高级检索

改进YOLOv8的矿井人员防护装备实时监测方法研究

张磊, 孙志鹏, 陶虹京, 郝尚凯, 燕倩如, 李熙尉

张 磊,孙志鹏,陶虹京,等. 改进YOLOv8的矿井人员防护装备实时监测方法研究[J]. 煤炭科学技术,2025,53(S1):354−365. DOI: 10.12438/cst.2024-0142
引用本文: 张 磊,孙志鹏,陶虹京,等. 改进YOLOv8的矿井人员防护装备实时监测方法研究[J]. 煤炭科学技术,2025,53(S1):354−365. DOI: 10.12438/cst.2024-0142
ZHANG Lei,SUN Zhipeng,TAO Hongjing,et al. Research on real-time monitoring method of mine personnel protective equipment with improved YOLOv8[J]. Coal Science and Technology,2025,53(S1):354−365. DOI: 10.12438/cst.2024-0142
Citation: ZHANG Lei,SUN Zhipeng,TAO Hongjing,et al. Research on real-time monitoring method of mine personnel protective equipment with improved YOLOv8[J]. Coal Science and Technology,2025,53(S1):354−365. DOI: 10.12438/cst.2024-0142

改进YOLOv8的矿井人员防护装备实时监测方法研究

基金项目: 

山西省基础研究计划资助项目(20210302124355)

详细信息
    作者简介:

    张磊: (1984—),男,山西大同人,副教授,硕士生导师。E-mail:dtblack84@163.com

  • 中图分类号: TD76

Research on real-time monitoring method of mine personnel protective equipment with improved YOLOv8

  • 摘要:

    穿戴个人防护装备是保障矿井人员作业安全的重要手段,开展矿井人员防护装备监测是煤矿安全管理的重要工作内容。煤矿井下环境较为复杂,视频监控易受到噪声、光照以及粉尘等因素干扰,导致现有的目标检测方法对矿井人员防护装备存在检测精度低、实时性差、模型复杂度高等问题。为此,提出一种改进YOLOv8的矿井人员防护装备实时监测方法,称为DBE-YOLO。DBE-YOLO模型首先在基准模型主干网络的CBS模块中结合可变形卷积(DCNv2)组成DBS模块,使卷积具有可变形能力,在采样时可以更贴近检测物体的真实形状和尺寸,更具有鲁棒性,有效提升了其对不同尺度目标的特征获取能力,有利于模型提取更多人员防护装备的特征信息,提高模型检测精度。其次在特征增强网络融合了加权双向特征金字塔机制(BiFPN),在多尺度特征融合过程中删除效率较低的特征传输节点,实现更高层次的融合,提高了对不同尺度特征的融合效率,同时BiFPN引入了一个可以学习的权值,有助于让网络学习不同输入特征的重要性。最后使用WIoUv3作为模型的损失函数,其通过动态分配梯度增益,重点关注普通锚框质量,在模型训练过程中减少了低质量锚框产生的有害梯度,进一步提升了模型性能。实验结果表明,DBE-YOLO模型在矿井人员防护装备监测中有着良好的效果,查准率、查全率、平均精度分别为93.1%、93.0%、95.8%,相较于基准模型分别提高0.8%,2.9%,2.9%,检测实时性提升到65 f·s−1,提高了8.3%,此外,参数量、浮点计算量、模型体积分别为2 M、6.6 G、4.4 MB,相较于原模型分别降低33.3%、18.5%、30.2%。使用煤矿现场作业视频监控对改进模型进行验证,其有效改善了漏检和误检问题,为提高矿井人员的作业安全提供了技术手段。

    Abstract:

    Wearing personal protective equipment is an important means to ensure the safety of mine personnel. It is an important task of mine safety management to carry out mine personnel protective equipment monitoring. Coal mine underground environment is more complex, video surveillance is susceptible to noise, light and dust and other factors interference, resulting in the existing target detection methods for mine personnel protective equipment there are low detection accuracy, poor real-time, model complexity and so on, proposed an improvement of YOLOv8 real-time monitoring of mine personnel protective equipment method, known as DBE-YOLO. The DBE-YOLO model is first combined with deformable Convolution (DCNv2) in the CBS module of the benchmark model backbone network to form a DBS module. Making convolution deformable, when sampling, it can more closely detect the true shape and size of the object, more robust, It effectively improves its feature acquisition ability for targets of different scales. It is beneficial for the model to extract more feature information of personnel protective equipment and improve the model detection. Secondly, the weighted bidirectional feature pyramid mechanism (BiFPN) is integrated in the feature enhancement network. In the process of multi-scale feature fusion, the less efficient feature transmission nodes are deleted. Achieve a higher level of integration, the fusion efficiency of different scale features is improved. BiFPN also introduces a weight that can be learned. Helps the network learn the importance of different input features. Finally, WIoUv3 is used as the loss function of the model. By dynamically distributing gradient gain, Focus on ordinary anchor frame quality, In the process of model training, the harmful gradient generated by low quality anchor frame is reduced. The model performance is further improved. The experimental results show that DBE-YOLO model has a good effect in the monitoring of mine personnel protective equipment. The accuracy, recall and average accuracy were 93.1%, 93.0% and 95.8%, respectively. Compared with the benchmark model, it was increased by 0.8%, 2.9% and 2.9% respectively. Detection real-time improved to 65 f·s−1, An increase of 8.3%, In addition, the number of parameters, floating point computation and model volume are 2 M, 6.6 G and 4.4 MB respectively. Compared with the original model, they were reduced by 33.3%, 18.5% and 30.2% respectively. The improved model is verified by using video surveillance of coal mine field operation. It effectively improves the problem of missing and false detection, It provides technical means for improving the operation safety of mine personnel.

  • 天然岩体由于内部存在不同尺度、不同形状的缺陷,即使是同一外部荷载条件下,宏观力学性质与破坏特征也会有所不同[1],而岩石破坏过程即内部裂隙扩展贯通的过程。采用数值模拟方法,可以有效避免岩石自身结构差异带来的影响,并且实现岩石细观裂隙演化全过程的直观展现[2-4]

    PFC以牛顿第二定律与力–位移理论为基础,通过直接赋予颗粒几何参数与接触性质来模拟材料细观组构。平行黏结接触模型是PFC岩石类材料数值模型中最常用的颗粒接触本构模型,基于该接触模型构建的PFC数值模型可以较好地反映岩石细观力学响应过程,在岩石力学界得到广泛应用[5]

    相关学者利用PFC数值试验开展了多种类型的岩石力学试验研究,如单轴压缩试验[6]、三轴压缩试验[7]、真三轴压缩试验[8]、巴西劈裂试验[9]、拉伸试验[10]、动态压缩试验[11]等,探究了不同加载路径[12]、加载次数[13-14]、加载速率[15]等条件下岩石变形过程中宏观力学强度、变形特征与细观裂隙数量、种类、能量的对应关系。部分学者基于PFC构建的数值模型探究了岩石破裂过程中自身不同缺陷、不同组分等细观结构对岩石强度及破坏模式的影响程度与作用机理,如田文岭等[16]基于GBM模型探究了花岗岩高温及压缩破坏过程中裂纹扩展规律,发现高温作用可产生穿晶裂纹,应力作用则主要产生晶间裂纹;武世岩等[17]构建了含不同倾角和长短轴比裂隙的离散元模型开展单轴压缩试验,探究了弧形裂隙对岩石裂纹扩展过程的影响,发现试样破坏程度主要由裂隙倾角决定;蒋明镜等[18]基于DEM模型研究了含双裂隙岩石裂纹演化机理,发现岩石试样起裂难易程度主要受裂纹与主应力方向夹角的影响;张涛等[19]构建了三维分离式霍普金森压杆冲击模拟系统,探究了晶体尺寸对花岗岩动态拉伸特性的影响,发现随着晶体—单元体尺寸比增大,晶内裂纹数量占比相应增加,导致试样宏观力学强度增大。

    现有研究较少关注岩石剪切过程中细观裂隙演化过程,而压剪破坏是岩体工程中最常见的破坏形式之一。破坏形式不同,岩石的整体强度与破坏后的细观结构也存在明显差异[20]。PFC数值模型可以较好地模拟岩石抗压强度而在反映岩石拉破坏方面存在不足[21]。同时在PFC模型构建中,普遍以试错法调整接触参数,以数值模型应力应变关系、破坏形式与物理试验结果相接近为标准,缺乏对岩石细观裂隙演化过程的验证性分析。

    声发射信息监测利用岩石变形过程中释放的弹性波观测岩石内部微破裂演化过程[22],特别是声发射信息特征值RA(上升时间与振幅的比值)与AF(声发射振铃计数与持续时间的比值)可以反映岩石内部裂纹种类与数量的变化,何满潮等[23]基于RA与AF探究了卸荷速率对岩石内部裂纹种类演化的影响;甘一雄等[24]利用RA与AF值定义了岩石劈裂破坏剧烈程度评价指标;毛瑞彪等[25]利用RA与AF值区分了压裂应力对花岗岩水力压裂过程中裂纹种类与和数量的影响。

    基于此,开展了不同法向应力作用下花岗岩直剪试验与PFC数值模拟试验,结合声发射信号监测设备与声发射信息特征值分析,探究了法向应力对花岗岩剪切变形过程中岩石细观裂隙及能量演化过程的影响。

    花岗岩试件取自山东省日照市,选取整体结构稳定,质地均匀的大块岩石加工成尺寸为50 mm×50 mm×50 mm的小试件。常温下试件表面呈灰白色,平均密度为2.67 g/cm3。试验前对试件进行波速测试,剔除异常试件,减少试件特异性对试验结果的影响。图1为花岗岩试件外观图及剪切加载示意。

    图  1  花岗岩试样及剪切加载示意
    Figure  1.  Granite sample and shear loading diagram

    花岗岩剪切试验采用自主研发的高温高压岩石真三轴剪切试验系统(图2),该系统采用三向独立复合加载方式,可进行岩石三轴压缩、剪切及渗流的耦合试验,并搭载声发射检测设备,可同步记录岩石变形过程中的应力应变及声发射信息。剪切试验中,利用水平油缸对试件施加法向应力,利用竖向油缸为试件提供剪切应力。

    图  2  高温高压岩石真三轴剪切试验系统
    Figure  2.  True triaxial rock shear experimental system of high temperature and high pressure

    将试件置于加载腔室内,启动伺服控制系统对试件施加法向应力至预定值(10、20、30、40、50 MPa);以恒位移速率(0.001 mm/s)加载模式对试件施加剪切应力,直至试件破坏,同步采集声发射特征信息。为保证试验结果可靠性,同一法向应力状态下重复试验5次,试验结果求取平均值。

    离散元颗粒流方法构建的数值模型可以逼近真实材料的力学响应特征。PFC在模拟岩石类材料结构特征与力学性质方面取得广泛应用,颗粒本身可以承受压应力,而平行黏结模型可以同时承受压应力与拉应力,因此采用平行黏结模型设定颗粒接触参数可较好地反映岩石裂隙细观演化特征与宏观破坏模式。所构建的数值模型如图3所示,模型尺寸为50 mm×50 mm× 50 mm。

    图  3  PFC数值模型试样
    Figure  3.  PFC numerical model specimen

    PFC利用颗粒强度及接触参数表征岩石矿物组分及胶结物质力学特征,可通过试错法逐步调整参数大小,使所获得的应力应变曲线逼近物理试验所得应力应变曲线,当二者剪切强度与剪切模量相接近且宏观破坏形式相似时,即可认为所构建的数值模型成立。

    数值模型剪切过程采用0.01 mm/s的加载速率,PFC设定的加载速率是通过时步计算而得,不同于物理试验加载速率,因此二者数值上并不相等,但所用速率符合准静态模拟条件[26]。颗粒半径不同对岩石强度、破裂形态、裂纹扩展过程具有显著影响,大尺寸颗粒对裂纹扩展具有抑制作用[27],根据建议标准[5],综合考虑颗粒总数与计算效率,确定颗粒半径。数值模型细观参数与岩石宏观力学参数之间存在一定的对应关系[28],采用试错法逐步调整,最终校准的细观参数见表1

    表  1  校正后的PFC3D模型细观参数
    Table  1.  Mesoscopic parameters of PFC3D model
    细观参数 释义 标定值
    $ {R}_{{\mathrm{min}}} $ 最小颗粒半径/mm 0.1
    $ {{R}}_{\mathrm{m}\mathrm{a}\mathrm{x}} $/$ {{R}}_{\mathrm{m}\mathrm{i}\mathrm{n}} $ 最大最小颗粒半径比 1.66
    $ {E}_{{\mathrm{c}}} $ 颗粒接触模量/GPa 3.78
    $ {{k}}^{\mathrm{*}} $ 颗粒刚度比 0.5
    $ \mathrm{\mu } $ 颗粒摩擦因数 0.5
    $ {\bar{E}}_{{\mathrm{c}}} $ 平行黏结模量/GPa 3.78
    $ {\bar{{k}}}^{\mathrm{*}} $ 平行黏结刚度比 0.5
    $ {\bar{\sigma }}_{{\mathrm{c}}} $ 平行黏结抗拉强度/MPa 72
    $ \bar{c} $ 平行黏结黏聚力强度/MPa 108
    $ \bar{{\varnothing }} $ 内摩擦角/(°) 40
    下载: 导出CSV 
    | 显示表格

    图4为物理试验与PFC模拟结果对比,图4a为试验室试验与PFC模拟所得剪切应力位移曲线,二者峰值剪切强度与剪切模量较为接近;图4b为岩石试件破坏示意,试件基本均沿预定剪切面破裂,剪切面周围存在局部剥落;图4c为PFC试件破坏示意,数值试件也沿预定剪切面破坏,并在剪切面周围产生次生裂纹。由此可知,所构建的PFC数值模型可以反映花岗岩在剪切加载过程中的力学响应特征与宏观破坏特征。

    图  4  物理试验与PFC模拟结果对比
    Figure  4.  Comparison of physical experiment and PFC simulation results

    图5为不同法向应力下物理试验与模拟试验所得花岗岩剪切应力–位移曲线。由图5可知,不同法向应力作用下,物理试件与PFC模拟试件应力位移关系基本一致。物理试验所得花岗岩剪切应力–位移曲线基本相似,均经历了压密阶段、弹性阶段、塑性阶段和峰后破坏阶段,PFC在试件构建初期即消除内部不平衡力,因此不存在压密阶段。花岗岩剪切变形过程中,脆性特征较强,剪切应力位移曲线基本处于弹性阶段,塑性阶段不明显,岩石在峰值应力后迅速破坏,伴随剧烈声响。

    图  5  物理试验与PFC模拟花岗岩剪切应力–位移曲线对比
    Figure  5.  Shear stress-displacement curves of granite of physical experiment and PFC simulation

    图5可知,随着法向应力增大,花岗岩峰值抗剪强度、峰值位移均逐渐增大,剪切模量也逐渐增大,即法向应力越大,花岗岩剪切变形过程中脆性特征越明显。剪切破坏后,花岗岩在剪切应力和法向应力的作用下作摩擦运动,残余强度随法向应力增大呈逐渐增大趋势,物理试验结果与数值模拟结果具有高度一致性。

    比较图5a图5b可以发现,PFC模拟所得曲线在峰值点后剪切破坏阶段脆性特征弱于物理试验所得曲线,原因在于PFC模型中,颗粒间接触为平行黏结接触,当黏结接触间作用力达到黏结剪切强度时产生断裂,由此导致模型内部微裂纹发展为渐进式,而实际岩石内部微裂纹的扩展贯通形成宏观裂隙的过程较为迅速,因此二者存在一定差异。

    表2为物理试验与PFC模拟获得的花岗岩剪切强度与剪切模量,可以发现,数值模拟结果与物理试验结果十分接近,表明所构建的PFC数值模型可以较好地反映花岗岩剪切过程中的力学强度特性和变形特征。

    表  2  PFC模拟与物理试验所得花岗岩剪切强度参数
    Table  2.  Shear strength parameters of granite obtained by PFC simulation and physical experiment
    法向应力/MPa $ {\tau } $/MPa ${G} $/GPa
    物理试验 PFC模拟 物理试验 PFC模拟
    10 55.24 52.92 2.31 2.39
    20 67.03 66.75 2.61 2.67
    30 82.68 81.35 2.8 2.78
    40 93.59 92.66 3.14 3.08
    50 107.32 105.04 3.47 3.43
    下载: 导出CSV 
    | 显示表格

    不同法向应力作用下岩石剪切破坏模式基本型相同,均为张剪复合破坏,物理试验与PFC数值模拟试验所得结果基本一致。图6为法向应力10 MPa作用下花岗岩剪切物理试验与PFC数值模拟试验所得试件宏观破坏示意。图6a中箭头代表试件剪切运动方向,椭圆部分表示剪切磨损痕迹及岩屑。由此可知,试件沿剪切应力作用方向形成主破裂面,主破裂面表面既存在剪切作用导致的剪切滑移破坏,也存在张拉作用导致的劈裂破坏。主破裂面沿剪切应力作用方向,在上下两端分布大量白色岩石粉末以及矿物颗粒碎屑,而中间部分主要发生张拉破坏,主破裂面周围存在不同程度的局部破坏,造成试件表面小范围剥落。图6b为PFC数值模拟运行结果示意,其中蓝色部分代表颗粒之间黏结接触发生剪切断裂,绿色部分代表颗粒之间黏结接触发生张拉断裂。模拟所得模型破坏形式与物理试验一致,只是在主破裂面周围存在不同数目的次生裂隙,而非岩块剥落。

    图  6  物理试验与PFC模拟花岗岩剪切破坏示意
    Figure  6.  Physical experiment and PFC simulation of granite shear failure diagram

    基于声发射信号的时间、空间、强度等信息可以获得岩石内部微裂隙萌生、扩展和贯通的过程,从而揭示岩石破损机制[25]。不同法向应力作用下花岗岩剪切全应力位移曲线与声发射信号对应关系如图7所示。

    图  7  不同法向应力作用下花岗岩剪切应力、声发射能量、累计振铃计数与时间曲线
    Figure  7.  Shear stress, acoustic emission energy, cumulative ringing counts and time curve of granite under different normal stress

    图7可知,不同法向应力作用下花岗岩剪切过程中声发射特征曲线基本相似,岩石剪切破坏之前,声发射能量曲线都可以分为平静期与活跃期,活跃期又可以分为稳定期与加速期。岩石剪切应力峰值之后,声发射事件继续密集产生,原因是试件剪切破坏后,在剪应力的作用下继续进行摩擦运动。

    图7a为例进行分析,a点应力为32.21 MPa,b点应力为46.81 MPa,分别为峰值剪切强度的58.31%、84.74%。由图7a可知,在a点之前,试件内部几乎没有声发射信号;在ab段,累计振铃计数缓慢增加,声发射事件较为分散,且声发射能量值较低,说明此阶段花岗岩试件内部开始产生微破裂,但较为分散;在bc段,声发射能量值逐渐增大,累计振铃计数迅速增加,说明此阶段花岗岩试件内部集中产生微裂纹,且不断发展;在cd段,剪切应力达到峰值,之后迅速下降,试件发生剪切破坏,声发射能量与累计振铃计数达到最大值,此阶段花岗岩内部裂纹发生不稳定扩展,迅速形成宏观裂隙;在de段,累计振铃计数继续增加,而声发射能量值显著降低,此阶段花岗岩断裂成两部分,继续进行摩擦运动。

    图7a图7e可知,a点随着法向应力的增大逐渐后移,即法向应力越大,试件内部越不易产生微破裂;b点随法向应力增大无明显规律,说明岩石剪切变形过程中,微裂纹由稳定扩展转向非稳定扩展所需应力与法向应力没有明显相关性;cd段随法向应力增大,声发射事件更加集中,能量值更大,即法向应力越大,试件在外力作用下积聚的弹性应变能更大,且于试件破坏瞬间集中释放。

    综上可知,花岗岩峰值剪切强度与剪切模量随法向应力增大而增大,累计振铃计数随法向应力增大而增大,但声发射能量极值与法向应力无明显相关性。

    脆性岩石在受力破坏过程中,主要产生张拉裂纹和剪切裂纹。研究发现,产生张拉裂纹时,裂纹两侧反向运动,产生上升时间短,频率高的声发射波形;产生剪切裂纹时,产生上升时间长,频率较低的声发射波形。因此,RA值(上升时间与振幅的比值,单位为ms/V)与AF值(声发射振铃计数与持续时间的比值,单位kHz)可用于区分岩石内部裂纹类型[29]图8为典型声发射波形参数及裂纹分类示意。

    图  8  典型声发射波形参数及裂纹分类示意
    Figure  8.  Schematic of typical acoustic emission waveform parameters and crack classification

    图9a为花岗岩剪切变形过程中AF-RA信号值分布散点图,由图可知,由于数据点较为密集,难以作有效区分,因此将AF-RA信号值分布散点图转化为图9b所示的AF-RA信号值分布密度,从而更易于发现AF-RA值的分布规律。

    图  9  花岗岩剪切变形过程AF-RA值分布散点图与密度
    Figure  9.  Scatter plot and density plot of AF-RA value distribution during shear deformation of granite

    通常认为声发射信号RA值较低而AF值较高时代表张拉裂纹,而AF值较低RA值较高时代表剪切裂纹。日本学者基于混凝土监测结果制定JMCS-Ⅲ规范,将AF值与RA值的比值定义为斜率k,将斜率为k经过原点的直线作为2种裂纹分类的分界线,对于混凝土材料,k值可取1~200任意整数[30]。针对岩石材料,何满潮等取k为1[23],Niu等取k为2.13[31],毛瑞彪等发现,k值取值会影响不同裂纹种类数目,但同种加载方式下,k值不会影响裂纹演化趋势[25]。针对花岗岩,取k为2。

    不同法向应力作用下,花岗岩剪切变形过程AF-RA值分布密度图如图10所示。图中红色区域代表密度最大,即数据点分布核心,而蓝色区域代表无数据点分布,密度为0,过渡区域按照颜色不同代表不同数量的数据点。

    图  10  不同法向应力作用下花岗岩剪切变形过程中AF-RA值分布密度
    Figure  10.  Distribution density of AF-RA values during shear deformation of granite under different normal stresses

    图10可知,花岗岩剪切破坏过程中,张拉裂纹所占比例大于剪切裂纹,即花岗岩剪切破坏过程中主要发生张拉破坏。研究结论与张恒源等的研究结论不同,张等[32]认为花岗岩直剪破坏过程中,主要产生剪切裂纹。可能的原因是,张等将RA与AF边界线作为区分张拉裂纹与剪切裂纹数量的依据,而k值的不同,会导致不同种类裂纹数量的差异。而根据建议标准与现有文献研究结果,k值可以在给定范围内任意取值,因此,RA与AF特征值的对应关系更多用于反映不同外部荷载作用下岩石内部不同种类裂纹演化规律,而难以精确区分不同种类裂纹数量。

    基于研究结果可知,随着法向应力的增大,AF-RA值分布密度核心区域由AF轴逐渐向原点和RA轴靠拢,即法向应力越大,花岗岩剪切过程中产生的剪切裂纹越多。

    PFC数值模拟程序可以自动监测颗粒位移、速度以及黏结接触的受力,当平行黏结接触失效时即认为产生了微裂纹,并根据失效形式分为剪切裂纹与张拉裂纹,从而实现对岩石破坏过程的细观模拟。图11为不同法向应力作用下PFC数值模型剪切变形过程中内部微裂纹数量及不同种类微裂纹所占比例变化统计。

    图  11  PFC数值模型剪切变形过程内部微裂纹统计
    Figure  11.  Statistics of internal microcracks in PFC numerical model during shear deformation process

    图11可知,随着法向应力的增大,试件内部微裂隙数目逐渐增多,但张拉裂纹占比逐渐减小,剪切裂纹占比逐渐增大。张拉裂纹占比分别为83.47%、75.16%、70.18%、65.92%、60.21%,剪切裂纹占比分别为16.53%、24.84%、29.82%、34.08%、39.79%。由此可知,法向应力越大,试件内部越容易发生剪切破坏,与基于物理试验声发射波形参数AF-RA特征值的裂纹种类分析结论一致。而法向应力越大,花岗岩剪切破坏主破裂面表面形貌中剪切划痕与碎岩屑分布越多,也印证了这一结论。

    PFC数值模型可以实时监测花岗岩剪切变形过程中内部微裂纹空间信息。图12以法向应力为30 MPa时为例研究岩石剪切变形过程中作用下,剪切应力加载到50%$ {\tau }_{{\mathrm{max}}} $,75%$ {\tau }_{{\mathrm{max}}} $,$ {\tau }_{{\mathrm{max}}} $,峰后75%$ {\tau }_{{\mathrm{max}}} $时岩石细观裂纹分布情况,其中绿色代表张拉裂纹,蓝色代表剪切裂纹,剪切方向沿X方向由左向右。

    图  12  花岗岩剪切变形过程中细观裂纹演化过程
    Figure  12.  Evolution of micro cracks in granite during shear deformation

    图12可知,当剪切应力达到50%$ {\tau }_{{\mathrm{max}}} $时,花岗岩内部裂纹开始萌发,零散分布于岩石内部,基本为张拉裂纹,几乎没有剪切裂纹;当剪切应力达到75%$ {\tau }_{{\mathrm{max}}} $时,岩石内部微裂纹集中于试件两端,剪切裂纹开始出现;当剪切应力达到$ {\tau }_{{\mathrm{max}}} $时,岩石内部微裂纹由两端向试件中间扩展,张拉裂纹遍布整个主破裂面;当剪切应力达到峰后75%$ {\tau }_{{\mathrm{max}}} $时,岩石内部微裂纹完全贯通,剪切裂纹分布于主破裂面,形成宏观剪切破坏面,主破裂面周围存在张拉裂纹形成次生裂纹,导致试件局部破坏。

    PFC数值模型可以同步记录岩石变形过程中的应力及细观裂纹数量,不同法向应力作用下,岩石剪切应力与裂纹数量变化关系基本相似,图13所示为法向应力30 MPa时,花岗岩剪切变形过程中剪切应力与裂纹种类与数量的关系。

    图  13  花岗岩剪切过程中剪切应力与裂纹数量关系曲线
    Figure  13.  Curves of shear stress and crack numbers in granite during shear process

    图13可知,随着剪切应力增大,花岗岩内部微裂纹增长趋势基本相同。加载初期,微裂纹曲线呈近似水平状态,岩石内部基本没有微裂纹产生;加载至弹性阶段后半段,微裂纹曲线斜率逐渐增大,岩石细观裂纹增长速率开始逐渐增大;加载至峰值剪应力后,岩石内部微裂纹曲线近似呈直线上升状态,试件进入破坏阶段。整个剪切变形过程中,剪切裂纹增长速率及数量均小于张拉裂纹。当法向应力为10~50 MPa时,峰值剪切应力点处,微裂纹总数占裂纹总数的比例分别为33.03%、23.43%、21.94%、20.23%、18.52%,即大部分裂纹出现在峰值应力点之后,且法向应力越大,峰值应力点前岩石细观裂隙越少。

    假设岩石剪切试验系统与外界没有热交换产生,根据能量守恒定律,剪切加载过程,即外力做功使岩石内部弹性应变能与耗散能等能量累积与转化的过程。

    根据图5中PFC数值模型与物理试验剪切应力–位移曲线,可以得到不同法向应力作用下花岗岩剪切变形过程中,加载至峰值抗剪强度时外界输入总能量演化规律曲线如图14所示。

    图  14  PFC数值模型与物理试验花岗岩剪切过程总能量随法向应力变化曲线
    Figure  14.  Variation curve of total energy with normal stress during shearing of granite by PFC numerical model and physical experiment

    图14可知,PFC数值模型与物理试验中,花岗岩峰值抗剪强度随法向应力增大而增大,变化趋势一致。当剪切应力达到峰值抗剪强度时,外界输入总能量变化趋势也基本一致。因此,利用PFC数值模型分析花岗岩剪切变形过程中岩石内部能量演化规律是可行的。

    在PFC数值模型中,能量的计算遵循力–位移定律,将墙体的边界能作为系统输入总能量,对于采用平行黏结模型的岩石数值模型,边界能将转化岩石的弹性能,弹性能又可以分为胶结应变能$ {\bar{E}}_{{\mathrm{k}}} $与颗粒应变能$ {E}_{{\mathrm{k}}} $。随着剪切变形增大,岩体内部开始萌生微裂隙,产生耗散能。因为岩石加载速度较小,符合准静态条件,因此耗散能主要包括摩擦能$ {E}_{\mu } $与阻尼能$ {E}_{\beta } $。

    弹性能计算方式如下:

    $$ {E}_{{\mathrm{k}}}=\frac{1}{2}\left(\frac{{\left({F}_{{\mathrm{n}}}^{{\mathrm{l}}}\right)}^{2}}{{k}_{{\mathrm{n}}}}+\frac{{\|{F}_{{\mathrm{s}}}^{{\mathrm{l}}}\|}^{2}}{{k}_{{\mathrm{s}}}}\right) $$ (1)
    $$ {\bar{E}}_{{\mathrm{k}}}=\frac{1}{2}\left(\frac{{\bar{F}}_{{\mathrm{n}}}^{2}}{{\bar{k}}_{{\mathrm{n}}}\bar{A}}+\frac{{\|{\bar{F}}_{{\mathrm{s}}}\|}^{2}}{{\bar{k}}_{{\mathrm{s}}}\bar{A}}+\frac{{\bar{M}}_{{\mathrm{t}}}^{2}}{{\bar{k}}_{{\mathrm{s}}}\bar{J}}+\frac{{\|{\bar{M}}_{{\mathrm{b}}}\|}^{2}}{{\bar{k}}_{{\mathrm{n}}}\bar{I}}\right) $$ (2)
    $$ \bar{A}=\pi {\bar{R}}^{2} $$ (3)
    $$ \bar{I}=\frac{1}{4}\pi {\bar{R}}^{4} $$ (4)
    $$ \bar{J}=\frac{1}{2}\pi {\bar{R}}^{4} $$ (5)

    式中:$ {F}_{{\mathrm{n}}}^{{\mathrm{l}}} $为法向线性力;$ {F}_{{\mathrm{s}}}^{{\mathrm{l}}} $为切向线性力;$ {\bar{F}}_{{\mathrm{n}}} $为法向平行黏结力;$ {\bar{F}}_{{\mathrm{s}}} $为切向平行黏结力;$ \bar{R}={\bar{\lambda }}_{{\mathrm{min}}}({R}^{\left(1\right)},{R}^{\left(2\right)}) $(ball-ball),$ \bar{R}=\bar{\lambda }{R}^{\left(1\right)} $ (ball-facet),$ {R}^{\left(1\right)} $,$ {R}^{\left(2\right)} $为相邻2个颗粒半径;$ {\bar{M}}_{{\mathrm{t}}} $,$ {\bar{M}}_{{\mathrm{b}}} $分别为平行黏结的弯矩和扭矩。

    耗散能计算方式如下:

    $$ {E}_{\text{μ} }={E}_{\text{μ} }-\frac{1}{2}\left[{\left({F}_{{\mathrm{s}}}^{{\mathrm{l}}}\right)}_{0}+{F}_{{\mathrm{s}}}^{{\mathrm{l}}}\right]\cdot \Delta {\delta }_{{\mathrm{s}}}^{\text{μ}} $$ (6)
    $$ \Delta {\delta }_{{\mathrm{s}}}^{\text{μ} }=\Delta {\delta }_{{\mathrm{s}}}-\Delta {\delta }_{{\mathrm{s}}}^{{\mathrm{k}}}=\Delta {\delta }_{{\mathrm{s}}}-\left(\frac{{F}_{{\mathrm{s}}}^{{\mathrm{l}}}-{\left({F}_{{\mathrm{s}}}^{{\mathrm{l}}}\right)}_{0}}{{k}_{{\mathrm{s}}}}\right) $$ (7)
    $$ {E}_{{\text{β}} }={E}_{{\text{β}} }-{F}^{{\mathrm{d}}}\cdot \left(\dot{\delta }\Delta t\right) $$ (8)

    式中:$ {\left({F}_{{\mathrm{s}}}^{{\mathrm{l}}}\right)}_{0} $为初始切向线性力;$ \Delta {\delta }_{{\mathrm{s}}} $为颗粒在一个时步$ \left(\Delta t\right) $之内的位移;$ \Delta {\delta }_{{\mathrm{s}}}^{{\mathrm{k}}} $,$ \Delta {\delta }_{{\mathrm{s}}}^{\text{μ} } $分别为$ \Delta {\delta }_{{\mathrm{s}}} $的弹性分量与滑动分量;$ {F}^{{\mathrm{d}}} $为阻尼力;$ \dot{\delta } $为相对速度。

    不同法向应力作用下花岗岩内部能量演化规律基本相似,图15为法向应力10 MPa时花岗岩剪切变形过程中内部能量与剪切应力关系曲线。

    图  15  法向应力10 MPa下花岗岩内部能量演化规律
    Figure  15.  Internal energy evolution law of granite under normal stress of 10 MPa

    图15可知,随着剪切应力的增大,花岗岩内部颗粒应变能及胶结应变能均逐渐增加,摩擦能与阻尼能在加载初期几乎为0,当加载至峰值剪切强度附近时,才有少量增加。峰值剪切强度点后,试件进入破坏阶段,破坏瞬间,试件内部积聚的弹性能快速释放,耗散能则近乎线性增加,宏观裂隙面迅速形成,耗散能基本沿该平面释放。

    当剪切应力由初始状态加载至峰值剪切强度点,随着法向应力的增大,花岗岩内部能量演化规律如图16所示。

    图  16  花岗岩内部能量随法向应力变化规律曲线
    Figure  16.  Curves of energy variation with normal stresses of granite

    图16可知,随着法向应力增大,花岗岩内部总能量、弹性能能与耗散能均逐渐增大,但弹性能始终远大于耗散能。随着法向应力增大,花岗岩内部能量中,弹性能能所占比例逐渐降低,而耗散能所占比例逐渐增大,即法向应力越大,剪切变形过程中耗散能所占比例越大。

    研究中所得岩石内部能量演化规律与宫凤强等[33-34]研究结论不完全相符。宫等认为岩石变形过程中,岩石内部弹性应变能与输入总能量之间存在线性关系,即岩石内部弹性应变能与耗散能之比保持不变。可能的原因如下:宫等采用变角剪切循环加卸载方式得到岩石剪切应力应变曲线进行面积积分计算能量演化,但试验机仅能获得沿剪切方向的应力应变关系,无法获得岩石在法向应力方向及无约束方向的变形特征,而PFC3D数值模型基于颗粒位移计算能量值,不受单一测量方向约束。因此通过数值模型计算所得岩石剪切变形过程中内部能量分布规律更为精确。

    1)不同法向应力下,花岗岩剪切破坏过程均为张剪复合破坏。法向应力越大,花岗岩剪切过程中累计振铃计数越大,声发射事件越密集,岩石破坏过程越剧烈,脆性破坏特征越明显。

    2)花岗岩剪切变形过程中内部微裂纹首先沿加载方向两端萌生,随后向中间扩展,最终贯通形成宏观破裂面,所产生的微裂纹总数、张拉裂纹数量、剪切裂纹数量均与法向应力成正比。微裂纹以张拉裂纹为主,但随着法向应力的增大,剪切裂纹所占比例逐渐增大。

    3)不同法向应力作用下,花岗岩剪切过程中,大约70%以上微裂纹在峰值剪切应力点后产生,且法向应力越大,峰值应力点前产生的微裂纹占微裂纹总数的比例越小。

    4)花岗岩剪切加载过程中,外力做功输入的总能量主要转化为弹性能,耗散能仅占极小一部分;弹性能分为胶结应变能与颗粒应变能,且胶结应变能始终大于颗粒应变能;岩石剪切破坏过程主要是克服平行黏结接触做功,因此剪切破裂面以张拉破坏为主。

    5)随着法向应力的增大,花岗岩剪切破坏所需总能量逐渐增大,剪切加载过程中,岩石内部弹性能与耗散能均逐渐增大,其中弹性能所占比例逐渐减小,而耗散能所占比例逐渐增大。

  • 图  1   DBE-YOLO网络结构

    Figure  1.   DBE-YOLO network structure

    图  2   可变形卷积原理

    Figure  2.   Deformable convolution principle

    图  3   可变形卷积结构

    Figure  3.   Deformable convolution structure

    图  4   DBS模块

    Figure  4.   DBS module

    图  5   BiFPN机制

    Figure  5.   BiFPN mechanism

    图  6   WIoUv3示意

    Figure  6.   WIoUv3 schematic

    图  7   数据集扩充方式

    Figure  7.   Data set extension method

    图  8   不同模型平均精度均值曲线对比

    Figure  8.   Comparison of average accuracy mean curves of different models

    图  9   损失函数曲线对比

    Figure  9.   Comparison of loss function curves

    图  10   模型评价指标曲线对比

    Figure  10.   Comparison of model evaluation indicator curves

    图  11   不同模型在训练集上的P-R曲线

    Figure  11.   P-R curves of different models on the training set

    图  12   不同模型监测效果比对

    Figure  12.   Comparison of monitoring effects of different models

    表  1   消融实验

    Table  1   Ablation experiment

    模型 DBS BiFPN WIoUv3 P% R% mAP@0.5% FPS/(f·s−1 Parameters/M FLOPS/G
    YOLOv8n 92.3 90.1 92.9 60.6 3.0 8.1
    92.2 89.8 94.6 55.2 3.0 7.5
    92.5 90.5 93.2 69.5 1.9 7.1
    93.0 90.6 93.5 64.5 3.0 8.1
    92.5 92.3 94.9 59.4 2.0 6.6
    93.1 93.0 95.8 65.0 2.0 6.6
    下载: 导出CSV

    表  2   对比实验

    Table  2   Comparison experiment

    模型 mAP@0.5% FPS/(f·s−1 Parameters/M FLOPS/G Size/MB
    YOLOv3-Tiny 90.4 68.9 8.7 12.9 17.5
    YOLOv5 94.1 58.3 20.9 47.9 42.3
    YOLOv7-Tiny 92.3 69.6 6.0 13.2 12.3
    YOLOv8s 91.0 67.1 11.1 28.4 22.6
    YOLOv8n 92.9 60.6 3.0 8.1 6.3
    DBE-YOLO(Ours) 95.8 65.0 2.0 6.6 4.4
    下载: 导出CSV
  • [1]

    NATH N D,BEHZADAN A H,PAAL S G. Deep learning for site safety:Real-time detection of personal protective equipment[J]. Automation in Construction,2020,112:103085. doi: 10.1016/j.autcon.2020.103085

    [2] 李华,王岩彬,益朋,等. 基于深度学习的复杂作业场景下安全帽识别研究[J]. 中国安全生产科学技术,2021,17(1):175−181.

    LI Hua,WANG Yanbin,YI Peng,et al. Research on recognition of safety helmets under complex operation scenes based on deep learning[J]. Journal of Safety Science and Technology,2021,17(1):175−181.

    [3] 陈一洲,杨锐,苏国锋,等. 应急装备资源分类及管理技术研究[J]. 中国安全科学学报,2014,24(7):166−171.

    CHEN Yizhou,YANG Rui,SU Guofeng,et al. Study on technologies for classifying and managing emergency equipment resources[J]. China Safety Science Journal,2014,24(7):166−171.

    [4] 刘晓慧,叶西宁. 肤色检测和Hu矩在安全帽识别中的应用[J]. 华东理工大学学报(自然科学版),2014,40(3):365−370.

    LIU Xiaohui,YE Xining. Skin color detection and hu moments in helmet recognition research[J]. Journal of East China University of Science and Technology (Natural Science Edition),2014,40(3):365−370.

    [5] 张磊,李熙尉,燕倩如,等. 基于改进YOLOv5s的综采工作面人员检测算法[J]. 中国安全科学学报,2023,33(7):82−89.

    ZHANG Lei,LI Xiwei,YAN Qianru,et al. Personnel detection algorithm in fully mechanized coal face based on improved YOLOv5s[J]. China Safety Science Journal,2023,33(7):82−89.

    [6] 代少升,曾奇,黄炼,等. 基于S3-YOLOv5s的矿井人员防护设备检测算法研究[J]. 半导体光电,2023,44(1):153−160.

    DAI Shaosheng,ZENG Qi,HUANG Lian,et al. Research on detection algorithm of mine personnel protection equipment based on S3-YOLOv5s[J]. Semiconductor Optoelectronics,2023,44(1):153−160.

    [7] 程换新,蒋泽芹,程力,等. 基于改进YOLOX-S的安全帽反光衣检测算法[J]. 电子测量技术,2022,45(6):130−135.

    CHENG Huanxin,JIANG Zeqin,CHENG Li,et al. Helmet and reflective clothing detection algorithm based on improved YOLOX-S[J]. Electronic Measurement Technology,2022,45(6):130−135.

    [8] 王媛彬,韦思雄,吴华英,等. 基于改进YOLOv5s的矿井下安全帽佩戴检测算法[J/OL]. (2024−03−23)[2024−04−23]. http://kns.cnki.net/KCMS/detail/detail.aspx?filename=MTKJ20240320006&dbname=CJFD&dbcode=CJFQ.

    WANG Yuanbin,WEI Sixiong,WU Huaying,et al. Detection algorithm of helmet wearing in underground mine based on improved YOLOv5s[J/OL]. (2024−03−23)[2024−04−23]. http://kns.cnki.net/KCMS/detail/detail.aspx?filename=MTKJ20240320006&dbname=CJFD&dbcode=CJFQ.

    [9]

    GIRSHICK R,DONAHUE J,DARRELL T,et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway,NJ:IEEE,2014:580−587.

    [10]

    GIRSHICK R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision (ICCV). Piscataway,NJ:IEEE,2015:1440−1448.

    [11]

    REN S Q,HE K M,GIRSHICK R,et al. Faster R-CNN:Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137−1149. doi: 10.1109/TPAMI.2016.2577031

    [12]

    LIU W, ANGUELOV D, ERHAN D, et al. SSD: single shot MultiBox detector[C]//Proceedings of the 2016 European Conference on Computer Vision. Amsterdam: Springer International Publishing AG Cham, 2016: 21‒37.

    [13]

    REDMON J,DIVVALA S,GIRSHICK R,et al. You only look once:Unified,real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway,NJ:IEEE,2016:779−788.

    [14]

    WANG C Y,MARK LIAO H Y,WU Y H,et al. CSPNet:A new backbone that can enhance learning capability of CNN[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE,2020:1571−1580.

    [15]

    TAN M X,PANG R M,LE Q V. EfficientDet:Scalable and efficient object detection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE,2020:10778−10787.

    [16]

    DAI J F,QI H Z,XIONG Y W,et al. Deformable convolutional networks[C]//2017 IEEE International Conference on Computer Vision (ICCV). Piscataway,NJ:IEEE,2017:764−773.

    [17]

    LIN T Y,DOLLÁR P,GIRSHICK R,et al. Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway,NJ:IEEE,2017:936−944.

    [18]

    LIU S,QI L,QIN H F,et al. Path aggregation network for instance segmentation[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway,NJ:IEEE,2018:8759−8768.

    [19]

    ZHENG Z H,WANG P,LIU W,et al. Distance-IoU loss:Faster and better learning for bounding box regression[J]. Proceedings of the AAAI Conference on Artificial Intelligence,2020,34(7):12993−13000. doi: 10.1609/aaai.v34i07.6999

    [20]

    TONG Z J,CHEN Y H,XU Z W,et al. Wise-IoU:Bounding box regression loss with dynamic focusing mechanism[EB/OL]. (2023−11−07)[2024−01−24]. https://arxiv.org/abs/2301.10051v3.

    [21]

    PIZER S M,AMBURN E P,AUSTIN J D,et al. Adaptive histogram equalization and its variations[J]. Computer Vision,Graphics,and Image Processing,1987,39(3):355−368. doi: 10.1016/S0734-189X(87)80186-X

    [22]

    REDMON J,FARHADI A. YOLOv3:An incremental improvement[EB/OL]. (2018−04−08)[2024−01−24]. https://arxiv.org/abs/1804.02767v1.

    [23]

    WANG C Y,BOCHKOVSKIY A,LIAO H M. YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway,NJ:IEEE,2023:7464−7475.

    [24] 吴利刚,陈乐,吕媛媛,等. 基于轻量化的输送带块煤实时监测方法[J]. 煤炭科学技术,2023,51(S2):285−293.

    WU Ligang,CHEN Le,LYU Yuanyuan,et al. A lightweight-based method for real-time monitoring of lump coal on conveyor belts[J]. Coal Science and Technology,2023,51(S2):285−293.

  • 期刊类型引用(6)

    1. 张嘉凡, 车虎斌, 张慧梅, 袁超, 刘小宇. 考虑裂隙贯穿度的岩石裂纹演化及声发射特性. 地下空间与工程学报. 2025(03) 百度学术
    2. 王尚想,李宁. 基于PFC~(3D)模拟的卸荷岩柱破坏规律研究. 现代矿业. 2025(02): 52-56+61 . 百度学术
    3. 张洁,冯国瑞,郭军,文晓泽,冯文明,张旭,张亮,DIAS Daniel. 法向扰动下裂隙砂岩的剪切力学性质与细观演化特征. 采矿与岩层控制工程学报. 2025(02): 182-197 . 百度学术
    4. 胡善超,韩金明,程亚飞,亓佳利,黄俊鸿,高志豪,郭世豪,杨磊. 多孔套筒定向压裂力学机制及影响因素分析. 煤炭学报. 2024(08): 3366-3380 . 百度学术
    5. 彭文彬,郭豪杰. 直剪加载下岩体能量演化及声发射特征数值模拟研究. 甘肃水利水电技术. 2024(10): 31-35 . 百度学术
    6. 黄丹,许庆梅. 千枚岩力学特性与破坏特征研究. 石家庄铁道大学学报(自然科学版). 2024(04): 57-62 . 百度学术

    其他类型引用(8)

图(12)  /  表(2)
计量
  • 文章访问数:  32
  • HTML全文浏览量:  9
  • PDF下载量:  25
  • 被引次数: 14
出版历程
  • 收稿日期:  2024-01-23
  • 网络出版日期:  2025-04-15
  • 刊出日期:  2025-05-31

目录

/

返回文章
返回