蒙、新疆半荒漠地带,棕钙土占该地区土壤总面积的99.29%,棕钙土的植被具有草原向荒漠过度的特征,昼夜温差大,该地区年辐射总量达600~670 kJ/cm2,光热资源十分丰富,容易形成高温区,同样作为非煤火区剔除。

    综上,在前述卫星遥感反演的高温异常区中剔除地表覆被中的城镇、沙地和棕钙土区域的非煤火高温区,得到煤火异常区域。图8图9分别为将提取出来的煤火异常区域与遥感影像图及行政区划进行叠加后的结果。可以看出,乌海市近年的煤火异常范围主要集中在乌达区的乌达煤田、海勃湾区东部及海南区东部。从整体上看,2018年和2023年乌海市的煤火区范围相对较大。

    图  8  剔除地类影响因素后2018—2023年乌海市煤火识别结果(叠加到卫星影像)
    Figure  8.  Results of coal fire identification in Wuhai City from 2018 to 2023 , after removing the Earth-type influencing factors(superimposed on landsat images)
    图  9  剔除地类影响因素后2018—2023年乌海市煤火识别结果(叠加到行政区划图)
    Figure  9.  Results of distribution of coal fire anomalies in administrative division of Wuhai City from 2018 to 2023, after excluding influence of land type (Superimposed on administrative territorial map)

    从行政区的煤火演化特点看, 2018—2023年乌达区的煤火活跃,主要集中在2018和2023年。海勃湾区位于乌海市的北部,该地区煤火偶有发生,主要集中在其北部及东部,当地政府对于煤火的治理投入大量资金,可以发现该地煤火治理情况较为显著,该地区的煤火现象基本是隔年发生,除2018年以外,该地区煤火现象很少。而海南区位于乌海市的中南部,面积约占乌海市的1/2,煤火主要集中在该区的东北部。近年来该地区的煤火区分布相比乌达区较稀疏,相比海勃湾区较稠密。

    为了进一步验证本文方法的可靠性,以2023年卫星遥感反演的煤火重灾区中选取了4个矿区进行低空热红外遥感验证,包含2类典型场景的煤火区:排土场煤火(路天煤矿4号采区,建安煤矿)和治理区残余煤火(路天矿5号排土场、老石旦煤矿、苏海图煤矿),采用无人机搭载热红外摄像机进行低空地表温度反演。为减少白天太阳光照对煤火温度异常的干扰,无人机遥感时间选择凌晨。低空遥感结果表明,验证区煤火点多且清晰可见,与卫星遥感影像的煤火识别区域保持一致(图10),进一步印证了本文提出的卫星遥感煤火识别方法的可靠性。

    图  10  基于低空热红外遥感的矿区级卫星遥感煤火反演结果验证
    Figure  10.  Verification of coal fire inversion results achieved by Landsat images using the low altitude thermal infrared remote sensing as reference

    利用前文所述方法反演得到2023年1—10月的乌达区煤火分布结果,如图11所示。结果表明:

    图  11  2023年1—10月乌达区煤火异常区分布
    Figure  11.  Distribution map of coal fire anomaly in Wuda District from January 2023 to October 2023

    1)从煤火分布范围上看,1—10月乌达区的煤火范围集中在该区中西部,总体煤火范围变化不大,其中该区在西北部的煤火范围在4月份偶有增大,但在9月份近乎消失,可能与政府大力治理有关。

    2)从煤火严重程度上看,煤火严重地区主要集中在西部矿区,东部地图煤火较少。

    3)综上,该区煤火在时空分布范围和严重程度上具有一定的相似性,为后续煤火回归预测提供良好的数据基础。

    为验证本文对煤火预测结果的可靠性,本文以乌达区2023年1—9月的反演结果为基础,预测该区10月份的煤火分布情况,并与该区10月份的煤火反演结果进行对比,如图12所示。结果表明:本文对乌达区的煤火预测范围与卫星遥感反演结果基本吻合,煤火亮温程度保持一致,印证了本文结果的可靠性,能够客观的预测乌达区煤火空间分布范围、特点及其演化趋势。

    图  12  乌达区煤火预测与遥感反演结果对比
    Figure  12.  Comparison of coal fire results achieved by regression forecasting and Landsat image identification in Wuda District

    为更精准地刻画煤火异常区预测结果,本文进一步探究了回归预测模型在矿区尺度的煤火反演预测效果。具体选取苏海图煤矿,反演该矿2023年1—9月的煤火范围,以此为依据预测该矿10月份的煤火范围,并与卫星遥感反演结果对比,评估对矿区尺度煤火预测效果。矿区级卫星遥感煤火反演及预测结果分如图13图14所示。结果表明,与乌达区区域级的煤火预测结果一致,本文所用回归模型可有效预测矿区尺度的煤火分布及其热温程度。

    图  13  2023年1—10月苏海图矿区煤火异常区分布
    Figure  13.  Distribution map of coal fire anomaly in Suhaitu mining area from January 2023 to October 2023
    图  14  苏海图煤火范围识别结果对比
    Figure  14.  Comparison of coal fire results achieved by regression forecasting and Landsat image identification in Suhaitu mining area

    1)利用大气校正法反演得到乌海市2018—2023年间的地表绝对温度,将遥感反演的绝对地表温度进行归一化处理获得其相对温度并以标准差为阈值获得乌海市近年的高温异常区域,发现乌海市近年的高温异常区域面积主要集中分布在乌达区的乌达煤田南部、海勃湾区的东部和东北部以及海南区的东南部等地,从整体上看,2018年和2023年乌海市的煤火区范围相对较大。

    2)借助SVM的监督分类方法对乌海市2018—2023年的遥感数据进行土地利用分类,进而剔除地表覆盖情况对煤火识别的影响,以2023年卫星遥感反演的煤火重灾区中选取了4个矿区进行低空热红外遥感验证,印证了本文提出的卫星遥感煤火识别方法的可靠性。探究发现2018—2023年间乌达区的煤火活跃,主要集中在2018和2023年。

    3)基于回归预测方法分别针对乌达区区级和苏海图煤矿级的煤火进行预测,并以反演获得的结果进行精度验证,探究发现本文所用回归模型可有效预测区级尺度和矿区级尺度的煤火分布及其热温程度,为预测煤火区域提供了有效的技术手段。

  • 图  1   三臂凿岩台车

    Figure  1.   Three-boom rock drilling jumbo

    图  2   七自由度钻臂结构模型

    Figure  2.   Structure model of drill boom with 7-DOF

    图  3   三臂凿岩台车钻臂关节坐标系

    Figure  3.   Boom joint coordinate system of three-boom rock drilling jumbo

    图  4   鹰式臂活动底座运动简图

    Figure  4.   Schematic diagram of the movement of the eagle boom movable base

    图  5   三臂凿岩台车有效工作空间

    Figure  5.   Effective working space of three-boom rock drilling jumbo

    图  6   工作区域划分

    Figure  6.   Work area division

    图  7   RBF神经网络结构

    Figure  7.   RBF neural network structure

    图  8   基于改进遗传算法孔序规划流程

    Figure  8.   Borehole sequence planning procedure based on IGA

    图  9   子代生成过程

    Figure  9.   Offspring generation process

    图  10   局部搜索

    Figure  10.   Local search

    图  11   三臂凿岩台车钻孔定位误差

    Figure  11.   Drilling positioning error of the three-boom rock drilling jumbo

    图  12   虚拟联合仿真模型

    Figure  12.   Virtual co-simulation model

    图  13   基于末端移动距离最短孔序规划结果

    Figure  13.   Results of hole sequence planning based on the shortest end moving distance

    图  14   不同算法下钻臂末端行驶距离变化

    Figure  14.   Comparison of end driving distances of different algorithms

    图  15   基于关节变量最小孔序规划结果

    Figure  15.   Minimum hole order planning results based on joint variables

    图  16   不同算法下钻臂关节变量最小变化

    Figure  16.   Minimum comparison of drill boom joint variables in different algorithms

    图  17   距离最短孔序方案各钻臂之间最短距离

    Figure  17.   Shortest distance between the drill booms in the shortest distance hole sequence scheme

    图  18   关节变量最小孔序方案钻臂之间最短距离

    Figure  18.   Shortest distance between the drill booms of the joint variable minimum hole sequence scheme

    表  1   中间钻臂D-H参数

    Table  1   D-H parameters of intermediate boom

    关节${\alpha _{i - 1}}$/(°)${a_{i - 1}}$/mm${\theta _i}$/(°)${d_i}$/mm初始值
    10195${\theta _1}$50$0^\circ $
    290150${\theta _2}$0$90^\circ $
    390−500${d_3}$5598 mm
    400${\theta _4}$0$0^\circ $
    5900${\theta _5}$661$90^\circ $
    69060${\theta _6}$614$90^\circ $
    7902450${d_7}$4022 mm
    下载: 导出CSV

    表  2   钻臂各关节变量范围

    Table  2   Variable range of each joint of the drill boom

    关节1/(°)2/(°)3/mm4/(°)5/(°)6/(°)7/mm
    下限−55−1505598−18050304022
    上限555085981801501456022
    下载: 导出CSV
    模拟退火策略伪代码如下:
    Input:The path calculated by this generation of genetic algorithm, Scurr; Resulting path distance, f(Scurr); The initial temperature, T0; End temperature, Tend; Cooling factor, alpha.
    Output:Path chosen after simulated annealing, BestL; Selected path distance, f(BestL)
    1: Initialize the best path as the path obtained by genetic algorithm,
    BestL = Scurr
    2: Whlie T0>Tend
    3: Calculate the total distance of the current path, f(Scurr)
    3: New path from genetic link, Snew
    4: Calculate the total distance of the new path, f(Snew)
    5: if f(Snew)<=f(Scurr) Then
    6:  BestL=Snew
    7:  f(BestL)=f(Snew)
    8: else
    9:  $P = \exp \left( {\dfrac{ {f(S{\text{new} }) - f(Scurr)} }{T} } \right)$
    10:  if rand(0~1)<=P Then
    11:   BestL=Snew
    12:   f(BestL) =f(Snew)
    13:  end if
    14: end if
    15: Scurr=Snew
    16: T=T*alpha
    17: end while
    下载: 导出CSV

    表  3   联合仿真结果对比

    Table  3   Comparison of co-simulation results

    组号不同方法孔位孔位X、Y坐标/mm
    1实际孔位−3876, 6596
    RBF预测孔位−3876.98, 6595.24
    仿真孔位−3873.55, 6598.89
    2实际孔位−3876, 5696
    RBF预测孔位−3877.96, 5695.97
    仿真孔位−3876.53, 5693.85
    3实际孔位−3876, 4796
    RBF预测孔位−3876.74, 4796.86
    仿真孔位−3879.84, 4798.25
    4实际孔位−3876, 3896
    RBF预测孔位−3875.25, 3895.97
    仿真孔位−3872.67, 3896.83
    下载: 导出CSV

    表  4   算法主要参数设置

    Table  4   Algorithm main parameter settings

    算法种群交叉概率变异概率迭代次数
    IGA500.950.05400
    AGA500.950.05400
    下载: 导出CSV
  • [1]

    FODERÀ G M,VOZA A,BAROVERO G,et al. Factors influencing overbreak volumes in drill-and-blast tunnel excavation. A statistical analysis applied to the case study of the Brenner Base Tunnel – BBT[J]. Tunnelling and Underground Space Technology,2020,105:103475. doi: 10.1016/j.tust.2020.103475

    [2] 袁晓明,邹易达,蹤雪梅,等. 部分断面掘进机截割头截割性能研究[J]. 机械工程学报,2017,53(24):193−200. doi: 10.3901/JME.2017.24.193

    YUAN Xiaoming,ZOU Yida,ZONG Xuemei,et al. Research on cutting performance of cutting header on part-face roadheader[J]. Journal of Mechanical Engineering,2017,53(24):193−200. doi: 10.3901/JME.2017.24.193

    [3] 王杜娟,贺 飞,王 勇,等. 煤矿岩巷全断面掘进机(TBM)及智能化关键技术[J]. 煤炭学报,2020,45(6):2031−2044. doi: 10.13225/j.cnki.jccs.zn20.0206

    WANG Dujuan,HE Fei,WANG Yong,et al. Tunnel boring machine (TBM) in coal mine and its intelligent key technology[J]. Journal of China Coal Society,2020,45(6):2031−2044. doi: 10.13225/j.cnki.jccs.zn20.0206

    [4] 代恩虎,王 勇,鲁义强,等. 云贵地区煤矿建设中TBM施工技术应用研究[J]. 煤炭科学技术,2022,50(10):10−18.

    DAI Enhu,WANG Yong,LU Yiqiang,et al. Application and study of TBM construction technology for coal mine construction in yunnan and guizhou provinces[J]. Coal Science and Technology,2022,50(10):10−18.

    [5]

    SURAJ Deshmukh,AK Raina,R Vajre,et al. Roadheader – A comprehensive review[J]. Tunnelling and Underground Space Technology,2020,95:103148. doi: 10.1016/j.tust.2019.103148

    [6]

    GJ Lee,HH Ryu,TH Kwon,et al. A newly developed state-of-the-art full-scale excavation testing apparatus for tunnel boring machine (TBM)[J]. KSCE Journal of Civil Engineering,2021,25:4856−4867. doi: 10.1007/s12205-021-2347-0

    [7]

    LIN Laikuang, XIA Yimin, ZHANG Xuhui. Wear characteristics of TBM disc cutter ring sliding against different types of rock[J]. KSCE Journal of Civil Engineering, 2020, 24: 3145–3155.

    [8]

    ZOU Dingxiang. Introduction to underground excavation by drilling and blasting[J]. Springer Singapore, 2017: 483-502.

    [9]

    CARDU M,SECCATORE J. Quantifying the difficulty of tunnelling by drilling and blasting[J]. Tunnelling and Underground Space Technology,2016,60:178−182. doi: 10.1016/j.tust.2016.08.010

    [10]

    LI Hongsheng,LIU Songyong,ZHU Zhencai,et al. Experimental investigation on rock breaking performance of cutter assisted with hydraulic fracturing[J]. Engineering Fracture Mechanics,2021,248(2):107710.

    [11]

    ZHAO Xinglong,HUANG Bingxiang,WANG Zhen. Experimental investigation on the basic law of directional hydraulic fracturing controlled by dense linear multi-hole drilling[J]. Rock Mechanics & Rock Engineering,2018,51:1739−1754.

    [12]

    REN Fushen, FANG Tiancheng, CHENG Xiaoze. Study on rock-breaking depth and damage area under particle jet impact[J]. Shock and Vibration, 2020: 1−12.

    [13] 张永将,黄振飞,季 飞. 基于水力割缝卸压的煤岩与瓦斯动力灾害防控技术[J]. 煤炭科学技术,2021,49(4):133−141. doi: 10.13199/j.cnki.cst.2021.04.016

    ZHANG Yongjiang,HUANG Zhenfei,JI Fei. Prevention and control technology of coal-rock and gas dynamic disaster based on water jet slotting pressure relief[J]. Coal Science and Technology,2021,49(4):133−141. doi: 10.13199/j.cnki.cst.2021.04.016

    [14]

    LIU Songyong,LI Hongsheng,CHENG Gang. Numerical and experimental investigation on rock breaking performance with hydraulic splitter[J]. Tunnelling and Underground Space Technology,2020,96(2):103181.

    [15]

    STEPHANSSON O, SEMIKOVA H, ZIMMERMANN G, et al. Laboratory pulse test of hydraulic fracturing on granitic sample cores from Äspö HRL, Sweden[J]. Rock Mechanics & Rock Engineering, 2018: 1−5.

    [16]

    ANDERSSON K. Simulation of a tunnel drilling sequence to determine loads on a rock drilling equipment[C]//In Proceeding of ADAMS User Conf, Italy, 2000: 1–11.

    [17]

    CUI Yuming,LIU Songyong,JI Huifu,et al. Positioning and cequence planning of drilling boreholes in hard rock roadway[J]. IEEE Access,2020(8):56480−56490.

    [18] 吴万荣,殷建坤. 一种三臂凿岩台车孔序规划[J]. 合肥工业大学学报(自然科学版),2013,36(2):149−151,207.

    WU Wanrong,YIN Jinkun. Bore sequence planning of a three-boom rock-drilling jumbo[J]. Journal of Hefei University of Technology (Natural Science),2013,36(2):149−151,207.

    [19] TANG Zhilin, AN Jianqi. Position Solution and Motion Simulation for Rock Drilling Boom[C]//2019 Chinese Control Conference (CCC), Shanghai: Shanghai System Science Press, 2019, 1583−1588.
    [20] 何清华,周友行,谢习华. 两臂隧道凿岩机器人孔序动态规划[J]. 同济大学学报(自然科学版),2001,29(9):1009−1012. doi: 10.3321/j.issn:0253-374X.2001.09.001

    HE Qinghua,ZHOU Youhang,XIE Xihua. Dynamic planning for bore drilling sequence of tunnel-drilling robot[J]. Journal of Tongji University,2001,29(9):1009−1012. doi: 10.3321/j.issn:0253-374X.2001.09.001

    [21]

    VICTER Paul P,GANESHKUMAR C,DHAVACHELVAN P,et al. A novel ODV crossover operator-based genetic algorithms for traveling salesman problem[J]. Soft Computing,2020,24(17):12855−12872. doi: 10.1007/s00500-020-04712-2

    [22]

    YANG Kang,YOU Xiaoming,LIU Shen,et al. A novel ant colony optimization based on game for traveling salesman problem[J]. Applied Intelligence,2020,50(1):4529−4542.

    [23]

    GUO Pan,LI Keli,LI Keqin,et al. Hybrid immune algorithm based on greedy algorithm and delete-cross operator for solving TSP[J]. Soft Computing,2016,20(2):555−566. doi: 10.1007/s00500-014-1522-3

    [24]

    PAUL R P,SHIMANO B. Kinematic control equations for simple manipulators[J]. IEEE Transactions on Systems Man & Cybernetics,1981,11(6):449−455.

    [25] 周友行. 凿岩机器人孔序规划的研究与实现[D]. 长沙: 中南大学, 2003.

    ZHOU Youhang. The research and realiation of the bore sequence planning in tunnel- rock-drilling robot[D]. Changsha: Central South University, 2003.

    [26] 崔孟豪, 姬会福, 惠延波, 等. 基于RBF神经网络的七自由度凿岩台车钻臂运动学研究[J]. 机电工程, 2022, 39(9): 1312−1318.

    CUI Menghao, JI Huifu, HUI Yanbo, et al. Kinematics of 7-DOF rock drilling jumbo boom based on RBF neural network[J]. Journal of Mechanical & Electrical Engineering, 2022, 39(9): 1312−1318.

    [27] 徐 佳,韩逢庆,刘奇鑫,等. 一种求解TSP的生物信息启发式遗传算法[J]. 系统仿真学报,2022,34(8):1811−1819. doi: 10.16182/j.issn1004731x.joss.21-0203

    XU Jia,HAN Fengqing,LIU Qixin,et al. Bioinformation heuristic genetic algorithm for solving TSP[J]. Journal of System Simulation,2022,34(8):1811−1819. doi: 10.16182/j.issn1004731x.joss.21-0203

    [28] 于莹莹,陈 燕,李桃迎. 改进的遗传算法求解旅行商问题[J]. 控制与决策,2014,29(8):1483−1488. doi: 10.13195/j.kzyjc.2013.0598

    YU Yingying,CHEN Yan,LI Taoying. Improved genetic algorithm for solving TSP[J]. Control and Decision,2014,29(8):1483−1488. doi: 10.13195/j.kzyjc.2013.0598

  • 期刊类型引用(3)

    1. 崔军舰. 基于卫星遥感技术的露天煤矿高温风险预测方法. 露天采矿技术. 2025(03): 18-21 . 百度学术
    2. 朱艳茵,顾皓天,郑屹,唐杨玉,郎丰铠. 联合Landsat 8与Sentinel-2的煤火探测——以将军戈壁矿区为例. 遥感信息. 2025(02): 149-158 . 百度学术
    3. 陆雪丹. 卫星遥感技术在矿区大面积地形测量中的应用. 世界有色金属. 2024(23): 139-141 . 百度学术

    其他类型引用(1)

图(18)  /  表(5)
计量
  • 文章访问数:  157
  • HTML全文浏览量:  14
  • PDF下载量:  75
  • 被引次数: 4
出版历程
  • 收稿日期:  2022-07-25
  • 网络出版日期:  2023-08-01
  • 刊出日期:  2023-09-18

目录

/

返回文章
返回