论文部分内容阅读
智能采矿的实现以更加高效获得更多有效矿产地质信息资料为基础,以实现透明地球为目标,已成为采矿学科的重要组成部分。岩层围岩裂隙发育特征是评价工程稳定性的重要指标之一。当前,岩层围岩裂隙的获取多采用直接观测方法获得,该方法识别效率较低,且缺少统一的裂隙划分标准。本文以如何实现岩层钻孔裂隙的智能化识别及定量化处理为研究目标,将人工智能与采矿工程知识相结合,提出了一种新的识别岩层裂隙的方法。本文以岩层钻孔裂隙平面展开图为研究对象,划分了钻孔探测图像平面展开图裂隙种类,并对其裂隙进行量化划分;根据裂隙的精确长度、角度、占比,将巷道围岩钻孔平面展开图中的裂隙分为五类:纵向大裂隙、纵向小裂隙、横向大裂隙、横向小裂隙、破碎带。通过深度学习,采用卷积神经网络的Deep CORAL框架,深入分析了围岩钻孔裂隙分布特征,并设计具有针对性的网络结构,得到了卷积神经网络模型,利用Microsoft Visual Studio环境开发了整套围岩钻孔图片裂隙智能识别系统。首先对围岩图片中的裂隙进行像素级标注,搭建深度学习卷积神经网络,然后根据围岩钻孔图片中的裂隙特征进行1900次迭代训练后得到模型。经过10次验证该网络的平均准确率为0.86,准确率较高。在此基础上,利用Microsoft Visual Studio 2015、Matlab 2016、Python等开发工具,结合C#、Matlab、Python语言设计围岩钻孔裂隙智能识别系统。系统包括登录、人机交互、裂隙识别、数据库存储、连接五个功能模块,真正实现了从图片输入到裂隙识别结果输出的全自动化过程。将此围岩裂隙智能识别系统应用到某煤矿巷道支护中,研究巷道的变形破坏特征。将两个测站总计六个钻孔的图像输入系统进行识别,分析了该煤矿巷道的钻孔图片裂隙特征以得到其围岩破碎和裂隙发育情况。结合巷道破坏特征提出合理可靠的支护对策,验证了本文研究成果的工程实用性。围岩钻孔裂隙智能识别系统作为在该工程中应用的围岩裂隙识别辅助方法,具有智能化、自动化的特点,为后期矿井发展智慧矿井、无人矿井提供了一定的方法和思路。论文共有有图44幅,表2个,参考文献70篇。