Coal gangue image recognition model based on CSPNet-YOLOv7 target detection algorithm
-
摘要:
煤矸识别技术是矿井智能化建设的关键技术之一,针对工作面低照度高粉尘环境造成的煤矸识别模型精度不高以及小目标煤矸难以识别的问题,提出一种基于CSPNet-YOLOv7目标检测算法的煤矸图像识别模型。采用跨阶段部分网络(Cross Stage Partial Network,CSPNet)改进YOLOv7模型的主干特征提取网络,优化梯度信息减少网络参数,同时采用递归特征金字塔(Recursive Feature Pyramid,RFP)和可切换卷积(Switchable Auto Convolution,SAC)替换颈部特征提取网络中简单的上下采样和普通卷积模块,并采用3次迁移训练进行不同宽度和深度的特征学习,增强网络的泛化能力。试验结果表明,CSPNet-YOLOv7模型的平均精度均值为97.53%,准确率为92.24%,召回率为97.91%,F1得分为0.95,模型的参数量为30.85×106,浮点运算次数为42.15×109,每秒传输帧数为24.37 f/s,与YOLOv7模型相比,平均精度均值提高了7.46%,参数量和浮点运算次数分别降低了17.23%和60.41%,相较于FasterRCNN-Resnet50、YOLOv3、YOLOv4、MobileNet V2 -YOLOv4、YOLOv4-VGG、YOLOv5s模型、CSPNet-YOLOv7模型对煤矸识别的平均精度均值最高,同时参数量和浮点运算次数较小,在识别精度和速度之间有着较好的平衡。最后,通过井下现场试验验证了CSPNet-YOLOv7模型,为煤矸精准识别提供了有效技术手段。
Abstract:The gangue recognition technology is one of the key technologies in the intelligent construction of mines. To address the problem of low accuracy of the gangue recognition model caused by low illumination and high dust environment at the working face and the difficulty of recognizing small target gangue, a coal gangue image recognition model based on CSPNet-YOLOv7 target detection algorithm is proposed. Cross Stage Partial Network (CSPNet) is used to improve the backbone feature extraction network of YOLOv7 model, optimize the gradient information to reduce the network parameters, while Recursive Feature Pyramid (RFP) and Switchable Auto Convolution (SAC) to replace the simple up and down sampling and normal convolution modules in the neck feature extraction network, and to enhance the generalization ability of the network by using three migration training for feature learning of different widths and depths. The experimental results show that the CSPNet-YOLOv7 model has an average accuracy mean of 97.53%, an accuracy rate of 92.24%, a recall rate of 97.91%, an F1 score of 0.95, a model parametric number of 30.85×106, a floating point operation count of 42.15×109, and a frame rate of 24.37 f/s transmitted per second, Compared to the YOLOv7 model, the average mean accuracy is improved by 7.46%, and the number of parameters and floating point operations are reduced by 17.23% and 60.41%, respectively, compared to the FasterRCNN-Resnet50, YOLOv3, YOLOv4, MobileNet V2 -YOLOv4, YOLOv4-VGG, YOLOv5s models. The CSPNet-YOLOv7 model has the highest average accuracy mean for coal gangue identification, while the number of parameters and floating point operations is small, which has a good balance between identification accuracy and speed. Finally, the CSPNet-YOLOv7 model is validated through downhole field tests, providing an effective technical means for accurate coal gangue identification.
-
0. 引 言
深埋环境下大采高工作面的强扰动,造成应力扰动范围广、应力集中程度高,易形成工作面的强矿压现象[1]。受盘区内相邻两工作面依次开采势必改变了下一工作面顶板的约束边界条件,造成在工作面倾向呈现不同位置、不同程度的矿压显现特征,进一步增加了矿井安全高效开采的危险系数。因此分析深埋大采高相邻工作面强采动下坚硬厚顶板破断特征,对其强矿压的防治具有现实必要性。
坚硬厚顶板作为覆岩内部存在的一类关键层,起到“承上压下”的作用,其走向破断前后形成“块体”的过程中,应力的“集中−释放”决定了工作面来压的强弱程度[2]。工作面上覆岩层往往存在多个坚硬岩层,其不同的破断特征影响着工作面矿压分布情况[3],同时不同层位、数量的坚硬顶板造成的强矿压显现也具有较大差异[4-6]。王金东等[7]认为由坚硬顶板组成的复合关键层破断,导致应力拱失稳,引发了工作面的强矿压。张培鹏等[8]对比分析单层和两层高位硬厚岩层的破断特征,揭示了上覆岩层的破断规律与强矿压分布的关系。夏彬伟等[9]对比工作面覆岩上、下两组坚硬顶板,认为上层坚硬顶板断裂步距大致为下层较薄坚硬顶板断裂步距的2倍,坚硬老顶变形对应支承压力峰值变化呈现出“前快、中稳、后慢”的阶段性变化影响下。王拓等[10]认为多层坚硬岩破断引发覆岩的结构失稳,易造成工作面静载区形成叠加,诱发顶板冲击。霍丙杰等[11]基于多层坚硬顶板的破断特征构建了坚硬覆岩“拱壳”平衡结构模型,揭示回采过程中大小周期来压、采动影响范围大和强矿压等特殊矿压现象。而坚硬厚顶板作为直接影响工作面矿压分布一类的重要,于斌等[12-13]通过建立坚硬厚顶板破断及受力的力学模型,刻画出坚硬厚顶板在煤壁前方破断块体受力特征,认为顶板临界失稳是强矿压显现主要原因。曹胜根等[14]认为坚硬岩层距煤层0 m时,岩层断裂后的台阶下沉现象造成来压强度较大。将顶板视为“板结构”,浦海等[15]建立四边固支的弹性薄板力学模型,得出顶板沿厚度方向形成空间“O”并沿顶板长短边演化,顶板下底面的中心破坏呈层层剥离现象,形成了空间“X”型裂纹形态。朱卫兵等[16]得出关键层板裂缝贯通形成“横O-X”型初次破断和“横U-Y”型周期破断,并在工作面上方形成“弧形三角板”和巷道上方形成“梯形板”的破断块体结构。近年来众多学者充分考虑不同类型矿井的地质构造、工作面空间、采煤工艺等因素,分析了坚硬顶板断裂位置及断裂前后在煤岩体内所引起的力学变化[17-18]及矿压分布的科学问题[19-21]。
相邻工作面作为各类矿井存在的主要形式,受临空区及采动影响,顶板约束边界条件发生改变,传统的理论分析坚硬厚顶板的极限承载力和破断距结果与现场存在偏离。因此结合黄陵二矿大采高相邻工作面赋存情况,分析21422相邻大采高工作面矿压显现特征。依据极限承载分析法构建了工作面坚硬厚顶板铰接模型,分析坚硬厚顶板工作面的破断特征。并根据三维数值计算得出相邻工作面应力场、能量场的演化规律,进一步得出了深埋大采高相邻工作面强矿压的发生机理。对形成强矿压的防控具有指导意义。
1. 矿井概况
1.1 工程背景
黄陵二号矿地处陕北黄土高原南部,地表山林茂密,回采2号煤层。井下标高在+713.5~+732.3 m之间,地表标高+
1120 ~+1492.5 m。二矿四盘区为单翼开采工作面,东南是采空区,其余为实体煤,如图1所示,埋深在425~767 m。21422为盘区内第二工作面,平均埋深约608 m,煤层厚度约6 m,煤层走向平缓,倾角0~5°,设计工作面宽度约300 m,走向长度约2626 m,区段煤柱约35 m。21422工作面采用后退式一次采全高生产工艺,全部垮落法管理顶板。工作面选用型号为ZY12000/28/63D的双柱掩护式支架,工作面初撑力为
7200 ~8400 kN。每天推采11~13刀,一刀截割0.9 m,平均每日推采10.8 m,一刀截割0.9 m,平均月产50万t,属高强度开采[22]。21422工作面生产参数见表1,21422工作面煤层柱状如图2所示。在21422工作面2号煤层、底板及30 m范围顶板取样,其围岩的力学特征见表2。表 1 21422工作面生产参数Table 1. Manufacturing parameters of24122 working face埋深/m 煤层倾角/(°) 走向长度/m 倾向长度/m 来压最大强度/MPa 煤层厚度/m 采高/m 煤层节理 初次来压步距/m 580~636 0~5 2626 300 48.8 5.2~6.8 6 发育 35~40 根据关键层判别式(1)[23],式(2)—式(3)为计算岩层载荷及破断距理论公式。
$$ \begin{array}{l}变形判别条件:{q}_{1/{{n}}+1} < {q}_{1/{{n}}}\\ 破断判别条件:{l}_{1/{{n}}+1} > {l}_{1/{{n}}}\end{array} $$ (1) $$ {q_{{\mathrm{i/n}}}} = \frac{{{E_{\mathrm{i}}}h_{\mathrm{i}}^3\left( {{\gamma _{\mathrm{i}}}{h_{\mathrm{i}}} + {\gamma _{{\mathrm{i}} + 1}}{h_{{\mathrm{i}} + 1}} + \cdots + {\gamma _{{{{\mathrm{i}} + n}}}}{h_{{{{\mathrm{i}} + n}}}}} \right)}}{{{E_{\mathrm{i}}}h_{\mathrm{i}}^3 + {E_{{\mathrm{i}} + 1}}h_{{\mathrm{i}} + 1}^3 + \cdots + {E_{{{{\mathrm{i}} + n}}}}h_{{{{\mathrm{i}} + n}}}^3}} $$ (2) $$ {L_{\mathrm{i}}} = {h_{\mathrm{i}}}\sqrt {\dfrac{2 \sigma _{{n}}}{q_{\mathrm{i}}}} $$ (3) 式中:Ei为弹性层模量,N/m2;hi为岩层厚度,m;qi为上覆载荷,kN/m3;ri为岩层容重,kg/m3;Li为破断距,m。
表 2 煤层围岩力学参数Table 2. Mechanical parameters of surrounding rock岩性 弹性模量/GPa 孔隙率/% 含水率/% 抗压强度/MPa 抗拉强度/MPa 内摩擦角/(°) 凝聚力/MPa 泊松比 密度/(g·cm−3) 泥岩 2.64 8.69 1.25 24.94 1.13 35.15 2.93 0.24 2.33 2号煤 2.21 6.82 3.55 25.4 0.81 36.22 4.38 0.19 1.305 细砂岩 10.66 8.72 0.95 53.52 2.45 38.17 2.28 0.19 2.58 粉砂岩 11.33 7.55 0.96 62.15 4.02 40.92 7.68 0.13 2.57 通过式(2)计算结果可知:22.45 m粉砂岩、35.39 m泥岩、43.67 m粗砂岩、43.27 m泥岩、190.74 m中粒砂岩为工作面上部坚硬岩层。通过式(3)计算可知:22.45 m粉砂岩、35.39 m泥岩、43.67 m粗砂岩、43.27 m泥岩、190.74 m中粒砂岩的破断距分别约为37.58、31.63、31.21、28.91、90.68 m。通过判别式(1)得出,22.45 m粉砂岩和190.74 m中粒砂岩为工作面关键层。根据工作面煤层柱状图及“三带划分”(垮落带高度约为32.88 m、导水裂隙带为129.4 m),可知22.45 m粉砂岩是影响工作面强矿压分布的主控岩层。
1.2 工作面强矿压显现特征
1.2.1 工作面覆岩运动微震分布特征
21422工作面目前已连续回采约850 m,沿工面倾向呈现不同的强矿压显现特征。提取21422工作面850 m(达到充分采动)后一个自然月覆岩发生的微震信号,如图3所示。累计发生微震事件
1337 次,总能量为1.7×106 J,平均能量为1.3×103 J,最大能量为7.17×104 J。通过xz面投影可知,微震事件数垂直方向主要集中工作面上方约170 m范围内的覆岩。通过yz面投影可知,微震事件数水平走向主要集中在600 m范围左右;并以开采位置为界,采空区内的微震事件均处在坚硬厚顶板内部。通过xy投影可知,沿煤层水平倾向的微震事件主要集中在21422工作面临空侧一定范围。
21422工作面上部坚硬厚顶板、21~50 m、50~100 m、100~170 m 4处层位覆岩微震的事件数、总能量、能量占比见表3。
表 3 各层位微震事件分布指标特征Table 3. Distribution index characteristics of microseismic events in each layer工作面覆岩层位 最大能量值/J 总能量/J 能量占比/% 事件数/个 事件数占比/% 坚硬厚顶板 71724.16 1.18×106 69.4 695 52.15 21~50 m岩层 27391.73 9.75×104 5.73 175 13.11 50~100 m岩层 11039.71 4.49×104 2.64 46 3.45 100~170 m岩层 1281.61 3.03×103 0.18 9 0.67 由表3可知,覆岩产生的微震事件及能量值随着层位的升高而减小,并向工作面未采煤体发生转移。坚硬厚顶板运动总共产生了695个微震事件数(占总事件数的52.12%),释放能量1.18×106 J(占总能量的69.4%)。据统计回采过程中坚硬厚顶板释放能量大于1.0×104 J的事件共计29次,其中大于5.0×104 J的能量事件9次。4处层位覆岩微震的分布特征如图4所示。
坚硬厚顶板产生的微震事件沿工作面倾向实体侧、临空侧水平距离分别约为460、310 m分布如图4a所示,沿工作面走向水平距离约180 m,大于1.0×104 J微震事件均发生在21422工作面坚硬厚顶板内部。
21~50 m覆岩产生的微震事件主要集中在21422工作面上部,走向影响范围主要集中在距工作面超前约180 m,能量值集中在1.0×102~1.0×104 J,如图4b所示。50~100 m覆岩产生的微震事件岩21422工作面中部分布,能量值集中在1.0×102~1.0×103 J;12个微震事件影响至下一工作面,如图4c所示。100~170 m覆岩产生的微震事件共9次,并靠近21422工作面实体侧,6次微震事件影响至下一工作面;最远的微震事件距工作面垂直方向约163 m,大于1.00×103 J的微震事件数1次,如图4d所示。
微震信号作为监测影响工作面强矿压显现特征的有效手段,由此可知坚硬厚顶板破断是影响工作面强矿压显现的主要岩层,且释放的大能量事件易发生在工作面倾向的临空一侧。
1.2.2 工作面强矿压显现特征
通过对21421首采工作面来压情况观测,工作面中部出现个别切顶现象,周期来压步距在18~22 m,支架压力整体维持在35 MPa左右。随着21422大采高工作面开采扰动,坚硬厚顶板沿工作面走向易出现切顶现象;工作面倾向出现了临空侧与实体侧不同的矿压现象特征,如图5所示。
工作面临空巷道在煤炮的作用下易形成崩落,如图5a所示。115号支架至临空侧区段煤柱位置易出现煤墙大面积片帮等强矿压现象,其中片帮深度约2 m,且来压步距不明显如图5b所示;坚硬厚顶板易在此位置发生切顶,导致115号支架附近出现冒顶,进一步引发工作面临空侧区域整体冒落,如图5c所示;此区域范围内的微震信号数量及能量值较大,且支架压力大于40 MPa。工作面40号至实体侧区段煤柱坚硬厚顶板内部基本完整,裂隙不发育(图5d),产生悬顶长度超过30 m(图5e),且悬顶处顶板随着持续推采在采空区内部垮落,其上覆岩层的力作用在巷道底板上,导致巷道底鼓量大并出现贯穿式开裂的显现状态,如图5f所示。
为保障工作面安全生产,在工作面临空侧巷道采用“切顶孔”控顶技术防治坚硬顶板的突然垮落,但防治效果不佳。
2. 坚硬厚顶板破断极限条件
根据“防止老顶初次破断后‘砌体梁’结构产生滑落失稳岩块的高长比要小于0.4~0.5,即岩块长度要大于2~2.5倍岩块厚度”[23]。认为黄陵二矿21422工作面坚硬厚顶板破断高长比大于0.4~0.5。同时根据大采高综采面关键层“悬臂梁”结构形成的条件(式(3))[24],则坚硬厚顶板破断产生的“悬臂梁”结构并直接垮落,无法在采空区一侧形成铰接,形成自由边界。
$$ M+\left(1-{K}_{{\mathrm{p}}}\right){\displaystyle \sum {h}_{i}}>h-\sqrt{\dfrac{2ql_{\mathrm{s}}^2}{\sigma _c}} $$ (4) 式中:M为煤层采高,m;KP为直接顶垮落岩块碎胀系数,取0;hi为关键层厚,m。ls为关键层断裂步距,m;q为关键层及其上覆载荷,MPa;σc为关键层破断岩块抗压强度,MPa。
笔者通过对35 m煤柱稳定性分析中发现,在两工作面扰动下形成的“动”载荷作用,在煤柱及在中间位置最大,且各应力值大于煤体及顶板的强度,易在煤柱中部发生破裂[25]。则该煤柱尺寸不能满足隔离采空区顶板联动所需的宽度。由此可知,黄陵二矿21422工作面坚硬厚顶板推采下顶板约束边界为“两边固支一边简支一边自由”型。该类顶板铰接模型及极限载荷积分求解模型,如图6所示。
表4为所求边界条件下板结构塑性绞线位置所对应的内力功和板结构破断结构在覆岩载荷下所对应的外力功,利用Maple进行求解。表4中坚硬岩层极限弯矩按照式(4)进行计算。根据黄陵二矿生产参数及围岩情况,可得顶板结构的几何破断尺寸,见表5。
表 4 相邻工作面顶板极限承载条件Table 4. Limit bearing conditions of top plate at the adjacent working face约束边界条件 内力功 外力功 极限承载条件 两边固支一边
简支一边自由$ {W_{{\mathrm{i}}1}} = {M_{\mathrm{p}}}\dfrac{\delta }{b}a = {M_{\mathrm{p}}}\dfrac{{\delta a}}{b} $
$ {W_{{\mathrm{i}}2}} = {M_{\mathrm{p}}}\dfrac{{b\delta }}{{{x_2}}} $
$ {W_{{\mathrm{i}}3}} = {M_{\mathrm{p}}}\delta \left(\dfrac{b}{{{x_2}}} + \dfrac{{{x_2}}}{b}\right) $
$ {W_{{\mathrm{i}}4}} = {M_{\mathrm{p}}}\delta \left(\dfrac{b}{{{x_1}}} + \dfrac{{{x_1}}}{b}\right) $$ {W_{{\mathrm{e}}{{\mathrm{b}}_1}}} = \displaystyle\int_0^{{x_1}} {q\dfrac{{zb}}{{{x_1}}}} {\mathrm{d}}z\dfrac{{{x_1} - z}}{{{x_1}}}\delta $
$ {W_{{\mathrm{e}}{{\mathrm{b}}_2}}} = \displaystyle\int_0^{{x_1}} {q\left[ {\dfrac{{j{x_1}}}{b} + \dfrac{j}{b}{x_2}} \right]{\mathrm{d}}j\dfrac{{b - j}}{b}} \delta $
$ {W_{{\mathrm{e}}{{\mathrm{b}}_3}}} = \displaystyle\int_0^{{x_2}} q \dfrac{{mb}}{{{x_2}}}{\mathrm{d}}m\dfrac{{{x_2} - m}}{{{x_2}}}\delta $$ \displaystyle\sum {{W_i}} = \displaystyle\sum {{W_{{\text{eb}}}}} $
$ \dfrac{{{M_{\mathrm{p}}}\left( {2{a^2}{x_1} + a{b^2} - 2a{x_1}^2 + {b^2}{x_1}} \right)}}{{b{x_1}{x_2}}} - \dfrac{1}{3}qab = 0 $表 5 21422工作面顶板破断特征计算结果Table 5. Calculation results of top plate breakingcharacteristics工作面 块体走向长度
bmin/m临空侧块体宽度
x1/m21422 18.39 108.41 $$ {M_{\mathrm{p}}} = \frac{{{h^2}}}{4}{\sigma _{\mathrm{t}}} $$ (5) 式中:Mp为岩层极限弯矩;h为岩层厚度,m;$\sigma_{\mathrm{t}} $为抗拉强度,MPa。
由此可知坚硬厚顶板沿21422工作面倾向的破断位置距简支边界(临空区段煤柱)约108 m处。
3. 坚硬厚顶板能量与应力演化关系
3.1 三维数值模型构建
以黄陵二矿大采高工作面覆岩结构、开采布局为背景,根据图2设计如图7所示的大型三维FLAC3D数值计算模型,尺寸为845 m×800 m×295 m,模型模拟至工作面上部275 m岩层顶部。设计21421和21422 两个工作面,各工作面设走向长度650 m、宽度300 m,区段煤柱35 m,边界煤柱100 m。重点分析21421工作面开挖计算后,21422工作面采动下坚硬厚顶板的应力及能量的演化规律。
利用表2对模拟岩层进行附参,根据煤、顶板力学参数,在数值计算中进行标定,如图8所示。
根据对矿井地应力的测定结果,在模拟岩层顶部边界上施加均布载荷替代其余覆岩重力,约7.5 MPa,其余方向对边界固定。每次模拟开挖步距为10 m,累计开挖650 m。
3.2 顶板能量演化特征
21422工作面开采至450 m(达到充分采动)能量分布特征如图9所示。21422工作面回采下产生的能量密度在工作面上部覆岩内部形成的分层现象,且临空侧能量密度值大于实体侧,其中能量密度集中在煤层上部80 m范围的临空侧内,如图9a所示。能量密度值沿工作面临空侧向实体侧倾向降低分布,并在工作面250~300 m位置的能量密度约为5.0×104 J/m3,并趋于稳定。
坚硬厚顶板能量密度值明显大于其他位置岩层,如图9b所示。能量密度相差一个能量级,能量范围在3.63×105~0.74×105 J/m3之间。21422工作面开采位置超前的出现的降低分布的能量集中,如图10所示。坚硬厚顶板在开采位置实体侧出现了不同程度的能量集中分布,能量密度值约为7.5×104 J/m3,并影响至实体煤处。
3.3 顶板应力演化特征
提取与能量相同步距的覆岩垂直分布情况如图11所示。受开采布局影响,21422工作面开采不同位置的应力分布存在明显差异,但坚硬厚顶板始终处于集中状态(应力在20~63 MPa),且由临空侧向实体侧降低的分布特征,其中临空侧80 m范围的应力在45~63 MPa。
工作面120 m范围内覆岩垂直应力随着层位的升高而降低,呈现分层显现(图12)。工作面上部80 m内覆岩的应力分布形态相似;100~120 m覆岩应力沿工作面倾向呈现升高−降低−平稳的分布特征。坚硬厚顶板的扰动应力值变化最大,呈幂数分布特征;100 m处的扰动应力呈多项式降低分布特征。
两工作面之间区段煤柱顶板应力集中最大,应力峰值约70 MPa;21422工作面超前的应力集中程度、影响范围、应力峰值均沿工作面临空侧至实体侧降低,如图13所示。
4. 坚硬厚顶板失稳机理分析
坚硬厚顶板作为工作面矿压显现的主控岩层,受21422工作面开采布局影响,坚硬厚顶板“两边固支一边简支一边自由”的约束边界条件导致扰动应力及能量分布为由临空侧向实体侧逐渐减弱的演化过程(开采扰动的垂直应力与能量分布沿工作面倾向具有相似性。)。21422工作面推进过程中坚硬厚顶板沿工作面倾向应力演化特征如图14所示。
21422工作面随着采动过程的变化应力峰值由区段煤柱处转移至临空侧约20 m处,再转移至煤柱处(峰值为σ3,max>σ2,max>σ1,max)。通过引入集中差值系数(σx),即工作面倾向坚硬顶板各位置的集中应力值(能量值)与应力(能量)平均值的比值系数。当σx≥1时,坚硬厚顶板应力(能量)释放程度高;当σx<1时,坚硬厚顶板应力(能量)释放程度低。故此距临空侧区段煤柱约110 m位置为应力分布临界点(临空侧110 m范围的变化速率快);距实体侧边界煤柱约70 m处低于σx值,处于蓄能状态。由此可知:坚硬厚顶板在深埋大采高相邻工作面采动下,沿工作面倾向呈现分区演化特征。其中坚硬厚顶板在临空侧110 m范围的释放程度高,强矿压显现剧烈;距实体侧边界煤柱约70 m范围处于蓄能状态,导致巷道变形量大。
通过上述分析可知:黄陵二矿21422工作面走向的垂直支承应力分布由临空侧向实体侧分为五个区(应力集中范围及峰值依次降低),如图15所示。Ⅰ区为21421工作面采空区稳定区,Ⅱ区为21421采空区与区段煤柱应力升高区,Ⅲ区为区段21422工作面临空侧应力集中区,Ⅳ区为21422工作面实体侧应力减少区,Ⅴ区为21422工作面实体侧(至下一工作面)应力平稳区。支承应力沿工作面倾向的分区性导致工作面矿压显现的剧烈程度不同。坚硬厚顶板在21422相邻工作面两侧的非对称破断块体,形成了临空侧与实体侧的Ⅲ区和Ⅴ区(集中区、平稳区)。因此在相邻工作面两侧开展“分区”控制技术手段,形成“降低临空侧应力集中程度,阻断实体侧应力传递”的防控思路,达到控制顶板的技术。
根据21422工作面覆岩结构及接续安排,其临空侧、实体侧巷道分别采用水力压裂与爆破致裂的防控技术,实现强矿压的防治,同时为21423工作面强矿压的防控打下良好基础。现场实践表明:分区防治技术增加了坚硬厚顶板的裂隙,改变了21422工作面坚硬厚顶板的边界条件;微震信号沿工作面开采位置平均分布,未出现大能量事件,有效控制了坚硬厚顶板对工作面的作用,取得了较好的应用成果。
5. 结 论
1) 坚硬厚顶板作为影响工作面矿压显现的力源层。在深埋、大采高、强采动等因素影响下,21422相邻工作面沿工作面开采位置具形成了工作面临空侧来压剧烈和实体侧长距离悬顶两种强矿压表现类型。其中临空110 m范围为微震事件集中分布,并产生了大于1.0×104 J的微震事件。
2) 明确了21422工作面坚硬厚顶板为“两边固支一边简支一边自由”的约束边界铰接模型,通过内外功得出了坚硬厚顶板极限承载条件,确定了工作面倾向的破断位置在工作面临空侧约108.41 m处。同时21422工作面开采扰动下的能量与应力沿工作面倾向由临空侧向实体侧降低分布。其中坚硬厚顶板在临空侧110 m范围的释放程度高;距实体侧边界煤柱约70 m范围处于蓄能状态,并影响至下一工作面的。
3) 受开采布局影响,21422相邻工作面坚硬厚顶板边界约束条件改变下引发沿工作面倾向的非对称破断,并造成垂直支承应力分布由临空侧向实体侧的分区性,这是诱发工作面强矿压的机理。故此形成“降低临空侧应力集中程度,阻断实体侧应力传递”的防控思路,达到控制坚硬厚顶板诱发强矿压的目的。
-
表 1 CSPNet-YOLOv7和YOLOv7模型煤矸识别结果对比
Table 1 Comparison of CSPNet-YOLOv7 and YOLOv7 algorithm coal and gangue identification results
识别类别 CSPNet-YOLOv7(Confidence=0.5) YOLOv7(Confidence=0.5) 准确率/% 召回率 /% F1得分 平均精度/% 平均精度
均值/%准确率/% 召回率/% F1得分 平均精度/% 平均精度
均值/%煤 90.69 97.57 0.94 96.93 97.53 89.23 90.27 0.90 92.47 90.07 矸石 93.79 98.25 0.96 98.13 86.87 87.15 0.87 87.66 平均值 92.24 97.91 0.95 97.53 88.05 88.71 0.88 90.07 表 2 基于YOLO v7模型不同改进策略的消融试验
Table 2 Ablation experiments based on different improvement strategies of YOLO v7 model
组别 模型 平均精度/% 平均精度均值/% 每秒传输帧数/(f·s−1) 参数量/106 煤 矸石 C1 YOLOv7 92.47 87.66 90.07 22.92 37.27 C2 YOLOv7+数据增强 93.56 88.92 91.24 22.92 37.27 C3 YOLOv7+数据增强+RFP-SAC 95.19 90.23 92.71 22.08 38.55 C4 CSPNet-YOLOv7+数据增强 93.64 95.78 94.71 23.73 29.64 C5 CSPNet-YOLOv7+数据增强+RFP-SAC 96.93 98.13 97.53 22.74 30.85 表 3 不同煤矸识别模型性能对比
Table 3 Performance comparison of different coal and gangue identification models
模型 参数量/106 浮点运算次数/109 每秒传输帧数/(f·s−1) 平均精度均值/% YOLOv3 61.53 65.60 25.93 87.75 FasterRCNN-Resnet50 28.42 120.54 23.66 85.69 MobileNet V2 -YOLOv4 39.06 39.99 20.39 88.94 YOLOv4-VGG 23.94 112.37 25.67 89.37 YOLOv4 64.36 60.53 21.33 90.02 YOLOv5s 47.06 114.48 14.28 92.13 YOLOv7 37.27 106.47 15.49 90.07 CSPNet-YOLOv7(ours) 30.85 42.15 24.37 97.53 -
[1] 葛世荣,王世博,管增伦,等. 数字孪生−应对智能化综采工作面技术挑战[J]. 工矿自动化,2022,48(7):1−12. GE Shirong,WANG Shibo,GUAN Zenglun,et al. Digital twin:meeting the technical challenges of intelligent fully mechanized working face[J]. Journal of Mine Automation,2022,48(7):1−12.
[2] 王国法. 煤矿智能化最新技术进展与问题探讨[J]. 煤炭科学技术,2022,50(1):1−27. WANG Guofa. New technological progress of coal mine intelligence and its problems[J]. Coal Science and Technology,2022,50(1):1−27.
[3] 王国法,杜毅博,任怀伟,等. 智能化煤矿顶层设计研究与实践[J]. 煤炭学报,2020,45(6):1909−1924. WANG Guofa,DU Yibo,REN Huaiwei,et al. Top level design and practice of smart coal mines[J]. Journal of China Coal Society,2020,45(6):1909−1924.
[4] 崔亚仲,任艳艳,白明亮. 神东矿区煤炭智能化建设实践[J]. 煤炭科学技术,2022,50(S1):218−226. CUI Yazhong,REN Yanyan,BAI Mingliang. Practice of intelligent construction of shendong coal mine[J]. Coal Science and Technology,2022,50(S1):218−226.
[5] 王玉涛. 煤矸石固废无害化处置与资源化综合利用现状与展望[J]. 煤田地质与勘探,2022,50(10):54−66. WANG Yutao. Status and prospect of harmless disposal and resource comprehensive utilization of solid waste of coal gangue[J]. Coal Geology & Exploration,2022,50(10):54−66.
[6] 李小萌,赵巧蓉. 基于图像处理的煤矸识别技术研究进展及方向[J]. 现代矿业,2021,37(11):200−203. LI Xiaomeng,ZHAO Qiaorong. Research progress and development trend of coal gangue identification technology based on image processing[J]. Modern Mining,2021,37(11):200−203.
[7] 田妍,田丰. 放顶煤开采过程煤矸识别技术发展现状及前景[J]. 煤炭工程,2018,50(10):142−145. TIAN Yan,TIAN Feng. Development status and prospect of coal gangue recognition technology in top-coal caving[J]. Coal Engineering,2018,50(10):142−145.
[8] 张强,张润鑫,刘峻铭,等. 煤矿智能化开采煤岩识别技术综述[J]. 煤炭科学技术,2022,50(2):1−26. ZHANG Qiang,ZHANG Runxin,LIU Junming,et al. Review on coal and rock identification technology for intelligent mining in coal mines[J]. Coal Science and Technology,2022,50(2):1−26.
[9] 王昕. 基于电磁波技术的煤岩识别方法研究[D]. 徐州:中国矿业大学,2017. WANG Xin. Study of coal rock identification method based on electromagnetic wave technology[D]. Xuzhou:China University of Mining and Technology,2017.
[10] 韦任. 基于煤岩反射光谱的识别技术研究[D]. 淮南:安徽理工大学,2021. WEI Ren. Research on recognition technology based on reflection spectrum of coal and rock[D]. Huainan:Anhui University of Science and Technology,2021.
[11] 李力,刘佳鹏,魏伟. 基于经验小波变换的煤岩界面识别超声回波处理方法研究[J]. 煤炭学报,2019,44(S1):370−377. LI Li,LIU Jiapeng,WEI Wei. Signal processing method on ultrasonic echo from coal-rock interface based on EWT[J]. Journal of China Coal Society,2019,44(S1):370−377.
[12] 王海舰. 煤岩界面多信息融合识别理论与实验研究[D]. 阜新:辽宁工程技术大学,2017. WANG Haijian. Theoretical and experimental study on coal-rock interface identification based on multi information fusion[D]. Fuxin:Liaoning Technical University,2017.
[13] 张勇,杨鹏,王亮,等. 基于经典卷积神经网络的智能煤矸识别[J]. 邵阳学院学报(自然科学版),2021,18(1):34−44. ZHANG Yong,YANG Peng,WANG Liang,et al. Intelligent coal gangue identification based on classical convolutional neural network[J]. Journal of Shaoyang University (Natural Science Edition),2021,18(1):34−44.
[14] WANG Mingxun,YANG Baolu,WANG Xin,et al. YOLO-T:Multitarget intelligent recognition method for X-ray images based on the YOLO and transformer Models[J]. Applied Sciences,2022,12(22):11848. doi: 10.3390/app122211848
[15] SAMOTHAI P,SANGUANSAT P,KHEAKSONG A,et al. The evaluation of bone fracture detection of YOLO series[A]. International Technical Conference on Circuits/Systems,Computers and Communications (ITC-CSCC)[C]. Phuket,Thailand,2022:1054-1057.
[16] 徐志强,吕子奇,王卫东,等. 煤矸智能分选的机器视觉识别方法与优化[J]. 煤炭学报,2020,45(6):2207−2216. XU Zhiqiang,LYU Ziqi,WANG Weidong,et al. Machine vision recognition method and optimization for intelligent separation of coal and gangue[J]. Journal of China Coal Society,2020,45(6):2207−2216.
[17] 雷世威,肖兴美,张明. 基于改进YOLOv3的煤矸识别方法研究[J]. 矿业安全与环保,2021,48(3):50−55. LEI Shiwei,XIAO Xingmei,ZHANG Ming. Research on coal and gangue identification method based on improved YOLOv3[J]. Mining Safety & Environmental Protection,2021,48(3):50−55.
[18] ADIBHATLA V A ,CHIH H C,HSU C C,et al. Applying deep learning to defect detection in printed circuit boards via a newest model of you-only-look-once[J]. Mathematical Biosciences and Engineering,2021,18(4):4411−4428.
[19] 张释如,黄综浏,张袁浩,等. 基于改进YOLOv5的煤矸识别研究[J]. 工矿自动化,2022,48(11):39−44. ZHANG Shiru,HUANG Zongliu,ZHANG Yuanhao,et al. Coal and gangue recognition research based on improved YOLOv5[J]. Journal of Mine Automation,2022,48(11):39−44.
[20] 宋卫虎,郎利影,张步勤,等. 基于改进U-net网络模型的煤矸识别方法[J]. 智能矿山,2021,2(3):63−68. SONG Weihu,LANG Liying,ZHANG Buqin,et al. A coal gangue identification method based on improved U-net network model[J]. Journal of Intelligent Mine,2021,2(3):63−68.
[21] 郭永存,张勇,李飞. 嵌入空洞卷积和批归一化模块的智能煤矸识别算法[J]. 矿业安全与环保,2022,49(3):45−50. GUO Yongcun,ZHANG Yong,LI Fei,et al. Intelligent coal and gangue identification algorithm embedded in dilated convolution and batch normalization module[J]. Mining Safety & Environmental Protection,2022,49(3):45−50.
[22] 雷孟宇,张旭辉,杨文娟,等. 煤矿掘进装备视觉位姿识别与控制研究现状与趋势[J]. 煤炭学报,2021,46(S2):1135−1148. LEI Mengyu,ZHANG Xuhui,YANG Wenjuan,et al. Current status and trend of research on visual pose detection and control of heading equipment in coal mines[J]. Journal of China Coal Society,2021,46(S2):1135−1148.
[23] 李晨鑫,张立亚. 煤矿井下网联式自动驾驶技术研究[J]. 工矿自动化,2022,48(6):49−55. LI Chenxin,ZHANG Liya. Research on the network connected automatic driving technology in underground coal mine[J]. Journal of Mine Automation,2022,48(6):49−55.
[24] WANG C Y,BOCHKOVSKIY A,LIAO H. YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[A]. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)[C],Vancouver,BC,Canada,2023:7464−7475.
[25] WANG C Y,LIAO H,WU Y H,et al. CSPNet:A new backbone that can enhance learning capability of CNN[A]. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)[C],Seattle,WA,USA,2020:1571−1580.
[26] QIAO S,CHEN L C,YUILLE A. DetectoRS:Detecting objects with recursive feature pyramid and switchable atrous convolution[A]. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)[C],Nashville,TN,USA,2021:10208−10219.
[27] ZHOU Wujie,GUO Qinling,LEI Jingsheng,et al. IRFR-Net:Interactive recursive feature-reshaping network for detecting salient objects in RGB-D images[J]. IEEE Transactions on Neural Networks and Learning Systems,2021,11(3):2162−2388.
[28] LAI Weisheng,HUANG Jiabin,AHUJA Narendra,et al. Fast and accurate image super-resolution with deep laplacian pyramid networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2019,41(11):2599−2613. doi: 10.1109/TPAMI.2018.2865304
[29] PAN S J,QIANG Y. A Survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering,2010,22(10):1345−1359. doi: 10.1109/TKDE.2009.191
[30] SHIN H C,ROTH H R,GAO M,et al. Deep convolutional neural networks for computer-aided detection:CNN architectures,dataset characteristics and transfer learning[J]. IEEE Transactions on Medical Imaging,2016,35(5):1285−1298. doi: 10.1109/TMI.2016.2528162
-
期刊类型引用(8)
1. 吴国庆,马彦龙. 槽波探测技术在淮北煤田的应用研究. 能源与环保. 2025(03): 162-168+175 . 百度学术
2. 仇念广,焦文杰,金明方,赵红利,姚小帅,张万鹏,李庆斌. 基于地震槽波多频联合应用的煤层厚度预测方法. 煤炭科学技术. 2025(05): 265-276 . 本站查看
3. 于建军,王建成,刘百祥. 基于地质物探数据的工作面透明地质模型构建研究与应用. 山东煤炭科技. 2024(04): 157-161+167+173 . 百度学术
4. 邓鹏. 工作面过陷落柱覆岩垮落形态与支护技术研究. 煤. 2024(06): 38-41 . 百度学术
5. 吴国庆. 反射槽波探测法在煤层褶曲与断层识别中的研究与应用. 煤田地质与勘探. 2024(09): 154-165 . 百度学术
6. 王海军,郑三龙,王相业,董敏涛,吴艳,马良,杨伟,朱玉英. 地质构造隐蔽致灾因素透明化勘查技术——以新疆屯宝煤矿为例. 煤炭科学技术. 2024(09): 173-188 . 本站查看
7. 李昂,李远谋,刘朝阳,姬亚东,王峰,刘洋,马政和,方刚. 煤层底板隐伏陷落柱突水机理及工程应用. 煤炭科学技术. 2024(S2): 142-152 . 本站查看
8. 赵俊杰,赵明军,张铁聪,贾瑞杰,刘兴伟. 综合物探技术在工作面高精度地质建模中的研究与应用. 中国煤炭. 2023(07): 89-101 . 百度学术
其他类型引用(4)