基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法技术

本发明专利技术提供一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，具体步骤包括：S1：对隧道掌子面进行三维激光扫描，获得点云数据，并根据处理后的点云数据实体建模；S2：根据实体建模对掌子面节理进行识别，结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析，获得破碎区的数值模拟结果；S3：根据破碎区的数值模拟结果，进行隧道的炮孔参数设计及炮孔布置设计并钻孔，得到待爆破的炮孔，记录炮孔数据；S4：将炮孔数据储存至岩性参数数据库，对待爆破的炮孔进行岩体三维实体建模；S5：对待爆破炮孔进行装药量计算，对隧道爆破。本发明专利技术通过在爆破方法中结合表面裂隙和岩体内部的岩性，针对掌子面信息提供专项爆破方案。案。案。

【技术实现步骤摘要】
基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法


[0001]本专利技术属于岩土工程
，尤其涉及一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法。

技术介绍

[0002]随着工程行业信息化和现代化要求的不断提高，隧道爆破施工需要与时俱进的提出新的设备及施工方法，以实现隧道精细化爆破施工，提高爆破效果。隧道工程大多在山区岩层进行，岩石作为一种天然形成的岩体其内部结构较为复杂，存在大量的节理裂隙等软弱结构面，针对这些软弱结构面进行隧道爆破施工是提高隧道爆破质量的关键。
[0003]钻爆法仍然广泛应用在隧道工程施工中，但在实际施工过程中，钻爆法在施工的过程中往往不会考虑岩体其内部结构，忽略表面裂隙和岩体内部的岩性的影响，仅是根据工程经验进行调整，这就导致在岩体的岩性发生变化或岩体存在节理裂隙的情况下，爆破效果较差，尤其是在地质条件多变的地区，经验性的钻爆方法已经无法满足现代精细化爆破施工的要求。
[0004]为此，针对上述的技术问题，需要提供一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，以解决现有技术中的爆破方法在施工工程中忽略岩体内部的岩性和表面裂隙的影响，在岩体的岩性发生变化或岩体存在节理裂隙的情况下，爆破效果较差的技术问题。
[0006]本专利技术提供了一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，该方法按照如下步骤进行：
[0007]S1：使用三维激光扫描仪对隧道掌子面进行三维激光扫描，获得点云数据，对点云数据处理，并根据处理后的点云数据进行实体建模；
[0008]在步骤S1中，三维激光扫描仪需要放置在距离掌子面3m～5m处，测点位置处于掌子面中间位置，并且对于点云数据的处理主要包括点云配准、点云降噪及点云精简；
[0009]S1.1点云配准根据同一断面的测点数量来判断是否需要点云配准，若仅有一个测点则可跳过配准环节；点云配准是将两个测点的点云数据合成为一个，以实现被测目标数据完全覆盖，采用ICP算法进行点云配准；
[0010]S1.2由于扫描设备、周围环境、人为扰动、目标特性等影响，使得点云数据无法避免的存在一些噪点，导致数据无法正确表达扫描对象的空间位置。因此，需要对点云数据进行降噪，根据隧道点云数据分布均匀且需要保留细节特征的特点，采用拉普拉斯算法进行降噪；算法通过对每个数据点应用拉普拉斯算子，经过多次迭代可将噪声点调整至附近邻域，从而达到去噪的目的。拉普拉斯算子表达式为：
[0011][0012]式中：Δ为拉普拉斯算子；为梯度记号；
[0013]S1.3采用基于k
‑
means聚类算法的数据精简方法，通过点云数据进行聚类拟合判断几何信息进行不同类型的精简模式，其目的就是在保证精度的条件下减少点云数据的数据层，提取有效信息，以提高数据操作的运算速度、建模效率以及模型精度；k
‑
means聚类算法通过随机选取k个中心点μ1,μ2,
···
,μ
k
，通过迭代计算，将每个数据点p分配到距离其最近的中心点μ
i
并重新计算该类的中心点坐标，直到损失函数取得最小值；然后将聚类结果划分为有限个邻域区间，并对每个邻域区间进行拟合，并将拟合结果分为平坦区和变化区，计算平坦区的面密度和变化区的体密度，并分别与阈值进行比较；在平坦区进行点云均匀删减，直到面密度小于阈值；在变化区则进行保留曲率特征的点云删减策略，直到体密度小于阈值；其中，面密度与体密度公式如下：
[0014][0015]式中：ρ
s
为面密度；ρ
v
为体密度；N为邻域近点数；S为邻域面积；V为邻域体积。
[0016]S2：根据实体建模对掌子面节理进行识别，根据识别结果，并结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析，进而基于表面裂隙获得破碎区的数值模拟结果；
[0017]在步骤S2中，对掌子面的节理进行识别包括两个步骤：
[0018]S2.1掌子面提取：
[0019]Unet神经网络模型为Encoder
‑
Decoder结构，Encoder由卷积操作和下采样操作组成，Decoder由卷积操作、上采样和残差连接组成；
[0020]S2.2对掌子面节理进行识别：
[0021]DeepCrack网络结构由全卷积网络和域分离网络组成，其中，FCN以VGG
‑
16模型的前13层为基础，通过在卷积层和激活函数ReLU之间加入BN层提高模型泛化能力，通过聚合多尺度和多层次的特征形成特征预测结果。
[0022]S3：根据破碎区的数值模拟结果，进行隧道的炮孔参数设计及炮孔布置设计，并根据炮孔参数设计和炮孔布置设计的结果进行钻孔，得到待爆破的炮孔，并记录炮孔数据；
[0023]在步骤S3中，
[0024]S3.2炮孔参数设计包括炮孔直径、炮孔深度、炮孔数目，具体为：
[0025]S3.1.1炮孔直径根据钻孔设备进行选取，使用三臂凿岩台车钻孔时，选取直径为40mm～45mm的钻头，炮孔直径为48mm～55mm，药卷直径为32mm，使用气腿式风动凿岩机钻孔时，选取直径为35mm～50mm的钻头，炮孔直径为38mm～52mm。
[0026]S3.1.2炮孔深度根据循环进尺来确定各炮孔的深度，计算公式如下：
[0027][0028]式中：L0代表循环进尺；L
掏
代表掏槽孔深度；θ代表掏槽孔与开挖面夹角；L
周
代表周边孔炮孔深度；α代表周边孔外插角；L
辅
代表辅助眼炮孔深度；
[0029]L
底
代表底板眼炮孔深度。
[0030]S3.1.3炮孔数目根据工程经验总结的经验公式进行计算，公式如下：
[0031][0032]式中：f代表岩石坚固系数，f＝R
c
/10；S代表隧道断面面积；
[0033]S3.2炮孔布置设计包括常规布置及节理优化布置，具体为：
[0034]S3.2.1常规布置包括排距、孔距，计算公式如下：
[0035]a＝mW
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0036]b＝(0.9
‑
0.95)W
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0037][0038]式中：a代表孔距；W代表最小抵抗线；b代表排距；E代表周边孔间距；
[0039]m代表炮孔密集系数，炮孔密集系数的取值范围为0.8～1；d代表炮孔直径；
[0040]S3.2.2节理优化布置是根据数值计算程序得到的结果，分析最优的炮孔布置角度，并对节理附近的炮孔进行优化布置，优化布置原则为仅针对同一圈炮孔的节理两侧的两个炮孔进行优化布置，其余炮孔位置不变；
[0041]在步骤S3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，其特征在于，该方法按照如下步骤进行：S1：使用三维激光扫描仪对隧道掌子面进行三维激光扫描，获得点云数据，对点云数据处理，并根据处理后的点云数据进行实体建模；S2：根据实体建模对掌子面节理进行识别，根据识别结果，并结合数值计算程序对不同节理角度下岩石双孔爆破进行数值计算分析，进而基于表面裂隙获得破碎区的数值模拟结果；S3：根据破碎区的数值模拟结果，进行隧道的炮孔参数设计及炮孔布置设计，并根据炮孔参数设计和炮孔布置设计的结果进行钻孔，得到待爆破的炮孔，并记录炮孔数据；S4：将炮孔数据储存至岩性参数数据库，并根据数据库的岩体内部岩性参数数据对待爆破的炮孔进行岩体三维实体建模，并得到待爆破炮孔的岩性分布图；S5：根据岩性分布图对待爆破炮孔进行装药量计算，根据装药量计算结果对炮孔进行装药，进而对隧道进行爆破。2.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，其特征在于，还包括步骤：S6：爆破完成并通风后，采用无人机对爆堆进行录像拍照，进而获取岩渣图像数据；S7：根据获取的岩渣图像数据，进行三维建模，并进行块度识别，统计岩渣块度频率分布；S8：利用三维激光扫描仪对爆破后的掌子面进行扫描，获取爆破后的掌子面爆破后点云数据；S9：根据爆破后的点云数据进行实体建模，并根据实体建模对进尺量、炮痕率及超欠挖量进行统计，进而得到进尺量、炮痕率及超欠挖量的数据；S10：根据得到的岩渣块度频率分布和进尺量、炮痕率及超欠挖量的数据，进行爆破质量评价，并对下一次爆破进行优化。3.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，其特征在于，在步骤S1中，三维激光扫描仪需要放置在距离掌子面3m～5m处，测点位置处于掌子面中间位置，并且对于点云数据的处理主要包括点云配准、点云降噪及点云精简；S1.1点云配准根据同一断面的测点数量来判断是否需要点云配准，若仅有一个测点则可跳过配准环节；点云配准是将两个测点的点云数据合成为一个，以实现被测目标数据完全覆盖，采用ICP算法进行点云配准；S1.2由于扫描设备、周围环境、人为扰动、目标特性等影响，使得点云数据无法避免的存在一些噪点，导致数据无法正确表达扫描对象的空间位置；因此，需要对点云数据进行降噪，根据隧道点云数据分布均匀且需要保留细节特征的特点，采用拉普拉斯算法进行降噪；算法通过对每个数据点应用拉普拉斯算子，经过多次迭代可将噪声点调整至附近邻域，从而达到去噪的目的；拉普拉斯算子表达式为：式中：Δ为拉普拉斯算子；为梯度记号；S1.3采用基于k
‑
means聚类算法的数据精简方法，通过点云数据进行聚类拟合判断几
何信息进行不同类型的精简模式，其目的就是在保证精度的条件下减少点云数据的数据层，提取有效信息，以提高数据操作的运算速度、建模效率以及模型精度；k
‑
means聚类算法通过随机选取k个中心点μ1,μ2,
···
,μ
k
，通过迭代计算，将每个数据点p分配到距离其最近的中心点μ
i
并重新计算该类的中心点坐标，直到损失函数取得最小值；然后将聚类结果划分为有限个邻域区间，并对每个邻域区间进行拟合，并将拟合结果分为平坦区和变化区，计算平坦区的面密度和变化区的体密度，并分别与阈值进行比较；在平坦区进行点云均匀删减，直到面密度小于阈值；在变化区则进行保留曲率特征的点云删减策略，直到体密度小于阈值；其中，面密度与体密度公式如下：式中：ρ
s
为面密度；ρ
v
为体密度；N为邻域近点数；S为邻域面积；V为邻域体积。4.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，其特征在于，在步骤S2中，对掌子面的节理进行识别包括两个步骤：S2.1掌子面提取：Unet神经网络模型为Encoder
‑
Decoder结构，Encoder由卷积操作和下采样操作组成，Decoder由卷积操作、上采样和残差连接组成；S2.2对掌子面节理进行识别：DeepCrack网络结构由全卷积网络和域分离网络组成，其中，FCN以VGG
‑
16模型的前13层为基础，通过在卷积层和激活函数ReLU之间加入BN层提高模型泛化能力，通过聚合多尺度和多层次的特征形成特征预测结果。5.根据权利要求1所述的基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法，其特征在于，在步骤S3中，S3.2炮孔参数设计包括炮孔直径、炮孔深度、炮孔数目，具体为：S3.1.1炮孔直径根据钻孔设备进行选取，使用三臂凿岩台车钻孔时，选取直径为40mm～45mm的钻头，炮孔直径为48mm～55mm，药卷直径为32mm，使用气腿式风动凿...

【专利技术属性】
技术研发人员：王军祥，吴佳鑫，郭连军，宁宝宽，牟天蔚，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：