一种露天磷矿山岩质边坡灾害监测系统

1.本发明属于矿山监测技术领域，尤其涉及一种露天磷矿山岩质边坡灾害监测系统。


背景技术：

2.随着磷矿资源的持续、高强度开采，我国众多大型国有磷矿山陆续转入深凹露天开采或者地下开采阶段。随着采矿活动强度的持续增大，与采矿生产相关的安全问题越来越突出，也越来越成为制约企业安全、持续发展瓶颈。
3.对采场而言：采场高度增大形成高陡边坡后稳定性如何，可能的失稳模式是什么，失稳的力学机理及其动力演化过程又如何解析等？
4.因此，在目前“安全、高效、绿色”采矿理念的大背景下，为了保证磷矿开采活动的安全性，及时了解磷矿资源开发过程中可能出现或发生的灾害并掌握其危险程度极为重要，对磷矿山持续开发活动中可能出现的滑坡等重大事故隐患进行辨识与危险性评价，开展采矿工程活动诱发矿山灾害的致因机理及地质灾害的动力演化过程方面的研究更显得尤为重要；因此，亟需提出一种露天磷矿山岩质边坡灾害监测系统，以期能够揭示滑坡等主要地质灾害可能的失效模式、致灾机理及其动力演化过程，并提出合理有效的灾害治理措施及预测预报系统。


技术实现要素：

5.为解决上述技术问题，本发明提出了一种露天磷矿山岩质边坡灾害监测系统，实现了对露天磷矿山岩质边坡环境变化趋势实时监测和智能预测，以实现超前预防治理；做到灾害的科学预防并使灾害损失降到最低。
6.本发明提供了一种露天磷矿山岩质边坡灾害监测系统，包括：数据采集模块、数据处理模块、评估模块和预测模块；
7.所述数据采集模块，用于采集影响露天磷矿山岩质边坡危险源危险度的因子数据；
8.所述数据处理模块，用于对所述因子数据进行预处理；
9.所述评估模块，用于根据预处理后的所述因子数据，获取露天磷矿山岩质边坡的风险评估；
10.所述预测模块，用于根据采集的所述因子数据，获取未来时间段内的预测因子数据，基于所述预测因子数据，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。
11.可选地，所述数据采集模块包括：第一采集单元、第二采集单元和第三采集单元；
12.所述第一采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的环境因子；
13.所述第二采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的管理因子；
14.所述第三采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的触发因子。
15.可选地，所述环境因子包括：形态因子、岩性因子、坡体结构因子、防治工程失效性因子、水文因子和植被因子。
16.可选地，所述管理因子包括：日常管理指标、事故应急指标和监测措施指标。
17.可选地，所述触发因子包括：降雨因子、人为活动因子和地震因子。
18.可选地，所述数据处理模块包括：第一处理单元和第二处理单元；
19.所述第一处理单元，用于对所述因子数据进行无量纲化处理；
20.所述第二处理单元，用于对无量纲化处理后的所述因子数据进行加权处理。
21.可选地，所述第一处理单元对所述因子数据进行无量纲化处理包括：采用择线性无量纲化方法把量纲不同的所述因子数据进行无量纲化处理；
22.所述线性无量纲化方法包括：针对因子数据值越大对岩质边坡的稳定性越好的因子数据线性无量纲化，针对因子数据值越小对岩质边坡的稳定性越好的因子数据线性无量纲化；
23.针对因子数据值越大对岩质边坡的稳定性越好的因子数据线性无量纲化为：
[0024][0025]
针对因子数据值越小对岩质边坡的稳定性越好的因子数据线性无量纲化为：
[0026][0027]
其中，x
′i为矿山岩质边坡危险源危险性评估中第i个因子数据无量纲处理之后的数据，xi为第i个因子数据的原始值，x
imin
、x
imax
分别为第i个因子数据中其原始值能确定的最大值与最小值。
[0028]
可选地，所述第二处理单元对无量纲化处理后的所述因子数据进行加权处理包括：采用权重系数计算方法，获取各个所述因子数据的权重系数。
[0029]
可选地，所述评估模块将预处理后的所述因子数据输入评估模型中，获取露天磷矿山岩质边坡的风险评估；
[0030]
所述评估模型为：
[0031]
[0032]
其中，h
md
为露天磷矿山岩质边坡的风险评估结果，x
′i为矿山岩质边坡危险源危险性评估中第i个因子数据无量纲处理之后的数据，wi为第i个评估因子对应的权重系数。
[0033]
可选地，所述预测模块包括：存储单元、构建单元和输出单元；
[0034]
所述存储单元，用于存储历史的具有时间序列的所述因子数据；
[0035]
所述构建单元，用于根据所述存储单元中的因子数据训练lstm神经网络，获取预测模型；
[0036]
所述输出单元，用于将采集的所述因子数据输入所述预测模型，获取未来时间段的所述预测因子数据；
[0037]
所述预测模块，将所述预测因子数据输入所述评估模块，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。
[0038]
与现有技术相比，本发明具有如下优点和技术效果：
[0039]
本发明通过对影响矿山岩质边坡稳定性的关键因素进行采集，在致使露天磷矿山岩质边坡灾害发生的内在驱动力、物质基础及诱发因素的基础上建立了露天磷矿山岩质边坡灾害评估体系，并以此对露天磷矿山岩质边坡危险源的危险性进行辨识与评价；本发明不仅可以获得实时评估结果，对露天磷矿山岩质边坡灾害进行实时监测，还可以通过预测模型，对露天磷矿山岩质边坡环境变化趋势进行智能预测，以实现超前预防治理；做到灾害的科学预防并使灾害损失降到最低。
附图说明
[0040]
构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0041]
图1为本发明实施例的一种露天磷矿山岩质边坡灾害监测系统结构示意图。
具体实施方式
[0042]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0043]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0044]
实施例
[0045]
如图1所示，本实施例提供了一种露天磷矿山岩质边坡灾害监测系统，包括：数据采集模块、数据处理模块、评估模块和预测模块；
[0046]
数据采集模块，用于采集影响露天磷矿山岩质边坡危险源危险度的因子数据；
[0047]
数据处理模块，用于对因子数据进行预处理；
[0048]
评估模块，用于根据预处理后的因子数据，获取露天磷矿山岩质边坡的风险评估；
[0049]
预测模块，用于根据采集的因子数据，获取未来时间段内的预测因子数据，基于预测因子数据，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。
[0050]
进一步地，数据采集模块包括：第一采集单元、第二采集单元和第三采集单元；
[0051]
第一采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的环境因子；环
境因子包括：形态因子、岩性因子、坡体结构因子、防治工程失效性因子、水文因子和植被因子。
[0052]
第二采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的管理因子；管理因子包括：日常管理指标、事故应急指标和监测措施指标。
[0053]
第三采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的触发因子；触发因子包括：降雨因子、人为活动因子和地震因子。
[0054]
在本实施例中，影响露天磷矿山岩质边坡危险源危险度的因子数据获取的具体方法如下：
[0055]
1.环境因子指标数据的获取；
[0056]
1)形态因子，矿山岩质边坡形态因子选择的边坡总高度h、边坡角α与边坡形态指数λ等3个形状指标可通过现场调查实际测量或在其地形图上选择特征的剖面量测获取。
[0057]
2)岩性因子，岩性因子中的边坡岩体的密度ρ、变形模量em、粘结力c、内摩擦角φ及泊松比μ等5个可通过经验估计法、岩体原位试验法及二者相结合的方法获取。
[0058]
3)坡体结构因子，矿山岩质边坡坡体结构因子中的结构面间距、结构面产状与坡向产状的关系、结构面连续性、结构面的形态指数与实际的坡体裂缝深度通过现场调查实际测量获取；而结构面中的充填物强度粘结力与内摩擦角值通过实验与经验估计法等方法确定。
[0059]
4)防治工程失效性因子防治工程失效性因子选择防治工程当前尺寸指数可通过现场调查测量及查询矿山企业相关的资料等计算获取。
[0060]
5)水文因子，水文因子中选择的岩质边坡坡脚的河流或溪流对边坡的冲蚀作用与地下水的发育情况两个指标通过现场调查或查询矿山水文资料获取。
[0061]
6)植被因子，植被因子选择的岩质边坡上生长的植被覆盖率由在现场调查获取。
[0062]
2.管理因子的获取；
[0063]
管理因子中的日常管理(包括制定日常管理制度与执行落实日常管理制度两方面)、事故应急(包括制定事故应急制度与执行落实事故应急制度两方面)及监测措施(包括制定监测措施与执行落实监测措施两方面)3个指标可通过现场调查询问及查询矿山企业相关的资料与国家规范或行业准则等获取；
[0064]
3.触发因子指标数据的获取；
[0065]
1)降雨因子，降雨因子选择岩质边坡所在地域的日最大降雨量指标通过查询矿山自然灾害危险源所在位置的相关降雨资料获得。
[0066]
2)人为活动因子，人为活动因子中选择的人工开挖程度通过现场调查矿山自然灾害危险源获取，爆破作用在矿山自然灾害危险源轮廓上的震动速度通过在矿山生产作业时发生爆破作业时实际测量获取。
[0067]
3)地震因子，地震因子选择岩质边坡所在地域的地震烈度指标通过查询当地的地震烈度资料确定。
[0068]
在通过测量影响露天磷矿山岩质边坡危险源危险度的因子数据时，为保证数据的可靠性，每个因子指标必须至少取3个样本测量，并保证测量结果的标准差在5％以内，如果测量结果的标准差超过5％时，增加样本量直到其结果的标准差控制在5％为止。
[0069]
进一步地，数据处理模块包括：第一处理单元和第二处理单元；
[0070]
第一处理单元，用于对因子数据进行无量纲化处理；
[0071]
第二处理单元，用于对无量纲化处理后的因子数据进行加权处理。
[0072]
进一步地，第一处理单元对因子数据进行无量纲化处理包括：采用择线性无量纲化方法把量纲不同的因子数据进行无量纲化处理；
[0073]
线性无量纲化方法包括：针对因子数据值越大对岩质边坡的稳定性越好的因子数据线性无量纲化，针对因子数据值越小对岩质边坡的稳定性越好的因子数据线性无量纲化；
[0074]
在本实施例中，选择线性无量纲化方法把量纲不同的因子数据指标进行无量纲化处理。处理方法如下：
[0075]
当评价指标值越大对岩质边坡的稳定性越好的因子数据指标，采用下式处理：
[0076][0077]
当评价指标值越小对岩质边坡的稳定性越好的因子数据指标，采用下式处理：
[0078][0079]
其中，x
′i为矿山岩质边坡危险源危险性评估中第i个因子数据无量纲处理之后的数据，xi为第i个因子数据的原始值，x
imin
、x
imax
分别为第i个因子数据中其原始值能确定的最大值与最小值。
[0080]
进一步地，第二处理单元对无量纲化处理后的因子数据进行加权处理包括：采用权重系数计算方法，获取各个因子数据的权重系数。在本实施例中，获取各个因子数据的权重系数可采用应用层次分析法确定，应用层次分析法为在矿山地质环境影响评估领域中的现有指标权重计算方法。或者也可使用熵值法，熵权法的基本思想是根据指标变异性的大小来确定客观权重。一般来说，某一指标的信息熵越小，指标值变异程度越大，提供的信息量越多，在综合评价中能起到的作用也越大，其权重也越大。相反，某一指标的信息熵越大，指标值的变异程度越小，提供的信息量也越少，在综合评价中所起的作用也越小，其权重也越小。
[0081]
进一步地，评估模块将预处理后的因子数据输入评估模型中，获取露天磷矿山岩质边坡的风险评估；
[0082]
评估模型为：
[0083][0084]
其中，h
md
为露天磷矿山岩质边坡的风险评估结果，x
′i为矿山岩质边坡危险源危险性评估中第i个因子数据无量纲处理之后的数据，wi为第i个评估因子对应的权重系数。
[0085]
进一步地，预测模块包括：存储单元、构建单元和输出单元；
[0086]
存储单元，用于存储历史的具有时间序列的因子数据；
[0087]
构建单元，用于根据存储单元中的因子数据训练lstm神经网络，获取预测模型；
[0088]
输出单元，用于将采集的因子数据输入预测模型，获取未来时间段的预测因子数据；
[0089]
预测模块，将预测因子数据输入评估模块，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。
[0090]
在本实施例中，可将露天磷矿山岩质边坡的风险评估结果，对应划分成非常低危险、低危险、中等危险、高危险及非常高危险程度5个等级；对应输出不同响应的等级预警；本实施例还通过训练lstm神经网络，构建各类因子数据的预测模型，并将实时采集的各类因子数据不断加入到lstm神经网络的训练中，保证模型预测的准确性。实现监测区域的因子数据的智能化和实时的未来趋势预测，真正实现了对露天磷矿山岩质边坡环境变化趋势的智能预测与超前预防治理。
[0091]
lstm神经网络的训练流程包括：lstm神经网络逐轮进行迭代训练，在每轮训练过程中，以第n、第n-1、
……
、第n
–
stepsize+1时刻的因子数据做为输入数据，并输出针对第n+x时刻的预测因子数据，然后，将第n+x时刻的预测因子数据与第n+x时刻的实际因子数据进行匹配，若匹配误差不满足预定要求，则根据匹配误差对神经网络各神经单元权值参数进行修正调整,然后继续以第n、第n-1、
……
、第n
–
stepsize+1时刻的因子数据做为输入数据，开始下一轮的迭代训练，直至n+x时刻的预测因子数据与第n+x时刻的实际因子数据之间的匹配误差小于指定阈值，则神经网络训练完成。
[0092]
以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种露天磷矿山岩质边坡灾害监测系统，其特征在于，包括：数据采集模块、数据处理模块、评估模块和预测模块；所述数据采集模块，用于采集影响露天磷矿山岩质边坡危险源危险度的因子数据；所述数据处理模块，用于对所述因子数据进行预处理；所述评估模块，用于根据预处理后的所述因子数据，获取露天磷矿山岩质边坡的风险评估；所述预测模块，用于根据采集的所述因子数据，获取未来时间段内的预测因子数据，基于所述预测因子数据，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。2.根据权利要求1所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述数据采集模块包括：第一采集单元、第二采集单元和第三采集单元；所述第一采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的环境因子；所述第二采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的管理因子；所述第三采集单元，用于采集影响露天磷矿山岩质边坡危险源危险度的触发因子。3.根据权利要求2所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述环境因子包括：形态因子、岩性因子、坡体结构因子、防治工程失效性因子、水文因子和植被因子。4.根据权利要求2所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述管理因子包括：日常管理指标、事故应急指标和监测措施指标。5.根据权利要求2所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述触发因子包括：降雨因子、人为活动因子和地震因子。6.根据权利要求2所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述数据处理模块包括：第一处理单元和第二处理单元；所述第一处理单元，用于对所述因子数据进行无量纲化处理；所述第二处理单元，用于对无量纲化处理后的所述因子数据进行加权处理。7.根据权利要求6所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述第一处理单元对所述因子数据进行无量纲化处理包括：采用择线性无量纲化方法把量纲不同的所述因子数据进行无量纲化处理；所述线性无量纲化方法包括：针对因子数据值越大对岩质边坡的稳定性越好的因子数据线性无量纲化，针对因子数据值越小对岩质边坡的稳定性越好的因子数据线性无量纲化；针对因子数据值越大对岩质边坡的稳定性越好的因子数据线性无量纲化为：针对因子数据值越小对岩质边坡的稳定性越好的因子数据线性无量纲化为：
其中，x
′
i
为矿山岩质边坡危险源危险性评估中第i个因子数据无量纲处理之后的数据，x
i
为第i个因子数据的原始值，x
imin
、x
imax
分别为第i个因子数据中其原始值能确定的最大值与最小值。8.根据权利要求6所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述第二处理单元对无量纲化处理后的所述因子数据进行加权处理包括：采用权重系数计算方法，获取各个所述因子数据的权重系数。9.根据权利要求1所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述评估模块将预处理后的所述因子数据输入评估模型中，获取露天磷矿山岩质边坡的风险评估；所述评估模型为：其中，h
md
为露天磷矿山岩质边坡的风险评估结果，x
i
'为矿山岩质边坡危险源危险性评估中第i个因子数据无量纲处理之后的数据，w
i
为第i个评估因子对应的权重系数。10.根据权利要求1所述的露天磷矿山岩质边坡灾害监测系统，其特征在于，所述预测模块包括：存储单元、构建单元和输出单元；所述存储单元，用于存储历史的具有时间序列的所述因子数据；所述构建单元，用于根据所述存储单元中的因子数据训练lstm神经网络，获取预测模型；所述输出单元，用于将采集的所述因子数据输入所述预测模型，获取未来时间段的所述预测因子数据；所述预测模块，将所述预测因子数据输入所述评估模块，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。

技术总结
本发明提供了一种露天磷矿山岩质边坡灾害监测系统，包括：数据采集模块、数据处理模块、评估模块和预测模块；数据采集模块，用于采集影响露天磷矿山岩质边坡危险源危险度的因子数据；数据处理模块，用于对因子数据进行预处理；评估模块，用于根据预处理后的因子数据，获取露天磷矿山岩质边坡的风险评估；预测模块，用于根据采集的因子数据，获取未来时间段内的预测因子数据，基于预测因子数据，获取未来时间段内的露天磷矿山岩质边坡的预测风险评估。本发明不仅可以获得实时评估结果，对露天磷矿山岩质边坡灾害进行实时监测，还可以通过预测模型，对露天磷矿山岩质边坡环境变化趋势进行智能预测，以实现超前预防治理。以实现超前预防治理。以实现超前预防治理。


技术研发人员：李小双 彭俊 李启航 王佳文 周宇 唐琼琼 徐孟超 王孟来 敬小非 陈秋松 江松 朱淳 谢言宏 赵雷 李树建 刘少锋 王光进
受保护的技术使用者：齐鲁理工学院
技术研发日：2023.04.11
技术公布日：2023/7/6