金屬礦山地質災害風險智能監測預警技術現狀與展望

朱萬成 徐曉冬 李 磊 牟文強 宋清蔚 李 薈

(東北大學巖石破裂與失穩研究所,遼寧 沈陽 110819)

我國是世界上為數不多的礦產資源總量豐富且礦種齊全的國家之一[1],但人均占有量較低,鐵、鉻、錳等戰略性金屬礦產資源自給率不高[2]。 在復雜多變的國際關系環境下,礦產資源供應已成為制約我國社會經濟發展的主要瓶頸問題。 為解決此問題,深部礦產資源開采與高寒、高海拔復雜地質條件礦產資源開發已被提升為國家戰略,成為保障經濟發展的重要舉措。 金屬礦產資源回采是一個效益與風險并存的過程,如若不能妥善處理生產與安全的關系,極易誘發地質災害,帶來不必要的損失。 據相關部門統計,2021 年我國共發生礦山事故356 起、死亡503 人[3],人員生命與財產損失慘重。 隨著開采向深部及高海拔等環境惡劣地區轉移,地質災害風險也將顯著增加,如何實現生產與安全的動態平衡已成為亟須解決的問題。

地質災害的發生與巖體的損傷與破裂有關,災害發生前,巖體往往會出現異常的力學響應,可能成為災害發生的前兆信息,因此,實時監測巖體力學響應被認為是實現地質災害預警的重要手段[4]。 近年來,伴隨著“天—空—地”多維度巖體力學響應感知設備的研發與應用,為協調生產與安全的關系創造了條件[5]。 不少大型礦山引入了微震、測力計、位移計等設備,實現了外界擾動下巖體力學響應的實時監測[6],同時學者們嘗試挖掘隱藏在多源數據背后的致災前兆信息,建立了豐富的災害預測預警模型[7],并有部分礦山借助于云計算等技術搭建了礦山災害智能監測預警平臺,實現了監測預警技術的落地,為確保生產安全提供了技術保障[8]。 本研究以金屬礦山地質災害風險智能監測預警技術為主題,對常見地質災害類型及其形成條件、常用監測手段、預警模型等研究現狀進行總結與評述,同時對新形勢下的相關技術發展方向進行展望。

1 金屬礦山地質災害風險概述

1.1 金屬礦山地質災害風險定義與主要特征

聯合國救災組織(UNDRO)于1982 年將自然災害風險定義為:風險(Risk)= 危險(Hazard)×易損性(Vulnerability)[9]。 1984 年美國滑坡專家VANES 將其引入地質工程及災害科學領域,指出地質災害風險為災害產生不良后果的可能性,包括地質災害發生的可能性及其產生的損失兩個方面[10]。 此后,國內外學者針對地質災害風險的定義進行了一系列研究,2005 年,FELL 等[11]提出了涵蓋災害發生概率、災害體達到承載體的概率、承載體易損性等要素的風險量化公式,得到了國內外學者的認可。 針對金屬礦山,由于不同學科和領域學者對金屬礦山地質災害風險關注的問題存在差異,使得目前對于金屬礦山地質災害風險的定義還沒有形成統一標準。 一般來講,金屬礦山地質災害風險可以定義為金屬礦山生產過程中,由于地質因素(如地質構造、地質體形態、巖性等)和人類生產活動(如采礦、堆放、排水等)相互作用所導致的破壞、危害和損失的概率和程度,其中破壞(易發性)指潛在災害的發生概率和頻率,危害(危險性)指災害事件對人員和財產的威脅程度,損失(易損性)則指災害事件對人員、財產和環境的實際損失情況。 這些地質災害包括但不限于滑坡、巖爆、冒頂片幫等。 但當前國內發展的金屬礦山地質災害風險監測預警技術,大多側重于災害發生時間及空間的預測預警,對于易發性、危險性、風險評價的區分不夠明確,甚至存在概念混淆的問題[12],尚未形成完善的災害風險評價理論體系,需要結合災害類型,研究災害危險性及易損性評價方法,完善災害風險監測、預測、預警理論體系。

金屬礦山地質災害風險是對地質災害的特征表述或度量,具有普遍性、隨機性和時滯性三方面特征。

(1)普遍性。 金屬礦山地質災害是地質活動與人類生產活動相互作用的結果[13],復雜地質條件使得巖體產生漸進蠕變損傷,地震等天然擾動及人類生產等人為擾動不斷打破巖體的平衡狀態,加劇巖體的損傷程度,隨著損傷不斷積聚,地質災害便會應運而生。 因此,從某種意義上講,金屬礦山地質災害具有普遍性。

(2)隨機性。 雖然金屬礦山地質災害風險具有普遍性,但災害的形成和發展受到多種自然條件和生產因素影響,致使地質災害發生的時間、空間、強度以及災害帶來的損失均具有不確定性。 這一特征主要歸因于巖體的非均質性、各向異性以及外界擾動的隨機性。

(3)時滯性。 金屬礦山地質災害發生的時間往往與礦山開采活動相關,開采的推進會改變地質環境和地應力狀態,導致災害發生時間的變化,但工程實踐表明,地質災害的發生往往滯后于爆破等開采活動[14],具有顯著的時滯性,其本質為蠕變損傷累積和裂隙網絡發育的過程[15]。

金屬礦山地質災害的普遍性,決定了災害風險監測預警的重要性,是工程安全保障的重要組成部分;災害的隨機性和時滯性使得災害發生的時空預測變得異常復雜和困難。

1.2 金屬礦山地質災害類型及影響

我國金屬礦山存在種類多、分布廣、潛在隱患點突出等問題,且隨著開采條件逐漸惡劣,此類問題將愈加嚴重。 生產實踐表明:金屬礦山主要地質災害類型包含滑坡、冒頂片幫、突涌水、巖爆等。 各類型地質災害特征分析如下[16]:

(1)滑坡。 滑坡是指邊坡的巖土體受自重作用、地表和地下水活動、雨水浸泡、爆破振動、人工切坡等因素影響,在重力作用下沿著一定的軟弱面或軟弱帶,整體或者分散地順坡向下滑動的現象。 在露天礦山,滑坡災害幾乎影響著礦山生產的整個過程。 露天礦為了確保經濟效益,盡可能加陡邊坡降低剝采比是常用的做法,然而邊坡過陡會導致滑坡風險增加,從而增加邊坡維護成本。 根據我國10 座大型露天礦山的統計,不穩定或具有潛在滑坡危險的邊坡約占邊坡總長度的20%,個別礦山甚至高達33%[17]。

(2)冒頂片幫。 冒頂片幫指在采動地壓作用下巷道和采場頂板圍巖發生冒落和邊幫圍巖發生破壞的現象。 隨著巷道掘進和回采向前推進,工作面暴露面積逐漸增大,圍巖會由于應力的重分布而發生變形破壞,由于頂板圍巖的破壞而造成的頂板冒落稱作冒頂,如果冒落的部位在巷道兩幫則為片幫。 地下礦山造成人員傷亡最多的事故就是冒頂片幫,約30%的礦井傷亡事故與此有關[18]。 礦山冒頂片幫常發生于斷層破碎帶、膨脹巖第四系松散巖層、不整合接觸面、侵入巖接觸面以及巖體結構面的不利組合地段。 冒頂片幫一般包括巖層脫落、塊體冒落、不良地層塌落,以及由于采礦和地質結構引起的各種垮塌。 在礦山開采或者隧道掘進施工過程中,出現大量巖石冒頂的現象也被稱為塌方。 特別是礦巖穩定性差的難采礦體及軟弱夾層位置,容易發生較大規模塌方。

(3)突涌水。 突涌水是地下水大量涌入采場和巷道的現象,是地下開采過程中較為常見的地質災害,突水的水量更大、更具有破壞性,常出現在斷裂構造帶、松散巖體等構造發育并富水的地段。 突發性大量涌水多是由于違規操作或非正常開采引起的,與采礦作業密切相關。 開采擾動誘發的圍巖損傷與破裂,往往會使工作面與前方的含水層發生水力聯系,進而可能引發突水事故。 受水文地質條件影響,有些礦山突水突發性強、規模大、后果較嚴重。

(4)巖爆。 巖爆是處于高應力狀態下的脆性圍巖的彈性變形能突然釋放而產生的巖石破裂、彈出、發聲甚至地震等破壞現象[19]。 巖爆已成為世界性的地下深井開采中的技術難題之一。 之所以難,是因為隨著開采深度加大,地壓活動及強度趨于顯著,并表現出具有瞬間釋放大量能量的特點,具有突發性和巨大的破壞性[20]。 國內外比較一致的看法是,巖體堅硬且脆性大時,會在高應力作用下儲存大量彈性應變能,一旦開挖巷道,破壞巖體的平衡狀態,圍巖中的應力集中就會使圍巖產生破壞,在消耗掉部分彈性變形能之后,剩余能量轉化為動能,可造成巖石彈射或突然塌崩,這就是巖爆。 由此看來,高應力的聚積和突然釋放是巖爆發生的兩個條件。 如果把高應力的聚積視為巖爆發生的內因,那么開挖爆破產生的動態擾動往往是觸發巖爆的外因。

隨著我國不少礦山進入深部開采階段,圍巖處于高應力、高地下水壓力、高地溫(“三高”)環境下,發生巖爆等礦山動力災害的風險增加,在深部開采條件下開采擾動引起圍巖變形損傷與破壞,實際上是巖石在多場耦合條件下的損傷與破裂過程,災害發生機理及其預警與防控技術的研究,已成為巖石力學理論在采礦工程應用的研究熱點。 例如,突水是典型的流固耦合問題,研究巖石在流固耦合條件下的滲透演化及其突變規律,是進行突水災害預測預警與防控的理論基礎。

2 金屬礦山地質災害風險監測技術

2.1 變形監測技術

巖體變形是災害發生最直觀的特征,幾乎所有巖體穩定性的影響因素最終都會反映在巖體變形之中[21],因此,變形監測對于分析地質災害風險與演化規律至關重要[22]。 巖體變形監測設備根據施測方式可分為測點型、測線型和測面型3 類,三者在監測精度、覆蓋范圍等方面具有顯著差異[23]。

露天礦山地質災害的變形監測手段較多,通常采用“天—空—地”協同監測方式,實現災變過程中巖體變形的動態追蹤[24]。 其中,“天”泛指基于衛星的地表變形監測技術,如高分辨率光學遙感、合成孔徑雷達干涉測量等,可大范圍、長周期捕獲巖體變形特征,具有遠距離、非接觸等特點,常用于早期隱患識別、中長期趨勢監測和危險性評估[25]。 “空”泛指搭載在無人機之上的監測設備,如攝影測量、激光雷達、光學遙感等各類型傳感器,具有機動靈活性好、測量精度高等優勢,可作為衛星遙感技術的補充,用于小區域內的持續觀測,滿足重點觀測區域巖體快速動態監測需求[4]。 在“天—空”監測技術基礎上,可基本掌握隱患的位置和變形范圍,但由于以衛星、無人機等為載體的監測技術重訪周期較長,難以滿足快速變形階段數據實時采集需求,無法滿足災害短臨和應急處置階段的監測預警要求[26]。 此時,GNSS、測量機器人、地基雷達、光纖等“地”基監測技術顯得尤為重要。 “地”基監測設備具有高時效特征,主要用于地表變形較為劇烈或高風險地區的實時自動化監測[4]。 “地”基監測設備涵蓋測點型、測線型和測面型3 類,其中測點型監測設備包括多點位移計、測斜儀及GNSS 等,可實現地表變形的高精度監測[27]。測線型監測設備中,分布式光纖為代表性設備,可高精度捕獲沿光纖方向的位移變化[28]。 測面型監測設備包含地基雷達及三維激光掃描儀,其中,地基雷達具有監測范圍廣、頻率高的優點[29],但因設備較為昂貴,尚未得到完全推廣。 三維激光掃描技術雖然具有測量精度高的優點,但因存在設備昂貴、數據處理速度慢等問題,很少用于地表變形的動態監測[30]。

相對于露天礦山,地下礦山監測空間更為狹小,適用于地下礦山變形監測的技術手段較少,但相關監測設備也囊括測點型、測線型和測面型3 類。 測點型監測設備包括滑動測微儀、水準儀、多點位移計等,用于監測巷道圍巖單個點位的變形,是地下礦山位移監測的主要手段。 測線型變形監測的典型設備為分布式光纖,可連續監測光纖所在位置的位移,是近年來興起的地下礦山圍巖變形監測新技術,具有良好的應用前景[31]。 測面型變形監測設備則采用三維激光掃描、近景攝影測量等技術,可對礦山圍巖表面進行三維形態掃描,獲得局部變形信息。 但由于地下巷道測量空間相對較小以及圍巖變形持續時間長,使該技術一般被用于巷道三維重構及巖體質量評價等研究[32-33],很少用于巖體變形的實時監測[30]。

2.2 應力監測技術

地質災害的本質是外界擾動或內部構造變化等因素改變了地質體內部應力狀態,使某位置巖體的應力達到或超過強度極限,進而造成損傷積聚,最終出現宏觀破壞,因此,監測巖體的應力狀態極其重要。相較于變形監測設備,應力監測設備類型有限,且露天與地下災害監測設備基本一致。 目前國內外現場采動應力監測主要基于鉆孔應力監測技術,主要包括鉆孔應力解除法和鉆孔應力計測試方法[34]。 應力解除法在采動空間巖體上解除鉆孔巖體應力,使其發生膨脹變形,通過測量解除應力后巖體的三維應變,結合巖體的彈性模量,根據胡克定律計算出巖體中應力大小和方向,其中,常用的傳感器包括KX-81、CSIRO等空心包體應變傳感器[35]。 鉆孔應力測試技術是我國目前工程現場測量采動應力的主要技術,常用的傳感器大都以格魯茲Glotzi 壓力盒為基礎,在外觀和信號轉換上進行改進,從而發展成鉆孔應力計,包括振弦式和液壓式應力計兩種,采用鉆孔探入式固定安裝方式[36]。 值得注意的是,何滿潮院士團隊[37]自主研發了具有高恒阻、大變形、超強吸能特性NPR 錨桿/索,不僅可有效地控制災害發生,還可實時監測巖體牛頓力的變化,在露天災害監測工作中得到廣泛應用。 該團隊進一步探索了設備在地下巷道圍巖災害監測預警中的可能性與有效性[38],正在逐步將其推廣至地下礦山災害監測工作中,具有廣闊的應用前景[38]。 此外,近年來光纖等技術的發展,為應力監測提供了新的思路。 例如,柴敬等[39]通過在錨桿桿體黏貼光纖光柵傳感器和分布式光纖,實現了錨桿和錨索應力分布及其軸力的實時監測,為錨固質量評價提供了重要依據。 李邵軍等[40]采用光纖光柵改進原有的空心包體應變傳感器,實現了基于應力解除法的三維擾動應力連續監測。

2.3 水文監測技術

礦山地質災害的發生往往與區域內水分布特性有密切聯系,資源開采造成的水系統失衡(水源、水位、水壓異常等)極易誘發水土流失、突水潰砂、滑坡泥石流等地質災害[41-43],強化對水文信息的實時監測有助于避免災害發生。 傳統的地下水水文監測主要是以水位(水壓)、水溫、水流量等采集傳感器人工定期讀取其數據,常規水質監測則是通過人工獲取水樣后進行實驗室檢測測定[44];但隨著現代傳感器技術、數據采集技術和通信技術的發展,高精度自動測量、采集及動態智能分析、監測預警系統已經逐漸被應用于礦山水文監測中[45]。 尤其是在露天礦山水文監測中,自動采集數據可通過GPRS 無線網絡傳輸到分析終端完成數據融合分析[46];井下則更多的是借助于工業環網傳輸,但隨著井下5G 技術的發展應用,水文信息的無線采集、傳輸也將成為井下監測的主流方法。 除了以水文直接數據關聯的監測方法之外,還借助于瞬變電磁、電法等間接監測手段推演礦山水文特征[47-48],進而實現對礦山水文數據的準確獲取、掌握,為地質災害的預測預警提供重要支撐。

2.4 微震監測技術

巖體內部裂隙發展、貫通是災害發生的必要條件,通過實時監測巖體內部微破裂的演化情況可反演巖體損傷破裂狀態,為災害的預測預警提供重要依據[49]。 工程尺度上,巖體在變形破壞過程中,局部微破裂的產生往往伴隨著彈性波的釋放,這種現象通常被稱為微震[50]。 微震監測技術具有監測范圍廣、時效性強等優點,是當前面向金屬礦山災害監測設備中最為有效且流行的技術[51]。

基于微震監測技術獲取外界擾動下巖體內部破裂源的時空演化特征,是最為直觀的巖體損傷破裂表征手段,常被用于空間維度下地質災害的預測預警[52]。 除此之外,微震信號中還蘊含豐富的巖石破裂信息[53],但被廣泛應用于巖體變形破裂過程的指標十分有限,其中,用于表征監測區域應力水平的能量指數[54]、表示震源非彈性剪切變形巖體體積的視體積[55]、表示震源附近應力釋放水平的視應力[53]、表示地震活動水平的b值[54]、表示微震源破裂模式的S 波-P 波能量比是當前常用的微震特征參數[56]。再者,部分學者們從信號角度出發,基于微震全波形信號,通過FFT、HHT 等技術完成主頻等參數的提取,并證明了主頻出現由高頻向低頻轉換視為巖體災變的前兆[57]。 此外,基于矩張量理論的震源機制分析是目前的一個研究重點[58],越來越多的學者將矩張量反演方法引入巖石力學領域,用以分析巖石、巖體內部微裂隙的力學機制、破裂類型及破裂形態等,取得了顯著進展,逐步成為巖體災變過程分析的重要手段。

2.5 視頻監控技術

視頻監控是最為傳統的礦山生產安全監管技術,常被用于實時監控礦山各個區域的生產活動情況,便于及時發現潛在風險和安全隱患,以確保礦工安全。以往的視頻監控技術僅起到生產場景監控的作用,需要監控中心人員主動識別人員不安全行為和環境異常變化,難以保障萬無一失[59]。 近年來,機器視覺領域的飛速發展,極大地豐富了視頻監控的內涵,使其功能由傳統的可視化查看轉變為智能化識別。 使用機器視覺算法強化視頻監控技術,完成風險的實時監測、智能評判與識別,已成為金屬礦山地質災害監測預警領域的研究熱點。 其中,惡劣環境下的監控視頻增強[60]、人員危險行為識別[61]、圍巖變形實時監測[62]、冒頂片幫等地質災害風險監測技術[63]得到了深入研究,取得了顯著進展。

2.6 采動巖體力學響應多源協同監測技術

金屬礦山巖層形態多樣、地質災害突出、力學響應信息復雜,單一、傳統的監測手段難以實現多維度、跨尺度巖體力學響應信息的動態追蹤,無法滿足災害預測預警的需要[64]。 基于多源監測設備捕獲巖體損傷破裂多模態力學響應信息,可詳細反映巖石損傷破裂過程,是災害早期識別與預警的關鍵環節,同時也是當前金屬礦山地質災害監測預警領域的熱點研究問題[65]。 多源采動巖體力學響應協同監測技術是指利用微震、應力、位移及監控影像等多種手段,捕獲巖體不同時空尺度下的力學響應特征,并通過信息融合的方法和理論,綜合分析多源力學響應信息,全面剖析巖石損傷破裂過程,可顯著增強不同信息源數據的可解譯性,提高監測的精準度與可靠性[66]。

目前,多源采動巖體力學響應協同監測技術已在金屬礦山得到廣泛應用。 針對露天災害,尤其是露天邊坡滑坡,“天—空—地”協同監測理論與技術得到廣泛研究與發展。 例如,許強等[26]構建了“天—空—地”一體化的“三查”體系,實現了隱患大范圍普查,高風險區域詳查及重大隱患核查與持久監測,在一定程度上解決了“隱患點在哪里”“什么時候可能發生”等地質災害防治領域的難題。 YAN 等[67]建立了礦區“天—空—地”協同監測系統框架,充分發揮了各監測技術的優點,克服了單一監測手段的局限性,為地質災害預警提供了數據支撐。 劉善軍等[68]提出了“天—空—地”協同的露天邊坡智能監測技術,并在鞍鋼弓長嶺鐵礦得以應用推廣,取得了理想效果。 戴華陽團隊[24]采用InSAR、GNSS、三維激光掃描等技術,對礦區地表移動進行了“天—空—地”一體化監測,證明了該技術可以滿足淺埋、高強度開采、復雜地形及植被影響礦區的地表移動觀測需求。 陳國良等[69]指出現有的“天—空—地”協同監測機制忽略了參數、尺度和時間協同機制在整體、連續、多維度監測方面的優勢,提出了“天—空—地—人”一體化協同監測技術,實現了多平臺、多要素、多時相協同的精準監測。 總體而言,各位學者的研究思路類似,均采用了協同監測方法,實現了隱患普查、隱患核查、重點區域詳查,在一定程度上解決了傳統監測方法獲取力學響應數據在時間、空間上的不連續問題,為后續進行災害的預測預警提供了有效數據源,相關研究成果極大地促進了滑坡、地表塌陷等災害監測預警技術的發展。

針對地下災害,近年來點(錨桿測力計等)、線(光纖等)、面(激光掃描等)、體(微震等)多維度跨尺度采動巖體力學協同監測技術得到了飛速發展。王文杰等[70]采用聲發射、位移、應力與微震等傳感器,提出了點、線、面網絡化的綜合監測感知體系,為金川二礦區1 018 m 水平Ⅴ盤區2 分層采場內充填體頂板穩定性評價提供了重要支撐。 FANG 等[71]提出了一種以FBG 傳感為主、振弦式位移傳感器為輔的點—線協同監測系統,實現了豎井變形的實時動態反演。 ZHAO 等[72]基于三維激光掃描、鉆孔電視、多點位移計和錨桿應力計等監測手段,提出了一種場—表—里協同的巷道圍巖大變形監測方法,為金川礦巷道安全提供了保障。 地下災害的協同監測技術雖然有所發展,但是依舊處于初級階段,難以保障監測數據在時間—空間維度上的連續性,對于災害的監測預警主要依賴于微震監測技術,光纖變形監測、激光掃描變形監測等技術雖然具有發展潛力,但是由于井下復雜環境等因素,尚未得到很好的應用推廣。

綜上,雖然多源多模態采動巖體力學響應信息的協同監測技術得到了長足的發展,但當前尚無完善的協同監測理論,尤其是地下礦山,感知設備布設大多依賴工程經驗,難以充分發揮感知設備的價值。 因此,還需要進一步完善多感知設備協同監測與數據融合理論體系,實現基于風險條件的感知設備布設方案智能化調整,進一步為采動巖體力學響應的時—空完整性與連續性提供保障。

3 金屬礦山地質災害風險預警方法與技術

金屬礦山地質災害風險監測預警技術,是確保礦山人員和設備安全的重要保障[73],也可為優化開采方案、提升經濟效益提供重要依據[74]。 因此,災害風險精準預警已成為工礦企業的迫切需求及科研單位的研究熱點。 監測數據挖掘、數值模擬分析等方法因具有獨特優點,已成為災害預警的重要手段。 此外,云計算、物聯網、大數據等信息技術的發展,助力了巖石力學與信息工程領域的交叉融合,為災害風險的智能預警提供了可能[75]。

3.1 基于監測數據挖掘的地質災害風險預警方法

監測數據挖掘的地質災害風險預警方法旨在利用多源采動巖體力學響應數據時效性強、可真實反應巖體力學響應特征的優勢,挖掘多源多模態感知數據與巖體損傷破裂過程的映射關系,分析致災關鍵因素與災變前兆特征,歸納總結出災害發生的通用范式。其中,指標判據法和數學模型法是國內外學者普遍關注的災害預警方法[19]。

3.1.1 指標判據法

指標判據法是在大量歷史案例與理論分析的基礎上,形成的災害分級評價標準,具有簡單實用、參評變量物理意義明確等優點,被廣泛應用在巖爆、滑坡等地質災害的預警工作中。 例如,李鵬翔等[76]對能量儲存指數、脆性指數等靜態巖爆預警指標的發展進行了綜述,指出這些指標在工程勘察設計階段的指導意義顯著,但由于地質條件及開采工藝的差異性,會對預警結果的有效性產生顯著影響,且難以實現實時動態預警。 為解決上述問題,學者們嘗試引入實時監測數據,建立動態預警指標體系,例如,馮夏庭院士團隊[77-78]采用微震監測技術對巷道巖爆災害進行了實時監測,形成了巖爆案例庫;歸納了微震數據驅動的巖爆災害預警經驗公式,并給出了相應的預警閾值,實現了災害風險評價。 雖然監測數據驅動下的動態預警指標體系解決了靜態指標體系時效性差、預警準確率低的問題,但各指標對應的災害等級閾值需根據現場條件進行修正,具有極強的不確定性,難以實現精準定義,經常會出現漏報與誤報的問題。

3.1.2 數學模型法

數學模型法是在監測數據基礎上,挖掘多源監測數據與災變的非線性映射關系,從而實現災害的綜合預警,該方法考慮的因素較為全面,且主觀因素較小,具有較好的應用前景[19]。 從本質上講,災害預警是一種分類問題,旨在得出監測數據與巖體穩定性狀態的關系,根據是否依賴歷史數據與預警指標,可將數學模型法分為以模糊綜合評價為代表的綜合評判法,以及人工神經網絡為代表的機器學習法。

3.1.2.1 綜合評判法

綜合評判法旨在對多源多模態指標進行融合,從而解決不同指標的預警結果存在沖突的問題,其中模糊數學理論、云模型、D-S 證據理論是常用的綜合評判算法。 例如,ZHANG 等[79]采用層次分析法確定了預警指標的權重,結合未確知測度評價模型,構建了北站鐵礦東幫邊坡滑坡風險等級評價模型。 殷欣等[80]以巖石脆性指數、應變能儲存指數、彈性變形能指數、應力集中因子和巖體完整性系數作為巖爆傾向性評價屬性因素,提出了一種基于模糊理論改進的CRITIC-PROMETHEE 巖爆傾向性智能預測模型。WANG 等[81]提出了一種基于CRITIC 權重法改進的有限區間云模型,實現了脆性指數、巖石完整性系數等巖爆預警指標的融合,得到了更為準確的巖爆預警結果。 YANG 等[82]結合未確知測度評價理論、基于模糊層次分析法—熵權法的動態綜合加權方法和集對分析理論,提出了一種改進的滑坡災害預警模型。上述研究主要將巖體物理力學性質、采場水文地質等指標相融合,是一種簡便的采場風險評估方法,適用于災害風險的大范圍普查,但指標值的獲取時效性差,且部分指標取值主觀性強,難以適應礦山復雜多變的環境,從而難以實現動態精準預測預警。 對此,ZHANG 等[83]基于D-S 證據理論、模糊數學理論等方法,完成了多源監測數據融合與異常地質信息挖掘,從而實現了地質災害的超前預警。 羅周全等[84]提出了一種基于尖點突變理論和D-S 證據融合理論的綜合預警方法,克服了尖點突變模型預警效果不理想及D-S 證據融合模型魯棒性較差的不足。 上述研究引入了多源力學響應監測數據,其評價結果可更好地反映開采擾動下巖體穩定性的動態變化,是礦山災害風險預測預警較為有效的手段之一,但該方法的一大弊端在于多指標的融合大多只限于時間上的協同,并未實現空間上的協同,融合的感知數據屬于不同位置的巖體,雖然感知數據一般具有時—空相關性,但從嚴格意義上講,并不能完全等效,同樣會對預測預警效果產生影響。

總體而言,雖然綜合評判法無需大量歷史數據支撐,同時避免了指標評判模型容易出現各指標評價結果存在沖突的問題,但該方法對于指標權重的確定主觀性極強,且預警閾值的設定與礦山地質與生產條件密切相關,確定出合理的預警閾值非常困難,影響了該方法的準確性。 發展災害案例挖掘算法,提取隱藏在災害案例之中的致災關鍵信息,形成考慮歷史案例的指標權重與閾值構建方法,將是提升該方法有效性的重要途徑。

3.1.2.2 機器學習法

機器學習法旨在從海量歷史數據中挖掘致災關鍵特征,建立監測數據與災害風險狀態之間的非線性映射關系,并在此基礎上,結合實時采集數據,實現災害的動態預警。 例如,LI 等[85]研究了隨機森林等集成學習算法在巖爆災害預警中的可行性,分析了相關算法的局限性;進一步提出了一種基于改進深度森林的巖爆災害預警算法,并在新城金礦和三山島金礦進行了驗證[86]。 KIDEGA 等[87]提出了以單軸抗壓強度、脆性指數等巖爆預警指標作為輸入,采用梯度提升算法訓練了巖爆預警模型,改善了傳統巖爆指標預警模型準確率低的不足。 田睿等[88]提出了一種基于改進Adam 的深度神經網絡(DNN)巖爆預測模型(DA-DNN),并通過冬瓜山銅礦巖爆案例,驗證了模型的有效性與正確性。 WU 等[89]提出了一種基于Kmeans-ResNet 模型的滑坡預警算法,實現了滑坡變形狀態的無閾值判斷和預警,顯著降低了誤報率和漏報率。 賈義鵬等[90]將粒子群算法和廣義回歸神經網絡相融合,消除了指標間的相關性,實現了巖爆的精準預測。

綜上,機器學習算法的飛速發展為災害的精準預測預警創造了良好條件,其本質在于構建多源數據與巖體穩定性之間的非線性映射關系,因此如何選取合適指標作為輸入集是實現風險精準評判的一大關鍵問題。 此外,當前基于機器學習的預警方法大多缺乏力學內涵,雖然通過大量數據訓練,可實現風險評估,但是這種“黑盒”模型可解釋性不強,難以得到普遍認可。 此外,雖然機器學習法可在一定程度上降低預警前兆特征提取的復雜性及預警閾值設定的主觀性,但其對有效歷史數據的需求量大,預警準確性與歷史數據覆蓋范圍呈正相關。 然而,目前歷史數據搜集難度大,部分研究機器學習算法的樣本量僅在幾十量級水平,不利于構建普適性強的模型。 建立開放的地質災害案例庫系統、實現災害案例大數據的開源共享,將成為提高機器學習預警深度與精度的有效途徑。

3.2 基于數值模擬分析的地質災害風險預警方法

數值模擬模型具有可直觀展示巖體損傷破裂化過程、揭示災變機理等優勢,已成為當下最為流行的地質災害風險預警方法。 大量學者采用連續、離散介質模型綜合分析了采場巖體的穩定性狀態,實現了致災過程預測與損傷狀態的透明化。 其中,諸如FLAC3D等連續介質數值模擬軟件,因具有求解速度快、本構模型豐富等優點,被廣泛應用于巖體穩定性分析評價中。 本研究團隊[91]為闡明爆破擾動和蠕變耦合作用對新城金礦主豎井周邊圍巖的影響,將損傷力學理論引入FLAC3D有限差分模擬軟件,預測了開采擾動下的巖體損傷狀態,為礦山安全開采提供了保障。 災變的發生往往伴隨著裂隙的發育與擴展,雖然一些學者嘗試將損傷理論引入連續介質模型,在一定程度上可實現裂隙發育與擴展的表征,但仍然難以精準復刻關鍵塊冒落等典型結構性失穩破壞問題。 鑒于此,一些學者使用3DEC 等離散介質模型進行巖體穩定性分析。 張恒源等[92]依據巖石破壞的能量轉化機制和單元整體破壞準則,提出了同時考慮巖石內部積聚的可釋放應變能、巖石破壞所需的表面能臨界值及脆性系數的多參量判據,并借助于3DEC 數值模擬工具,實現了深地工程災害的預警分析。 戚偉等[93]基于3DEC 數值模擬軟件,采用三維離散元法及隨機裂隙網格技術建立了可反映實際節理分布的數值模型,并進一步分析了巷道圍巖應力分布規律。 ABOUSLEIMAN 等[94]基于UDEC 分析了頂板穩定性與礦柱應力的關系,并研究了地應力、材料屬性與節理網絡對頂板穩定性的影響。 離散介質模型雖然可以精準刻畫裂隙的發育過程,對結構性災變預測起到重要的支撐作用,但是其計算量巨大,難以實現大規模計算。 為此,一些學者嘗試將連續介質模型計算速度快及離散介質模型可精準描述巖體損傷破裂的優勢相結合,開發了連續—離散介質耦合模型。 如黎晨等[95]利用FLAC3D開展了大尺度上巖體應力、變形等狀態的分析,并在此基礎上采用3DEC 進行局部精細化模擬,實現了災變過程的精準分析。 SHI 等[96]針對煤礦冒頂片幫問題,構建了FDM-DEM 耦合模型,實現了開采過程中頂板冒落過程的分析。 這些研究成果對于金屬礦山的災變預警同樣具有重要的借鑒意義。

雖然基于數值模擬分析的地質災害風險預警方法在表征災變過程和揭示災變機理方面優勢顯著,但由于巖體的非均質性、各向異性以及外界生產擾動的不確定性,使得數值模型存在物理邊界、微元力學參數時空變異性表征困難,地質與支護模型隨著開采現狀更新滯后、預警精度難以保障等問題。 為此,進一步將監測數據挖掘方法和數值模擬分析方法相融合、實現優勢互補,將成為地質災害預警研究的主要方向。

3.3 監測—模擬相結合的災害預警方法

監測數據挖掘的災害預警模型可描述監測數據與巖體損傷破裂的非線性關系,具有較高的時效性,但模型依賴監測數據的質量,災害風險預測預警效果不穩定,且無法清晰表征災變機理;基于數值模擬分析的地質災害風險預警模型雖然具有分析準確、可清晰表征災變機理等優點,但是由于巖體的非均質性和各向異性,使得數值模型在力學參數選取、邊界條件設置、幾何模型構建等方面均具有極強的不確定性,且其求解復雜問題效率低,難以滿足時效性要求。 為此,融合兩種方法優點的監測—模擬相結合的災害預警方法,逐漸成為災害預警研究的熱點。 近年來,該方向的研究聚焦于以下兩個方面。

一些學者將能夠反映巖體力學響應的監測數據與數值模擬參數的標定方法相融合,提高了數值模型的精度,實現了災害的超前預測。 例如,在采空區頂板穩定性預警方面,本研究團隊[97]首先基于地表沉降監測數據調整FLAC 數值模型中的蠕變參數,初步實現了采空區穩定性評判與災害超前預警,此后,進一步引入損傷力學理論對上述模型進行修正,實現了采空區頂板損傷狀態的分析,為災害的精準預警提供了理論基礎[98]。 在滑坡災害預警方面,學者們常采用雷達、微震、應力計等監測數據驗證并標定數值模型,在此基礎上對潛在風險進行綜合預測預警。 例如,張詔飛等[99]采用FLAC3D分析了邊坡受力狀態和變形發展趨勢,并通過雷達監測對數值模型分析結果進行了驗證與標定,不僅實現了滑坡災害預警,還揭示了滑坡災變的內在機理,為災害隱患處理提供了重要依據。 楊天鴻團隊[100]利用FLAC3D軟件對研山鐵礦邊坡開挖過程進行了模擬,并采用協同監測方式對模型進行了修正與驗證,在此基礎上對該礦東幫的潛在滑坡風險進行了預警。 ZHANG 等[101]采用FLAC和3DEC 軟件對南芬露天礦滑坡全過程進行了模擬,并通過NPR 錨桿采集的牛頓力數據,實現了數值模型參數的標定,由此揭示了滑坡過程和災變機理。 上述方法已成為地質災害風險評價及預測預警較常用的方法,其優點在于可全局了解巖體損傷破壞狀態,但問題在于這種參數標定方法往往依賴于經驗,工作量大,且面對雷達等大范圍的監測數據,難以實現監測和模擬的完美匹配,使得模擬結果與實際工況依然存在差異,從而影響了災害預測預警的精確性。

此外,一些學者鑒于數值模型具有不確定性強的特征,開展了數值模型力學參數、物理邊界等關鍵環節不確定性表征方面的研究。 例如在力學參數表征方面,CAI 等[102]提出了一個破壞驅動的數值模型來追蹤巖體的弱化過程,并據此預測了巖體開挖周圍的實際應力分布及隨后的微震活動。 XIAO 等[103]將微震數據與巖體參數劣化相關聯,形成了考慮微震損傷的數值模擬方法,提高了圍巖穩定性評估的準確性。LIU 等[104]建立了微震數據與巖體力學參數劣化的量化關系,分析了開采擾動下的圍巖損傷演化特征。 在物理邊界表征方面,ZHU 等[105]將降雨和凍融效應引入數值模型中,實現了監測數據驅動下的土壤含水率及外界溫度等物理邊界的動態更新,實現了邊坡滑坡的預測預警。 ZHANG 等[106]將位移等監測數據視為外部力學邊界,完成了基于監測數據驅動的數值模型節點應力、位移邊界的動態修正,實現了監測模擬相結合的風險動態評估。 GIAN 等[107]借助物聯網技術實現了邊坡土壤濕度、孔隙水壓力、運動狀態等指標的實時監測,并借助云計算等手段實現了數據的云端維護,同時將采集數據作為數值模擬參數,開展了監測數據驅動的模擬,實現了滑坡的超前預警。 在幾何模型動態更新方面,WANG 等[108]提出了一種動態建模方法,并將其應用于數值模型動態更新工作中;ZHANG 等[109]在其基礎上,將施工進度與數值模擬相結合,采用無人機等監測手段,形成了監測數據驅動下的數值模型動態更新技術,實現了數值模擬隨著施工現狀的動態更新,解決了施工過程中邊坡安全實時評估困難的問題。

綜上,學者們針對監測和模擬相結合的致災過程分析方法的研究,已取得了豐富成果,但當前監測、模擬災害預警方法的結合主要是依賴監測數據修正數值模擬參數,且暫無完善的智能化參數修正理論與方法,同時針對幾何模型的智能更新、邊界條件的自適應調節等理論與技術仍不成熟,尚不能實現監測數據驅動下的數值模型不確定性因素智能化表征與動態模擬。 因此,有必要將人工智能算法、云計算等技術引入監測—模擬相結合的災害預警方法中,實現監測數據驅動的力學參數標定智能化、物理邊界表征自動化、模型更新即時化、災害預警過程動態化,從而為災害智能預測預警提供重要的理論和技術支撐。

3.4 災害風險云端管控技術

災害風險云端管控技術是巖石力學、信息工程領域交叉融合的產物,旨在通過物聯網、云計算等技術完成災害預警方法的云端化,達到礦山風險狀態的透明化、災害預警智能化的目的。 按照數據融合程度劃分,該領域的研究成果主要包括單指標閾值驅動及多源數據融合混合驅動的災害風險預測預警云端管控技術。 針對單指標閾值驅動的災害風險預測預警云端管控技術,旨在基于物聯網等技術,搭建巖體力學響應的云端監控平臺,實現采動巖體力學響應的透明化,同時通過設定閾值的方式,實現災害動態預警。該技術是實現災害預警最簡單且行之有效的方法,被廣泛應用于國內各大礦山,取得了顯著成效。 例如,PRASAD 等[110]提出了一種由傳感器網絡組成的監控系統,可將礦山環境監測數據實時傳遞至云端,從而實現在任意地點訪問、分析數據,為后續災害監測預警研究提供了基礎。 ZHOU 等[111]基于云計算技術及多渠道數據傳輸系統,搭建了邊坡狀態遠程監測系統,為礦山安全、連續、高效生產提供了數據支撐。NIU 等[112]基于物聯網技術,實現了礦山生產過程中“人—機—環”等數據的智能感知,搭建了云服務平臺,實現了感知數據的云端展示,為礦山安全管控提供了數據平臺支撐。 TAO 等[113]將物聯網、云計算等技術與手機APP 應用相結合,研發了一種遠程智能滑坡監測系統,實現了邊坡滑動力狀態的實時捕捉及警情信息的自動發布。 TAO 等[114]將分布式光纖應用于圍巖應力應變實時監測,建立了巖體力學響應數據大數據監測系統,實現了生產擾動下巖體力學響應的實時監測,為礦山安全開采提供了保障。 LI 等[115]提出了一種基于物聯網的實時邊坡監測系統架構,實現了邊坡變形狀態的數字化、透明化。 綜上可知,物聯網等技術的發展促使“人—機—環”感知大數據走向云端化,該階段衍生出的監測預警平臺、手機APP應用,是礦山災害風險監測預警實現數字化的重要標志,但采用單閾值預警模式,距離災害預警的智能化仍然存在顯著差距。

為實現災害預警的智能化,學者們開始嘗試將室內試驗研究所得的數據融合算法與云計算相融合,逐步形成了多源數據融合混合驅動的災害風險預測預警云端管控技術,初步實現了先進預警技術的云端化集成與現場落地。 例如,BAI 等[116]基于微服務架構,開發了一種智能監測預警系統,實現了滑坡項目管理、數據實時接收與分析預警,降低了算法開發與嵌入難度,分散了服務器的壓力,提高了監測預警系統的服務能力。 QIN 等[117]將邊緣計算、物聯網等先進技術引入礦山災害監測預警工作中,形成了一種基于邊緣計算的物聯網數據挖掘框架,實現了地質災害監測數據的超前預測預警。 ZHANG 等[83]將D-S 證據理論融入云計算平臺,搭建了基于大數據分析的地質災害監測預警系統,實現了多源異構監測數據的融合,提高了災害預警的準確性。 本研究團隊[118]討論了監測數據挖掘與數值模擬分析驅動的災害預測方法的優缺點,提出了一種現場監測和數值模擬相結合的災害預測預警方法,解決了監測數據驅動模型機理表征難、預警結果不可靠及數值模擬模型物理邊界不確定性強的問題,在此基礎上,基于云計算、物聯網等技術,搭建了現場監測和數值模擬相結合的金屬礦山采動災害監測預警云平臺,形成了一套可復制的地質災害預測預警架構[8],在新城金礦、阿爾哈達鉛鋅礦等礦山得到了應用推廣。

近年來雖然災害風險云端管控技術得到了飛速發展,但在實際的災害預警研究中,大部分是基于指標預警閾值進行災害動態預警,同時存在著“重采集、輕分析、重監測、輕預警”的問題,大量災害預警算法仍然停留在實驗室研究階段,難以適應現場監測數據不穩定、不完整的工況,還需要進一步加強學科交叉研究,實現具有巖石力學內涵的災害預警方法在云端化集成,推動理論研究成果的現場落地,從而實現災害的智能化預測預警。

4 災害風險監測預警技術在金屬礦山的應用

金屬礦山地質災害風險的動態監測與精準預警是實現礦產資源安全高效回收的重要保障。 本研究團隊在上述成果的基礎上,從采動巖體力學響應協同監測、監測—模擬多源數據融合的災害風險評價、災害風險云端管控等方面出發,圍繞現場監測和數值模擬相結合的災害預測預警學術思想,形成了“四位一體”的災害風險監測預警方法。 本節結合弓長嶺露天礦淺層隱伏空區穩定性監測預警工作案例,介紹本研究團隊近年來針對災害風險智能監測預警研究的相關思考及主要研究進展。

弓長嶺露天礦區內存在大量規模不等、深部不定的未知采空區,嚴重威脅著礦山人員和大型設備的作業安全,同時對采礦工程計劃執行以及爆破作業質量和安全造成了嚴重隱患。 經過地質探測和工程勘查[119],該礦何家采區采空區問題尤為突出,存在多層且空間分布錯綜復雜的采空區,僅憑探測出的空區幾何形態及圍巖巖性難以實現開采擾動下采空區垮塌與地表塌陷風險的精確評價,不能滿足礦山安全生產需要。 經過本研究團隊多年來的探索,形成了地質災害案例挖掘、多源采動力學響應實時感知[120]、時空關聯規則挖掘的超前預測[121]、億級自由度精細化模擬[122]、監測與模擬相結合的災害風險綜合評價等技術[118],搭建了采動災害監測預警云平臺[8],為礦山安全高效生產提供了堅實保障。

4.1 總體思路

以淺層隱伏空區垮塌與地表塌陷災害風險的監測預警為目標,本研究團隊圍繞“現場監測和數值模擬相結合的災害預測預警”學術思想,提出了地質災害案例匹配、多源數據挖掘、力學機理分析、專家系統診斷“四位一體”的災害風險預測預警方法(圖1)。具體包括如下內容:

圖1 “四位一體”的災害風險預測預警方法技術路線Fig.1 Technical route of the Four-in-One disaster risk prediction and early warning method

(1)地質災害案例匹配。 搜集國內外類似災害案例,搭建云端案例庫,建立災害案例智能匹配算法,挖掘目標礦山與案例礦山的關聯關系,一方面完成目標礦山災害的易發性評價,確定監測預警工作的必要性;另一方面綜合確定預警指標體系,為災害的預測預警提供重要依據。

(2)多源異構監測數據挖掘。 開展“天—空—地”多源力學響應的協同監測,進行“云—邊”協同的多源多模態數據預警關鍵指標的動態挖掘及超前預測,為災害風險的預測預警提供重要參數。

(3)力學機理分析。 基于無人機等物探數據,建立億級自由度精細化數值模型,基于多元數據挖掘結果,構建監測數據與數值模型物理邊界、力學參數等非線性映射關系,采用“云—邊”協同方式,形成監測驅動下的云端動態精細化模擬方法,實現數值模擬結果云端共享及虛擬現實展示,為災害風險的預測預警提供損傷等關鍵指標。

(4)專家系統診斷。 將基于地質災害案例匹配得到的預警指標體系、多源數據挖掘及力學機理分析得到的預警關鍵指標相融合,形成基于模糊理論的專家決策系統,實現災害風險的動態監測預警,從而為礦山安全高效生產提供保障。

4.2 地質災害案例挖掘

礦山生產過程中,災害引發的損失往往是慘痛的,但其帶來的經驗和教訓卻是十分寶貴的。 因此,構建歷史災害案例信息基因庫,提取致災關鍵基因片段,形成基于基因匹配災害易發性評價及災害管控方法非常有意義。

歷史災害案例具有指標數量多、維度廣、信息難以完整存儲等特征,可以將災害案例信息的每個指標視為基因片段的一部分,由此構成如圖2 所示的案例信息載體DNA 模型[123],從而實現歷史災害案例的精準表達。

圖2 案例信息載體DNA 模型Fig.2 Case information carrier DNA model

在此基礎上,引入云計算技術,采用騰訊地圖二次開發方式,通過設計結構化、非結構化數據編碼/解碼規則,構建集地質災害案例云端管理、案例可視化查看及案例模糊檢索功能于一體的地質災害案例云端管理服務平臺,實現地質災害案例的云端化可視化展示,如圖3 所示。

圖3 地質災害案例可視化Fig.3 Visualization of geological disaster cases

進一步地,研發災害案例挖掘算法[106],借助云計算等技術,完成了何家采區預警指標體系構建及云端維護,如圖4 所示。

圖4 預警指標體系云端集成Fig.4 Cloud integration of early warning indicator system

4.3 多源采動力學響應實時感知與挖掘

為實現何家采區采空區垮塌與地表塌陷的監測預警,采用微震、多點位移計、錨桿測力計等設備開展采動巖體力學響應的實時監測,設計了如圖5 所示的多源力學響應數據實時感知與智能挖掘架構,形成了多源監測設備云端接入與多終端查詢技術、監測數據粗大噪聲智能剔除與設備運行狀態自動檢測技術,以及時空關聯挖掘的監測數據超前預測技術。

圖5 多源力學響應數據實時感知與智能挖掘架構Fig.5 Architecture of real-time sensing and intelligent mining of multi-source mechanical response data

4.3.1 多源監測設備云端接入與多終端查詢

基于實驗室尺度多源監測設備數據無線傳輸研究成果[120],形成了MQTT、HTTP、TCP 等通信協議的統合技術方案,研發了云端配置式多源監測設備接入系統,實現了多源異構監測數據低時延、高并發上云及基于手機端APP、PC 端瀏覽器的多源力學響應數據一鍵查閱,如圖6 所示。

圖6 多源監測數據多終端查閱Fig.6 Querying multi-source monitoring data from multiple terminals

4.3.2 監測數據粗大噪聲智能剔除與設備運行狀態自動檢測

在何家采區生產過程中,大型用電設備的工作使得監測設備存在電壓不穩、電脈沖等問題,致使傳感器難以時刻保持最佳工作狀態,從而使得傳感器無法精確獲取真實的環境數據,甚至可能出現感知數據中斷的問題。 這些問題的存在會對礦山環境感知的連續性與準確性造成顯著影響,對災害精準預警帶來了嚴峻挑戰。 為此,本研究團隊提出了一種礦山多源監測數據清洗及設備故障判別方法[124]。 首先,將監測數據粗大噪聲剔除視為二分類問題,基于無監督機器學習方法,引入動態隊列概念,實現監測數據異常狀態的實時判斷,并通過邏輯刪除方式,完成了粗大噪聲的動態剔除(圖7);其次,提出了用于表征數據采集中斷的時間閾值以及用于表征采集異常數據占比的異常密度閾值,基于此提出了一種傳感器運行狀態動態檢測算法,實現了基于郵件、短信等渠道的傳感器異常運行狀態自動報警(圖8)。

圖7 粗大噪聲剔除效果對比Fig.7 Comparison before and after noise reduction

圖8 短信、郵件多渠道設備故障報警Fig.8 Multi-channel device failure alarm via SMS and email

4.3.3 時空關聯挖掘的監測數據超前預測

監測數據具有時間和空間兩種屬性,監測區域的具體經緯度坐標或相對位置等表征位置的參數即為空間屬性,而監測過程中產生的隨時間變化的變形數據即為時間屬性。 經過前期研究探索,得出監測數據間存在某種時空關聯性,這種時空關聯規則對于多源監測數據的超前預測非常有意義[121]。 基于此,依據弓長嶺何家采區多源實時監測數據,挖掘了監測數據間的時空關聯關系,建立了多源監測數據超前預測方法,實現了監測數據演化趨勢信息提取,并將其集成至手機端APP(圖9),為礦山安全管理人員了解空區力學響應提供了重要依據。

圖9 超前預測數據趨勢提取Fig.9 Trend extraction of advanced prediction data

4.4 億級自由度的采動巖體損傷精細化數值模擬

數值模擬因具有直觀表征災害內在機理的優勢,常被用于災害預警研究。 其中,建立高精度數值模型、高密度網格模型和損傷本構模型是精準表征開采擾動下巖體變形及損傷演化過程的關鍵。 針對何家采區隱伏空區塌陷及地表垮塌災害模擬問題,本研究團隊提出了多源數據融合的精細化建模方法、億級自由度網格劃分方法、彈脆性損傷本構模型、監測數據驅動下動態模擬技術,實現了開采擾動對采空區穩定性影響的評價。

4.4.1 多源數據融合的精細化建模方法

采用無人機對礦坑進行傾斜攝影拍攝,采集弓長嶺露天礦多角度的影像數據(圖10(a)),建立三維實景模型及表面網格模型[125];借助三維激光掃描獲取地下空區的三維形態(圖10(b));結合礦山地質勘探結果,實現巖性分區(圖10(c))。 在上述工作的基礎上,綜合構建礦山三維數值模型(圖10(d)),為億級自由度數值模型構建提供保障。

圖10 多源數據融合的精細化建模Fig.10 Refined modeling based on multi-source data fusion

4.4.2 億級自由度網格劃分

為確保數值模擬結果的準確性,本研究團隊提出了一種包含背景網格劃分、四面體網格數量估算、六面體網格更新、空屬性六面體網格檢索和剔除、網格文件導入等過程的億級自由度網格劃分方法[122],并對上述精細化模型進行了高密度網格劃分,得到包含5 494 471 個節點、542 014 個面、31 924 921 個單元、129 041 856 個求解自由度的億級自由度網格模型如圖11 所示,為巖體變形與損傷演化過程分析提供了重要保障。

圖11 何家采區億級自由度網格模型Fig.11 Hundred-million-DOF mesh model for Hejia mining area

4.4.3 微震數據驅動下的力學參數表征與動態模擬

鑒于微震數據中蘊含著豐富的微破裂信息,建立了微震數據驅動的巖體損傷量化表征方程[126-127]。在此基礎上,以損傷為紐帶,借助WebSocket、HTTP等通信協議及云計算技術,實現微震數據挖掘與數值模擬分析技術的融合,形成了微震數據驅動的動態模擬技術。同時引入爆破擾動因素,為超前預測露天臺階爆破誘發空區垮塌及地表塌陷災害的可能性提供了重要指標。

在前文4.4.1 ～4.4.2 節所述技術的基礎上,實現了開采擾動下空區穩定性狀態的動態模擬,圖12展示了2023 年3 月24 日得到的170 m 臺階爆破擾動下采空區最大主應力及損傷分布情況,其中剖面圖為沿Y方向剖切所得。 由圖12 可知:爆破臺階所在位置損傷嚴重,但空區附近并未出現損傷情況,表明爆破擾動的作用并未對采空區的穩定性造成影響,170m 臺階礦產資源可安全回采。

圖12 170 m 臺階爆破擾動下采空區力學響應Fig.12 Mechanical response of the goaf under the disturbance of 170 m step blasting

4.5 監測與模擬相結合的災害風險智能評價

監測數據挖掘和數值模擬分析作為災害預測預警的2 種常用方法,在擁有獨特優點的同時,具有不可規避的問題[118]。 將兩者優點相結合,形成的現場監測和數值模擬相結合的災害風險評價方法,被視為最有效的災害預測預警手段[107]。 針對何家采區淺層隱伏空區垮塌及地表塌陷風險監測預警問題,將基于案例挖掘的預警指標體系作為風險判別依據,將監測數據挖掘、數值模擬分析結果作為當前空區穩定性狀態評價指標,在此基礎上,將D-S 證據理論與云計算相融合,構建了監測—模擬相結合的專家決策系統[128]。 圖13 展示了2023 年3 月24 日監測—模擬相結合的專家決策系統對170 m 臺階爆破擾動下的采空區穩定性評價結果。 由圖13 可知,爆破擾動并不會對采空區的穩定性造成影響,可正常開展日常生產工作。

圖13 監測—模擬相結合的專家決策系統Fig.13 Expert decision system combining monitoring and simulation

4.6 “四位一體”的采動災害監測預警云平臺

基于云計算、物聯網等先進信息技術,搭建了地質災害案例匹配+多源數據挖掘+力學機理分析+專家系統診斷“四位一體”的采動災害監測預警云平臺,實現了上述技術內容的云端集成與統一管理,為礦山安全生產提供堅實保障。 “四位一體”的采動災害監測預警云平臺的主界面如圖14 所示。 該界面由“左、中、右”三欄構成,其中左側為預警相關內容,包括系統運行情況、預測預警方法、報警統計及三級預警指標4 個模塊;中間為礦山真三維虛擬現實場景,右側為監測與模擬結果。 由圖14 可看出,云平臺:①與監測—模擬相結合的專家決策系統相關聯(圖13);② 與詳細報警信息列表相關聯;③ 與地質災害案例庫相關聯(圖3)、④ 與多源監測數據可視化查詢系統相關聯(圖6);⑤ 展示了億級自由度精細化動態數值模擬結果(圖12)。 在這些子模塊的基礎上,實現了上述技術的云端落地。

圖14 “四位一體”的采動災害監測預警云平臺主界面Fig.14 Main interface of "Four-In-One" mining disaster monitoring and early warning cloud platform

該系統至今已穩定運行831 d,期間通過郵件(圖15(a))、短信(圖15(b))、平臺彈窗(圖15(c))等方式發布藍色預警68 次,報警類型為設備的故障運行。 由此可見,礦山的高強度生產對感知設備正常運行具有顯著影響,研發具有高環境適應性的感知設備是未來需要攻克的一大重點問題。 針對每次預警信息,安全負責人采用警情閉環管理應用模塊(圖15(d)),進行警情隱患的閉環處理,為力學響應數據的連續感知提供了堅實保障。 上述災害風險實時報警及警情閉環管理機制,為弓長嶺露天礦何家采區礦產資源的安全高效回采提供了堅實保障,為類似金屬礦山災害智能監測預警工作提供了一種新思路。

圖15 多渠道警情發布及閉環管理Fig.15 Multichannel police information release and closed-loop management

5 存在問題及發展趨勢

5.1 金屬礦山災害風險智能監測預警技術存在問題

金屬礦山災害智能監測預警技術是保障礦山安全生產的重要手段,雖然近年來礦山災害監測預警技術得到了飛速發展,但由于金屬礦山具有巖體的強非均質性與各向異性、生產活動的高強度性與動態性、生產環境的惡劣性、致災因素的多元性等特征,使得災害監測預警存在以下技術難題。

5.1.1 多源力學響應數據難以高精度連續協同感知

采動巖體力學響應數據是災害監測預警的基礎,但由于感知設備的多樣性及環境的惡劣性,使得多源多模態采動巖體力學響應數據難以實現高精度連續采集與協同處理,主要存在如下3 個層面問題。

(1)數據通信協議不統一。 在實際的監測預警工作中,常會引入不同設備商的巖體力學響應感知設備,以達到多源多模態協同監測的目的,但不同設備廠商應用的數據傳輸協議存在顯著差異,甚至部分廠商采用私密的通信協議,存在信息割裂問題[129],極有可能產生數據孤島[130],嚴重影響了多源多模態采動力學響應數據的協同處理。

(2)惡劣環境下感知精度難以保障。 礦山環境的惡劣性極易對監測數據造成影響,諸如多點位移計、錨桿測力計等測點式監測設備,可能受到電脈沖影響,從而出現異常的階躍[131];雷達、InSAR 等測面式監測設備容易受到積雪等地表覆蓋物的影響,致使測量數據顯著偏離實際[132];監控視頻易受弱光、粉塵等影響,對圖像識別精度產生影響[133]。 雖然學者們嘗試設計相關算法以解決上述問題,但多用于后驗式分析,時效性難以保障,如何結合感知設備工作原理,將算法嵌入到設備底層,以保障數據采集精度,是當下亟須解決的關鍵技術問題。

(3)數據無線傳輸的可靠性差。 金屬礦山環境復雜,存在許多天然或人造障礙物,尤其在地下礦山中,復雜巷道結構和高并發的數據傳輸與電磁等信號的干擾,加之高強度的生產工作,給數據傳輸的可靠性帶來了嚴峻挑戰,甚至出現設備故障等問題,從而對數據的完整性和連續性造成影響,阻礙災害預警算法的穩定運行[134]。

5.1.2 災害預測預警模型參數難以精準選取

數據挖掘模型和數值模擬分析模型是地質災害智能預測預警的常用模型,但由于巖體的非透明性及地質災害發生的隨機性,使得各類型災害預測預警模型關鍵參數的選取具有極強的不確定性,主要存在如下問題。

(1)數據挖掘模型風險評價指標及預警閾值選取困難。 風險評價指標及預警閾值的選取是災害精確預警的關鍵,然而,由于礦山地質條件的復雜性,使得預警指標和預警閾值的選取難以形成統一標準,雖然一些學者提出切線角等無量綱預警指標[135],在一定程度上實現了預警閾值的統一,但在指標無量綱處理過程中仍然需要提供平均變化率等參數,難以實現實時精確反演,尤其在數據質量不佳時,基本無法完成指標的無量綱化處理。 本研究團隊提出了基于案例挖掘的預警指標確定方法[136],雖然在一定程度上解決了預警閾值選取困難問題,但案例的搜集與案例基因庫的表達工作量巨大,有限的案例數據難以實現預警閾值的精確選取。

(2)數值模擬分析模型參數時空變異性動態表征困難。 巖體力學參數、多物理場邊界及幾何模型精確設定是獲取可靠數值模擬結果的關鍵,但由于地質體的非透明性與非均質性、生產環境的動態更替、開采工作的動態開展,使得巖體力學參數、多物理場邊界及幾何模型均呈現出顯著的時空變異性,傳統的靜態模擬方法難以完成上述參數的動態表征,致使數值模擬結果愈發偏離實際,從而顯著影響了災害預測預警的可靠性。 雖然,近年來在巖體力學參數表征[137]、地應力等物理邊界反演[138]、精細化地質建模[139]等方面的研究均取得了顯著進展,但大多處于理論方法研究狀態,難以滿足動態模擬的時效性要求。 本研究團隊初步探索了巖體力學參數時空變異性的動態表征及動態模擬技術,搭建了監測—模擬相結合的災害預警云平臺[128],初步實現了微震數據驅動的力學參數時空變異性動態表征,但距離實現數值模型整體的動態更新與高時效動態模擬的最終目標,還有很長的路要走。

5.1.3 災害智能監測預警系統尚不完善

災害智能監測預警系統是采礦工程和信息工程學科交叉融合的產物,被視為實現災害風險預測預警最有效的方法之一[140]。 在國家政策的大力扶持下,當前市場上涌現出了大量災害智能監測預警系統,但系統總體呈現出“重采集、輕分析,重監測、輕預警”等現象[74],主要存在如下問題。

(1)災害智能預警算法理論研究與現場應用脫節。 災害智能預警模型的研究大多采用基于歷史數據的后驗式分析方法,致使模型在現場推廣過程中存在問題。 一方面,歷史數據難以反映當前和未來的情況,在一定程度上難以完全滿足未來新型災害預測預警的需要;另一方面,后驗式建模過程中,獲取高質量的數據集是建立高精度預警模型的關鍵[5],但由于環境感知技術存在不足,使得環境監測過程中極易出現實時監測數據質量不佳甚至缺失等問題[131],難以滿足災害預警模型的數據要求,使得預警模型在實際應用中效果不理想,難以實現現場落地與推廣,導致災害預警算法理論研究與現場應用脫節。

(2)智能預警系統研發缺乏技術人才儲備。 災害智能監測預警系統是采礦工程和信息工程學科交叉融合的產物,其中采礦工程針對豐富系統的內涵,信息工程專注于系統界面設計與研發。 但由于缺乏兼顧信息工程與采礦工程的技術人才,難以滿足搭建兼顧內涵豐富及高展示度預警系統的需求[141]。 而一些設備廠商及信息技術企業側重于以設定監測物理量的閾值作為預警依據,同時建立高展示度的預警系統[142]。 這類系統的預警更依賴于專業人員的主觀判斷,雖然呈現出“重采集、輕分析,重監測、輕預警”的問題,但在一定程度上能滿足短臨預警需要及相關安全生產規范要求,在市場上比較受歡迎。

5.2 金屬礦山災害風險監測預警技術發展趨勢

為適應礦產資源開采向深部及高寒、高海拔等環境惡劣區域發展的趨勢,金屬礦山災害風險監測預警技術需要在多災種高性能、專用特種智能感知技術與裝備,標準化數據通信協議與架構,監測—模擬相結合的災害智能預警技術及地質災害監測預警平臺與數字孿生技術4 個方向謀求突破,各方向層層遞進,在災害風險監測預警技術中扮演著重要角色,構成了如圖16 所示的金字塔形發展模式,各方向詳細內容論述如下。

圖16 金屬礦山監測預警關鍵技術層級關系Fig.16 Hierarchy relationship of key technologies for monitoring and early warning in metal mines

(1)多災種高性能、專用特種智能感知技術與裝備。 獲取實時、精確的采動巖體力學響應數據是災害監測預警的關鍵,然而在礦山復雜、惡劣的條件下,通用的感知設備難以滿足抗干擾、低能耗、高精度等需求[134]。 為了保障采動巖體力學響應感知數據獲取的精確性和穩定性,未來需要結合環境感知設備的工作原理和監測環境特征,研究特定環境下的故障自動診斷、噪聲數據智能甄別和感知數據智能校準等算法。 同時,結合邊緣計算、低功耗高帶寬通信等技術,研發多種適用于不同災害類型的高性能、專用特種智能感知技術和裝備,實現多源力學響應信息的精確、完整、連續采集,為災害風險的預測預警創造條件。

(2)標準化數據通信協議與架構。 通信協議的標準化是多源多模態數據協同管控的基礎,是實現災害智能化監測預警的關鍵,然而目前通信協議不統一的現狀不利于礦山災害風險智能監測預警技術的發展,形成標準化數據通信協議與架構是解決上述問題的有效途徑,是消除數據孤島、實現多模態數據云端綜合管控的重要保障。 當前,華為技術有限公司本著推動采礦行業統一標準和統一架構的目標,研發了具有自主知識產權的“礦鴻”操作系統,以統一的接口和協議標準,解決了不同廠商設備的協同互通問題,初步形成了標準化數據通信協議與架構[143]。 盡管目前“礦鴻”操作系統研發與應用處于起步階段,但是它所采用的標準化數據通信協議和架構思路在未來必將獲得長足的發展。

(3)監測—模擬相結合的災害智能預警技術。數據挖掘模型和數值模擬分析模型存在優劣互補的特征,兩者相結合的災害預警模型被視為最有效的預警方式[107]。 當前監測—模擬相結合的災害預警模型雖然得到了發展,但是在預警閾值量化、模型參數不確定性表征等方面仍存在一定的不足。 需要進一步建立數據開放、共享的大型災害案例基因庫,完善基于機器學習算法的預警指標體系量化構建方法;發展具有自學習、自優化特征的數據驅動災害智能預警模型,解決數據驅動模型關鍵參數的不確定性及動態性問題;發展監測數據驅動的數值模型力學參數、物理邊界、幾何網格模型時空變異性動態表征方法,解決數值模擬分析模型的不確定性問題;發展多源多模態數據融合的災害預測預警模型,完成數據挖掘模型和數值模擬分析模型的多維度、跨尺度融合,實現災害風險易發性、易損性及風險性的精準評估與災害的動態預警。

(4)地質災害監測預警平臺與數字孿生技術。地質災害智能監測預警平臺是了解礦山災害風險狀態、實現礦山風險管控的必要途徑。 但當前的預警平臺存在“重采集、輕分析,重監測、輕預警”等問題,需要進一步結合監測—模擬相結合的災害預警算法,豐富預警平臺內涵。 此外,數字孿生等技術的興起為地質災害監測預警平臺注入了新的活力,為其發展帶來了新的機遇[144]。 其中,發展礦山地質災害風險數字孿生技術,能夠實現礦山災害風險評估的智能化和災害風險狀態的透明化,已成為未來礦山災害監測預警平臺發展的主要趨勢。

6 結 論

(1)目前,金屬礦山地質災害監測預警技術側重于災害時空預測預警,需根據災害類型,研究定量化方法,評估災害易發性、易損性和危險性,完善監測預警理論體系。

(2)多感知設備協同監測與數據融合理論仍不完善,基于風險條件的感知設備布設方案智能調整,保障采動巖體力學響應的時空完整性與連續性,是實現災害精確預測預警的重要條件。

(3)監測與模擬相結合已成為礦山災害預警的發展趨勢,下一步應與云計算、人工智能等技術相融合,建立完善的理論體系,實現實時動態、精準高效的災害風險預警。

(4)提出了“地質災害案例匹配、多源數據挖掘、力學機理分析、專家系統診斷”四位一體的災害風險預測預警方法,搭建了采動災害智能監測預警云平臺,相關成果已在淺層隱伏空區穩定性監測預警工作中得到應用推廣。

(5)金屬礦山災害風險監測預警技術存在多源力學響應數據難以高精度連續協同感知、災害預測預警模型參數難以精準選取、災害監測預警系統尚不完善等問題,多災種高性能、專用特種智能感知技術與裝備,標準化數據通信協議與架構,監測—模擬相結合的災害智能預警模型,地質災害智能監測預警平臺與數字孿生技術是解決上述問題的關鍵技術,是未來的主要發展趨勢。