本發(fā)明涉及露天礦山圍巖爆破裂隙范圍控制，具體而言，涉及一種露天礦山圍巖爆破裂隙范圍控制方法。

背景技術(shù)：

1、在露天礦山開采過程中，圍巖爆破是實現(xiàn)高效開采和保障邊坡穩(wěn)定的關鍵技術(shù)之一。然而，傳統(tǒng)的爆破方法存在一些局限性，例如難以精確控制爆破裂隙的范圍，導致邊坡圍巖完整性受損、應力集中以及后續(xù)支護困難等問題。

2、近年來，隨著對爆破技術(shù)的深入研究和技術(shù)創(chuàng)新，一些新的方法和技術(shù)被提出以解決這些問題。例如，預裂爆破和光面爆破技術(shù)通過在圍巖中形成預裂縫，有效降低了爆破對邊坡巖體的損傷。此外，通過優(yōu)化爆破參數(shù)(如孔距、排距、炸藥單耗等)，可以進一步提高爆破效果，減少對圍巖的破壞。

3、然而，盡管這些技術(shù)在一定程度上提高了爆破效率和圍巖穩(wěn)定性，但在實際應用中仍存在一些挑戰(zhàn)。例如，如何在復雜的地質(zhì)條件下(如節(jié)理裂隙發(fā)育的圍巖)實現(xiàn)對爆破裂隙范圍的精確控制，仍然是一個亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供了一種露天礦山圍巖爆破裂隙范圍控制方法，用以解決現(xiàn)有技術(shù)中存在的上述問題。

2、本技術(shù)具體是這樣的：

3、一種露天礦山圍巖爆破裂隙范圍控制方法，包括以下步驟：

4、s1、根據(jù)目標露天礦山的地質(zhì)條件和開采需求，確定目標爆破裂隙范圍；

5、s2、在圍巖中布置多個預設的爆破孔，所述爆破孔的深度和間距根據(jù)所述目標爆破裂隙范圍進行優(yōu)化設計；

6、s3、在每個爆破孔中裝填預設的炸藥量，并設置多個分段起爆裝置，所述分段起爆裝置的起爆時間根據(jù)所述目標爆破裂隙范圍進行控制；

7、s4、通過分段起爆裝置依次起爆所述爆破孔中的炸藥，形成預設的爆破裂隙范圍，所述爆破裂隙范圍在預設的誤差范圍內(nèi)；

8、s5、利用監(jiān)測設備實時監(jiān)測爆破過程中的裂隙擴展情況，并根據(jù)監(jiān)測結(jié)果動態(tài)調(diào)整后續(xù)爆破參數(shù)。

9、進一步地，s1中確定目標爆破裂隙范圍包括：

10、根據(jù)目標露天礦山的地質(zhì)條件，通過數(shù)值模擬和爆破作業(yè)中的數(shù)據(jù)的綜合分析確定目標爆破裂隙范圍，所述地質(zhì)條件至少包括巖石類型、裂隙發(fā)育程度和節(jié)理分布；

11、所述目標爆破裂隙范圍的具體實現(xiàn)包括：

12、s11、地質(zhì)條件分析，根據(jù)目標露天礦山的地質(zhì)條件，通過地質(zhì)勘查，生成礦體結(jié)構(gòu)特征和巖石特征；

13、s12、數(shù)值模擬，利用數(shù)值模擬方法進行n次爆破數(shù)值模擬，所述數(shù)值模擬方法的輸入為目標露天礦山的地質(zhì)條件和爆破參數(shù)，所述數(shù)值模擬方法的輸出為模擬目標爆破裂隙范圍；

14、s13、神經(jīng)網(wǎng)絡算法分析，通過訓練好的rbf神經(jīng)網(wǎng)絡分析目標露天礦山的目標爆破裂隙范圍，所述rbf神經(jīng)網(wǎng)絡的輸入為目標露天礦山的鉆孔參數(shù)、巖石性質(zhì)、爆破參數(shù)，所述rbf神經(jīng)網(wǎng)絡的輸出為rbf神經(jīng)網(wǎng)絡目標爆破裂隙范圍；

15、s14、目標爆破裂隙范圍的求取，通過余弦相似度算法計算rbf神經(jīng)網(wǎng)絡目標爆破裂隙范圍與n次爆破數(shù)值模擬生成的模擬目標爆破裂隙范圍的第一相似度，預設相似度閾值，若第幾次爆破數(shù)值模擬所輸出的模擬目標爆破裂隙范圍與rbf神經(jīng)網(wǎng)絡目標爆破裂隙范圍的第一相似度滿足預設相似度閾值，即找出對應的第幾次爆破數(shù)值模擬所輸出的模擬目標爆破裂隙范圍為最終的目標爆破裂隙范圍，同時找到對應的第幾次爆破數(shù)值模擬的輸入的爆破參數(shù)表示為初始爆破參數(shù)。

16、所述裂隙發(fā)育程度和節(jié)理分布具體獲取過程為：

17、s15、對高清攝像機得到的裂隙發(fā)育程度圖像和節(jié)理分布圖像進行圖像灰度化和圖像二值圖統(tǒng)計，選取小波變換級數(shù)，對圖像統(tǒng)計二值圖進行二級daubechies小波變換；采用一維daubechies小波變換進行處理；

18、s16、選取高斯濾波器及濾波半徑對變換后的圖像數(shù)據(jù)進行平滑處理，對平滑處理后的圖像數(shù)據(jù)進行峰值沖擊檢測，得到峰值分布數(shù)組，選取模型參數(shù)，采用的峰值沖擊響應模型求峰值分布數(shù)組的沖擊響應；

19、s17、通過峰值沖擊響應結(jié)果，求得峰值分布數(shù)組響應第一次下降為0時的位置，根據(jù)響應位置求得此前最近一次的極大值，將其作為閾值，進行daubechies小波逆變換，將其還原到原始二值圖的位置，并將該位置作為原始灰度圖的分割閾值對圖像進行分割，分別得到裂隙發(fā)育程度和節(jié)理分布對應的數(shù)據(jù)信息；

20、s18、通過圖像形態(tài)學對分別得到裂隙發(fā)育程度和節(jié)理分布對應的數(shù)據(jù)信息進行處理，分別得到裂隙發(fā)育程度和節(jié)理分布對應的特征，所述特征包括裂隙端點個數(shù)、交點個數(shù)、面裂隙率和分形維值。

21、進一步地，s13中rbf神經(jīng)網(wǎng)絡的輸入層、輸出層和隱含層的神經(jīng)元參數(shù)的選擇如下：

22、輸入層：鉆孔入速度，回轉(zhuǎn)速度，鉆孔沖擊壓力，回轉(zhuǎn)壓力，鉆頭加速度，鉆頭扭力，鉆桿推進力，鉆頭振動狀態(tài)，鉆孔角度，鉆孔深度，巖石類型，爆破參數(shù)，爆破效果，所以輸入層一共有以上13個參數(shù)，神經(jīng)元個數(shù)為13個；

23、輸出層：對目標爆破裂隙范圍預測，所以輸出層有1個參數(shù)，神經(jīng)元個數(shù)為1個；

24、隱含層：隱含層節(jié)點個數(shù)根據(jù)網(wǎng)絡訓練結(jié)果調(diào)整。

25、進一步地，s5中利用監(jiān)測設備實時監(jiān)測爆破過程中的裂隙擴展情況包括：

26、s54、使用分布式光纖傳感器監(jiān)測圍巖內(nèi)部的溫度變化，通過溫度變化反演裂隙的擴展情況，生成第一溫度變化特征；

27、s55、使用光纖傳感器和應變片監(jiān)測圍巖表面的應變變化，實時獲取裂隙擴展的動態(tài)信息，生成第一動態(tài)信息特征。

28、進一步地，s5中利用監(jiān)測設備實時監(jiān)測爆破過程中的裂隙擴展情況還包括：

29、s56、使用聲發(fā)射監(jiān)測傳感器實時監(jiān)測爆破過程中圍巖的聲發(fā)射信號，通過信號分析確定裂隙的擴展位置和速率，生成第一信號特征；

30、s57、使用多物理場耦合監(jiān)測傳感器，同時監(jiān)測圍巖的應力、應變、溫度和聲發(fā)射信號，生成第一耦合特征。

31、進一步地，s5中根據(jù)監(jiān)測結(jié)果動態(tài)調(diào)整后續(xù)爆破參數(shù)包括：

32、s61、根據(jù)實時監(jiān)測的裂隙擴展情況，調(diào)整后續(xù)爆破孔的炸藥量、起爆時間和孔間距，以確保裂隙范圍符合目標要求；

33、s62、通過建立爆破參數(shù)與裂隙范圍之間的數(shù)學模型，利用第一爆破參數(shù)分析算法對第一溫度變化特征、第一動態(tài)信息特征、第一信號特征和第一耦合特征進行分析，預測最優(yōu)的爆破參數(shù)；

34、s63、在每次爆破后，對爆破效果進行評估，根據(jù)評估結(jié)果調(diào)整后續(xù)爆破的參數(shù)，形成閉環(huán)控制。

35、進一步地，s63中在每次爆破后，對爆破效果進行評估，根據(jù)評估結(jié)果調(diào)整后續(xù)爆破的參數(shù)，形成閉環(huán)控制包括：

36、s64、利用無人機搭載高分辨率相機，對爆破后的圍巖表面進行快速掃描，獲取裂隙的三維分布信息，生成第一三維圖像特征；

37、s65、利用第一深度學習算法對第一溫度變化特征、第一動態(tài)信息特征、第一信號特征、第一耦合特征和第一三維圖像特征進行實時分析，識別裂隙擴展的關鍵特征，預測裂隙的最終范圍；所述第一溫度變化特征、第一動態(tài)信息特征、第一信號特征、第一耦合特征和第一三維圖像特征將被分為訓練集和測試集，所述訓練集和測試集用于第一深度學習算法訓練；

38、s66、根據(jù)預測結(jié)果，自動調(diào)整后續(xù)爆破的參數(shù)。

39、進一步地，所述第一深度學習算法包括：

40、所述第一深度學習算法采用卷積神經(jīng)網(wǎng)絡cnn結(jié)合長短期記憶網(wǎng)絡lstm；通過cnn-lstm模型對訓練集進行分析，獲取cnn-lstm模型訓練后的最終模型，所述卷積神經(jīng)網(wǎng)絡cnn采用densenet神經(jīng)網(wǎng)絡框架；所述長短期記憶網(wǎng)絡lstm用于捕捉第一溫度變化特征、第一動態(tài)信息特征、第一信號特征、第一耦合特征和第一三維圖像特征的累積情況與時間之間的依賴關系，進而輸出裂隙的最終范圍值；

41、所述cnn-lstm模型的具體實現(xiàn)過程為：

42、cnn-lstm模型架構(gòu)和處理過程為：cnn模型與lstm模型通過串聯(lián)方式連接，將第一三維圖像特征輸入cnn模型，通過cnn模型特征處理，輸出第一cnn數(shù)據(jù)集，將第一溫度變化特征、第一動態(tài)信息特征、第一信號特征、第一耦合特征輸入lstm模型；

43、所述cnn模型的處理過程為：

44、對第一三維圖像特征y應用自適應權(quán)重分配的核k均值聚類分析，進行特征增強與降維，得到增強特征向量g'表達式為：

45、

46、其中，為核函數(shù)，w'為降維權(quán)重矩陣；

47、將增強特征向量g'輸入到一個多層融合與卷積網(wǎng)絡中，生成融合后的特征向量h表達式為：

48、其中di為第i種模態(tài)的權(quán)重，m、n分別表示第一溫度變化特征和第一動態(tài)信息特征，表示非線性函數(shù)；

49、將融合后的特征向量h輸入到三維卷積層，計算三維卷積層的輸出值，表達式為：

50、d＝tanh(w*h+b)，其中，tanh為修正線性激活函數(shù)，w為三維卷積層的權(quán)重矩陣，b為三維卷積層的偏置項。

51、進一步地，所述lstm模型處理過程為：

52、s68、所述lstm模型分為三層，標記為第一層、第二層和第三層，第一cnn數(shù)據(jù)集用于輸入第一層，第一信號特征用于輸入第二層，第一耦合特征用于輸入第三層；

53、s69、所述lstm模型的輸出預測裂隙的最終范圍值計算公式為：

54、q＝σ(w1.ylstm1+w2.ylstm2+w3.ylstm3+be)，

55、其中，w1、w2、w3分別表示第一層、第二層、第三層對應的全連接層的權(quán)重系數(shù)；be表示全連接層的偏置項；ylstm1、ylstm2、ylstm3分別表示第一層、第二層、第三層對應的輸出特征；σ表示激活函數(shù)，q表示lstm模型輸出裂隙的最終范圍值。

56、相較于現(xiàn)有技術(shù)，本發(fā)明實施例達到了以下有益效果：

57、本發(fā)明實施例提供了根據(jù)目標露天礦山的地質(zhì)條件和開采需求，確定目標爆破裂隙范圍；在圍巖中布置多個預設的爆破孔，爆破孔的深度和間距根據(jù)目標爆破裂隙范圍進行優(yōu)化設計；在每個爆破孔中裝填預設的炸藥量，并設置多個分段起爆裝置，分段起爆裝置的起爆時間根據(jù)所述目標爆破裂隙范圍進行控制；通過分段起爆裝置依次起爆爆破孔中的炸藥，形成預設的爆破裂隙范圍；利用監(jiān)測設備實時監(jiān)測爆破過程中的裂隙擴展情況，并根據(jù)監(jiān)測結(jié)果動態(tài)調(diào)整后續(xù)爆破參數(shù)；本發(fā)明通過神經(jīng)網(wǎng)絡精準預測爆破裂隙范圍，進而精準控制爆破參數(shù)，對于提高爆破效率、保障圍巖穩(wěn)定性和降低開采成本具有重要的現(xiàn)實意義。