多点爆破震动速度衰减规律研究

爆破震动是引起地下矿山巷道破坏的重要原因,掌握爆破震动速度衰减规律,降低爆破震动危害,对矿山的安全高效生产有着重要意义。针对铁蛋山矿区爆破震动造成下盘沿脉运输巷道破坏严重的现状,开展了爆破震动监测工作。对于完整爆破信号数据,采用最小比例距离方法确定了多点爆破爆心距、炸药量和最大振速值的对应关系,为萨道夫斯基公式应用提供参数,并采用实例验证了该方法的可靠性。在此基础上,建立了铁蛋山矿区爆破震动速度衰减模型,获得了距离下盘沿脉运输巷道不同位置开采时所允许的最大单段药量。对矿山回采过程中的爆破参数进行了改进,不同区域采用不同最大单段药量,保证了沿脉运输巷道的稳定性和产能需求。     

基于深度学习算法的矿岩识别技术研究

矿山现场工作人员在作业过程中需要及时判断矿石与围岩,及时优化开采设计方案有助于控制矿石损失贫化.为了实现对矿山现场矿石和围岩的智能化识别,对比了多种算法后采用EfficientDet神经网络模型,矿石和围岩的识别特征较为明显,选用EfficientDet中D0版本进行训练进而获得神经网络模型.基于井下环境进行数据扩充,在检测前对图像进行预处理.通过验证,模型对矿石和围岩识别正确率可以达到96％.在识别矿岩交界处的图片时,对于矿石、围岩分类的准确率超过91％,且预测框大小合适,可以很好地观测到矿岩交界线.模型能够在不同环境下高效、准确地识别矿石和围岩,证明模型的泛化性和鲁棒性较强.     

一种新型巷道变形监测设备的结构及其应用

为了解决地下金属矿山在日常施工和开采中遇到的巷道破坏等安全问题,及时掌握地下矿山巷道的稳定性情况,需要对巷道围岩变形数据进行不间断的精确监测。传统收敛计监测效率低、精度差、测量人员安全容易受到威胁,而隧道变形监测手段在地下矿山应用又有一定的局限性。为解决这些问题,自主研发了地下矿山巷道变形实时监测系统。该系统可实现24 h无人值守、连续监测收敛变形,降低成本、保证测量人员安全的同时亦提升测量效率和精确度。保国铁矿现场监测试验证明,该系统在很好地完成地下矿山巷道变形监测任务的同时,还可以辅助支护方案设计、危险预警等工作。研究成果在未来地下矿山变形监测、危险预警方面有一定的应用前景。     

基于混合现实的地下矿山设备巡检系统研究

针对地下矿山设备巡检人员技术能力不足和巡检流程复杂,导致的巡检效率低、周期长和检修指导流程复杂等问题,设计了一种基于混合现实技术的地下矿山设备巡检系统。 该系统基于混合现实设备,通过 Unity3D 平台搭建混合现实虚拟开发环境,建立真实设备三维模型和标准检修意见指导库,实现了巡检路径导航以及设备信息管理、设备模型展示、检修意见指导和待检部件标记等功能。 阐述了该巡检系统的框架设计和功能,总结了模型建立过程和关键技术,以眼前山铁矿破碎机为例,从用户体验和性能相协调等角度对系统进行了综合测试。 应用结果表明:该系统简化了传统巡检繁琐的工作流程,降低了巡检人员工作的复杂程度,有效提升了巡检效率并具有良好的人机交互性。     

基于 YOLOv4-tiny的铁矿石品位识别技术研究

为实现矿山现场对不同铁矿石品位的智能化识别以及模型在便携设备上的搭载,对不同铁矿石的不 同品位进行了数据增强处理并选择 YOLOv4-tiny 作为训练的神经网络算法。YOLOv4-tiny 深度学习神经网络框 架,采用 CSPdarknet53_tiny 作为主干提取网络并结合 FPN 对岩石图像进行特征提取和学习,在训练过程中采用迁 移学习思想以及早停法对训练进行加速,进而生成铁矿石品位识别模型。最终通过测试集验证,模型对于每种矿 石品位图像识别正确率大于 91%。对于不同环境拍摄的图像以及视频识别也超过 80%。模型可以很好地区分不 同品位的铁矿石,试验证明模型的鲁棒性较强。     

矿石块度视觉识别判断方法

针对传送带矿石块度还需要人工测量的问题,提出了一种基于深度学习的矿石块度检测方法。该方法在Darknet框架下采用残差神经网络结构组成CSPDarkNet21主干特征提取网络,在考虑只需要识别判断大块矿石的条件下选用简单双向特征融合PANet作为特征提取网络并将PANet由三个特征层简化为一个特征层,加快了模型训练及预测的速度,同时使用CIOU对loss值进行计算使训练更加稳定。在对矿石识别完成后,利用矿石块度判断结构对预测框像素面积进行计算得到矿石的真实尺寸。在最终测试中,在将图像经过灰度化、中值滤波处理后进行测试。结果表明,相比于单独UNet图像分割算法对矿石块度进行判断,IOR方法在降低6个百分点精确率的情况下减少2.7倍模型训练时间以及提升9.07倍模型运行效率,是一种能够快速训练及预测矿石块度的方法,非常适用于传送带等需要快速识别判断的现场环境使用,同时降低了边云端计算的设备及训练成本。     

基于惯性导航技术的露天矿爆破过程矿岩运动规律研究

针对露天矿爆破过程中矿岩空间运动轨迹难以准确获取的问题,本研究创新性地提出了利用高精度 MEMS 惯性导航传感器高频率采集爆破过程的矿岩运动数据来生成矿岩空间运动轨迹的方法,在惯性导航技术基础 上对爆破过程中矿岩轨迹生成算法进行研究。 最后利用 MATLAB 数学软件准确输出矿岩在爆破过程中的真实空间 运动轨迹信息,为露天矿爆破过程中矿岩运动规律研究提供理论和技术依据。 以鞍钢齐大山露天矿-105 m 水平采区 为例进行了现场试验,基于试验结果分析了压渣爆破的矿岩运动规律,为露天爆破效果智能评价提供参考依据。     

基于深度卷积网络的矿岩图像分割算法研究

在金属矿开采过程中,矿石图像的人工智能分割有着重要作用,但是采场爆堆矿岩分布状况复杂,矿岩图像颗粒粘连严重难以分割。现有的矿岩图像分割方法通常是先利用滤波降噪,再采用分水岭算法分割图像,这种方法存在局限性强和参数调整复杂等问题,不适合用于实际应用。结合矿岩图像特征和矿山实际需求,提出了一种基于U-Net深度卷积网络和Open CV的矿岩图像分割算法,该算法将深度学习创新应用到矿岩图像分割领域,与最大类间方差法、聚类分析、边缘提取等分割方法相比,该算法分割精度高,分割效果好,并且可以直接获取效果图中矿岩块的数量,极大减少了图像的后续处理工作量。     

齐大山铁矿自然崩落法开采的可行性及方案研究

齐大山铁矿经过多年开采已逐步达到露天开采最终境界,露天转地下开采势在必行,亟需研究新的开采方案。自然崩落法在开采低品位破碎矿体时具有高效率、低成本等优势,可作为齐大山铁矿露天转地下开采的备选开采方案之一。通过现场调查研究,对齐大山铁矿矿岩的可崩性进行了初步评价,提出了基于人工致裂技术辅助崩落的自然崩落法应用方案,可为类似矿山提供新的开采思路。