矿山岩体破坏失稳预警云平台的搭建与应用

张鹏海 朱万成 任 敏 李 旭 王雷鸣 牛雷雷 王兴伟

（1.东北大学资源与土木工程学院，辽宁沈阳110819；2.东北大学岩石破裂与失稳研究所，辽宁沈阳110819；3.东北大学计算机科学与工程学院，辽宁沈阳110819）

矿产资源是人类社会生存与发展的重要支柱之一，也是国民经济和社会发展的物质保障。在矿产资源需求量大，而国内矿产资源储量逐渐减少、易采矿产逐步枯竭的情况下［1］，矿山逐渐转向对深部难采资源的开发和利用。然而，随着开采深度的增加，使得岩体稳定性和安全性越来越差，由岩体破坏失稳诱发的地质灾害问题愈发突出，严重制约着矿山安全生产和经济效益［2］。

按照岩石力学的观点，滑坡等矿山动力灾害的发生，本质上是开采扰动所诱发的岩体破裂与失稳的结果，而岩体破裂失稳出现的前兆信息则是进行地质灾害预警的重要依据［3-4］。在现场监测方面，人们通过对采动岩体的应力、应变、位移、微震活动性等进行实时监测，每日通过各类传感器可以获取多达G（1 024 M bytes）量级的数据。随着传感器采样精度的提高和传感器数量的增加，监测数据量剧增，加之灾害预警过程中所需的精细化地质勘查数据、大规模数值模拟的理论计算数据，传统的数据管理与分析方法愈发无法胜任，借助于云计算技术对监测、地质及理论计算数据进行集成、分析和挖掘，成为实现灾害预警的必由之路［5-6］。

在云计算与矿业结合模式的理论构建上，姚建铨等［7］认为运用云计算和大数据技术提取有用的监测信息，能够真正实现本质安全矿山。宋志伟［8］分析了物联网、大数据、云技术之间的关系，并探讨了这3类技术在矿区安全生产过程中的应用，认为物联网是矿区所有子系统构建的技术体系及线路图，大数据是矿区物联网构建的产物，云技术则是对大数据运算运用的技术方式。马小平等［9］阐述了物联网、大数据及云计算技术的研究现状，提出了3种技术在煤矿生产安全保障中的关系。王海军等［10］结合“互联网+”、大数据等，研究了煤矿企业在井下安全生产监控预警、矿用大型安标设备及材料储运的全生命周期远程管控中的应用，建议建立煤矿企业数据共享的安全生产云服务平台。李树刚等［11］提出了“互联网+”煤矿安全信息化的思路，从煤矿物联网、煤矿云计算、煤矿大数据等方面分析了“互联网+”煤矿安全信息化的关键技术，并在此基础上提出了由信息感知层、数据传输层、云计算资源层、应用服务层、用户接口层组成的“互联网+”煤矿安全信息化应用架构及专有云构建模式。

在矿山实际应用中，兖矿集团建立了矿山应急救援云平台，平台中涵盖办公、值班、接警、出警、学习、训练、考核、考试、救援等内容［12］。其中，应急救援行动预案专家系统可以在120 s 内自动生成救援行动方案，为应急救援决策指挥提供参考。采取应急救援后事故损失减少到不采取应急措施情况下的40%。陕西煤化集团利用云计算技术构建了矿压运动规律远程服务平台，实现了专业技术人员与煤矿用户共享数据资源、顶板运动规律快速在线分析等功能，解决了由于煤矿顶板运动规律分析专业性强、分析结果滞后的问题，为发挥顶板监测时效性，实现技术服务专业化提供了一种良好的解决方案［13］。东曲矿建设了无人值守云平台，该平台的应用累计减少岗位人员131人。同时，通过集中化、自动化控制，提升了实际生产效率，达到了事半功倍的效果，创造了可观的经济效益［14］。金鸡滩煤矿构建了矿井调度和决策信息化集成数据云平台，该平台提供了统一的数据交换平台和协作管理环境，为领导调度层提供了直观可靠的生产行为监测及分析数据，有效提高了煤矿的信息化程度［15］。Jo 等［16］借助云计算开发了集实时监测、事件报告、质量评定、灾害预警等于一体的煤矿监测平台，形成了较为完整的监测预警体系。

综上所述，云计算技术已在矿业领域逐步开始应用，但应用目的多为生产调度与管理，具体应用矿山也多为采矿自动化程度较高的煤矿，在金属矿山中的应用较少，尤其是还没有以岩石力学为基础，结合云计算技术建立起一个集工程地质条件、理论计算、实际监测、智能预测、虚拟可视化于一体的矿山岩体破坏失稳预警云平台。本研究结合大孤山铁矿设计并搭建了一种矿山岩体破坏失稳预警云平台。首先，利用倾斜摄影测量技术、地质钻孔数据及虚拟可视化技术，分别从地质、岩体结构及力学分析角度建立矿山三维可视化模型；然后，利用物联网和无线通信技术实现矿山岩体监测数据远距离传输、存储，图表实时查看及历史监测数据回溯；最后，利用模糊系统理论及预测技术，动态分析实时监测数据，对岩体破坏失稳进行预警及预测。

1 云平台的架构

矿山岩体破坏失稳预警云平台搭载于阿里云服务器上，即利用阿里云提供的基础设施建立云平台的3层架构，包括数据访问层、平台服务层和应用层，具体架构如图1 所示。其中，数据层用于采集、传输及存储矿山地质数据（包括矿山开采现状、岩层分布、矿体分布等），岩体测试及监测数据（包括岩体结构面分布、位移、微震监测数据），岩体力学参数空间分布（包括弹性模量及抗压强度）等岩石力学相关数据。数据传输基于物联网和无线通信技术，以HTTP超文本传输协议、Rsync+Inotify 组合的方式进行。数据存储至云端提供的MySQL 关系型数据库。服务层提供数据服务和功能服务，包括数据查询、数据分析及统计、图表生成、三维模型显示及交互控制、矿山地质测量、岩体破坏失稳预警等功能，并行支持上层Web 端和移动端应用软件的服务调用。应用层通过服务层提供的数据服务、功能服务，实现矿山理论与实测数据、三维模型显示与测量、数据分析与预警信息查看。

2 矿山地质力学观测模块

本研究以大孤山铁矿为例，对平台功能进行分析。大孤山铁矿位于鞍山市东南12 km，行政区划隶属于鞍山市千山区大孤山镇管辖，地理坐标为东经122°52′，北纬41°04′［17］。目前采场封闭圈标高为+75 m，最低开采水平为-282 m，为典型的深凹露天坑。根据采场露天开采安排，设计最终露天坑底标高为-486 m。年生产矿石650 万t，年剥离岩石1 600 万t。台阶坡面角65°，台阶高度12 m，靠帮后二、三并段，并段后台阶高度分别为24 m和36 m。

2.1 地质模型可视化

利用倾斜摄影测量技术及Smart3D 软件可实现坑表模型的快速建立。近年来，小型无人机作为一种低空遥感平台迅速发展，在倾斜摄影测量中得到了广泛应用［18］。相比于传统的卫星遥感平台和航空平台，由于小型无人机能够更加接近被测量对象，从而能够获取精度较高的影像数据，目前该项技术已被应用于多个地学研究领域。

倾斜摄影测量同时采用多个高分辨率镜头进行多角度摄像，将无人机飞行高度控制在距边坡100 m范围内，单位像素分辨率可达毫米级。为保证坑表模型及影像的精度趋于一致，依据深凹露天坑的形状，无人机的航线规划为倒锥形。本研究将影像可接受精度设为3.3 mm，即单像素边长最大值为3.3 mm。大孤山铁矿坑表面积约3 km2，整个露天矿需要3×106万个像素，采用30%重叠率，实际约4×1011个像素，由此可见，实现对大型露天矿山岩体结构的精细化描述需要巨大的数据量。本研究构建的矿坑模型如图2所示。

对于坑表以下的地质层位，以钻孔数据为依据利用3Dmine 软件进行地质建模。方法为：首先将地质钻孔按其空间坐标插入对应的模型空间中，将位于同一勘探线上同一岩层的分界线、地质断层线相连，形成各岩层、地质断层的剖面线；然后，将各个勘探线上同一岩层、地质断层的剖面线放样为实体［19］；最后，利用已经获得的矿坑表面和实体进行布尔运算切割并保留坑表以下部分实体，即可得到包含矿山开采现状的三维地质模型（如图3）。

矿山地质模型建成后，使用SuperMap 软件进行轻量化处理可实现模型的流畅观察。精细化的矿山地质模型不仅是云平台中矿山虚拟可视化功能、地质测量功能实现的前提，也为岩体结构面识别、岩体力学参数确定及稳定性评价提供可靠的基础数据。

2.2 地质测量可视化

以精细化的矿山坑表模型为基础，对SuperMap软件进行二次开发，可实现较为精确的地质测量功能，包括距离测量、面积测量、高度测量、坡度测量。其中，距离测量不仅能够测量两点之间的空间距离，还能够测量多个点之间的距离（即连续测量）；面积测量指的是计算所选取的闭合多边形的面积；高度测量不仅能够获取空间两点之间的高差，还能够获取测量点之间的水平距离和空间距离；坡度测量是将所圈定范围内的不同坡度值用渐变色表示，有助于精确定位边坡角度过高（滑坡风险增加）或过缓（剥岩成本增加）的区域。功能效果如图4所示。

2.3 岩体力学参数三维可视化

基于大范围精细化的岩体表面模型及影像，可实现全坑岩体结构面的人工识别、描绘与测量（图5），进而统计不同区域岩体结构面的分布特征与体积节理密度，并结合Hoek-Brown 准则估计节理化岩体的力学参数。据此建立以空间坐标为主关键字的岩体力学参数数据库，作为数值模拟的基本输入参数及岩体力学参数三维可视化的基础数据。本研究基于岩体力学参数数据库，利用SuperMap 中的体元栅格将矿山岩体力学参数的空间分布在云平台中表达出来，实现了岩体力学参数的三维可视化（图6）。

3 监测数据可视化查询模块

3.1 监测数据采集、传输与存储

为掌握开采扰动作用下露天边坡的破坏及变形情况，分别在大孤山铁矿安装了固定式测斜仪、自动测量机器人、GPS 地表沉降监测仪以及微震监测仪，建立了坡表位移、边坡深部位移以及边坡破裂的多维度协同监测系统。由于矿山位置偏远、环境复杂、监测设备及监测数据类型多样等特点，为实现矿山多源监测信息在统一平台下的可视化查询，有必要对高效、稳定的矿山多源监测数据的实时远程传输与存储方法进行研究。

固定式测斜仪、自动测量机器人及GPS 地表沉降监测仪的监测数据需首先通过数据传输单元（Data Transfer Unit，DTU）无线传输至监测设备提供方进行接收，而后通过监测设备提供方提供的数据接口进行获取。数据接口为HTTP 超文本传输协议，返回json格式数据。本研究采用GET方式进行获取，将数据进行转化解析存入布置于阿里云上的MySQL 数据库作为原始数据，同时基于箱型图原理确定异常阈值，对获得的数据进行判断处理，若为正常值，方可写入用于查询和计算的数据库。在获取过程中配有异常提示功能，以便相关人员及时处理。

微震监测仪产生的数据以文件格式实时存入现场布置的服务器。鉴于该服务器为Ubuntu 系统且仅拥有私有IP 地址，外网无法通过IP 地址对其进行访问。本研究选用Rsync+Inotify 组合并以“推”的方式将微震数据文件实时同步至云端服务器（图7）。Rsync 负责增量备份现场服务器与云端服务器之间的微震文件数据，Inotify 负责监控现场服务器微震数据文件的写入、创建等工作，从而触发Rsync 运行以达到实时同步的目的。本地计算机通过“拉”的方式从公网云服务器获得微震文件数据。

3.2 数据可视化查询

3.2.1 监测数据查询

对于固定式测斜仪、自动测量机器人及GPS地表沉降监测仪，由于测量对象为测点位置处对应的位移等物理量，因此本研究以时间为横轴，以位移等物理量为纵轴，用不用颜色区分不同测点的二维曲线来清楚地表达出监测数据的变化过程。对于微震监测仪，由于需要多个传感器共同定位一个微震事件，因此以时间为横轴，以微震事件参数为纵轴，用不同颜色的曲线表示不同微震事件参数的变化过程。

该云平台提供了以设备及测点为查询条件的监测数据实时显示二维曲线面板，面板横轴时长固定并采用动态加载方式以10 s 为时间间隔动态加载实时监测获得的数据信息。此外，平台还提供了按时段、设备及测点为查询条件的历史监测数据回溯二维曲线面板，为用户返回详细的历史监测数据。

3.2.2 设备状态查询

通过建立监测设备数据库，利用该平台可查询矿山开采生命周期中所有岩石力学监测设备的信息及运行状态。

对于正在运行的监测设备，可提供设备种类、测点数量、测点位置、监测对象、起始运行时间、运行状态、有效预警次数的查询，其中运行状态是根据实时监测数据是否中断来判断，有效预警次数是根据矿山岩体是否出现破坏来判断。

对于曾经运行的监测设备，可提供设备种类、测点数量、测点位置、监测对象、起始运行时间、终止运行时间、有效预警次数的查询。

4 岩体破坏失稳预警及预测模块

在云平台中嵌入模糊综合评价算法及时间序列ARIMA 模型，可实现对监测数据的动态分析，进而对岩体破坏失稳进行预警及预测。

4.1 基于监测数据的岩体破坏失稳预警

4.1.1 构建风险分级标准

由于大孤山铁矿西北边坡受到开采扰动出现了相对于其他区域较大的变形，故选择安装于该区域的测斜仪和自动测量机器人的监测结果作为基础数据，进行西北边坡岩体破坏失稳风险评价。部分测斜仪和自动测量机器人的测点位置如图8所示。基于工程类比法［20］确定了评价因素的风险分级标准如表1所示。

?

4.1.2 计算隶属度

运用模糊综合评价法评价岩体破坏失稳风险的关键是确定合理的隶属函数［21］。假定在风险等级vj（j=1,2,3,4）下的评价因素ui（i=1,2）的隶属度为uivj，则隶属度函数的表达式为

式中，aij为岩体破坏失稳风险等级vj下评价因素ui对应的临界值，具体取值见表1；xi为评价因素ui的实际监测值。

根据隶属度函数可确定各评价因素实测数据隶属于不同风险等级的隶属度，进而可建立隶属度模糊矩阵R：

4.1.3 计算权重集

为确定各评价因素对岩体失稳破坏风险的贡献率，本研究采用层次分析法（Analytic Hierarchy Process，AHP）确定各评价因素的权重［22］，权重集A 表示各评价因素的影响程度，主要计算步骤为：

（1）构建结构层次体系。将岩体破坏失稳风险预定目标作为最高的目标层，把影响目标实现的因素作为准则层，其中实现目标具体的技术措施、方法等作为最底层。

（3）进行一致性检验。引入一致性指标CI，通过查询一致性指标参数表确定平均随机一致性指标RI［23］，并进一步确定一致性比例CR，判断矩阵的一致性检验的可接受条件为一致性比例CR ＜0.1。相关参数计算公式为

式中，λmax为判断矩阵的最大特征值；n为判断矩阵阶数，本研究中n=2。

（4）确定权重。对结构层次体系中各因素相对于目标层的合成权重按照自上而下的顺序逐层计算，若不符合CR ＜0.1 条件，则重新对矩阵进行调整直至满足检验要求并确定各因素权重，在一致性检验满足可接受条件下，计算得到累计变形、变形速率的权重集为A=[ 0.2 5,0.75]。

4.1.4 模糊综合评价

基于监测数据的岩体破坏失稳风险模糊综合评价结果可由上述得到的权重集A 和隶属度模糊矩阵R计算得到，表达式为

式中，B 为岩体破坏失稳风险等级的评价矩阵，最终的评价结果即为矩阵B 中元素最大值对应的风险等级。

通过对大孤山铁矿西北边坡-66 m 台阶及-138 m 台阶4 个区域的监测数据进行模糊综合评价，得到如表2所示的岩体破坏失稳风险等级评价结果。

?

4.2 预测监测数据变化趋势

为预测监测数据的发展趋势，进而实现岩体破坏失稳风险的超前评价，本研究采用时间序列ARIMA（Autoregressive Integrated Moving Average）模型对位于大孤山铁矿西北边坡-66 m台阶测点2的固定式测斜仪的监测数据进行变形趋势预测。如图9所示，IDS∶4、IDS∶5 以及IDS∶6 为该测斜孔内布设的3 个探头，距坡表的竖直距离分别为12 m、4 m 以及52 m。本研究 选 取2017 年9 月9 日—2018 年4 月25 日的测斜数据作为训练样本，预测2018 年4 月26 日—2018年5月15日的测斜数据（20 d），其中以2018年4月26日—2018 年5 月5 日的位移数据作为检验样本（10 d），得到了时间序列ARIMA 模型预测结果的平均绝对百分比误差基本保持在2%以内，说明该模型用于深部岩体变形趋势预测效果较好，为实现岩体破坏失稳风险的超前评价奠定了良好的基础。

5 云平台实现

依据云平台的设计架构，整合矿山地质力学观测模块、监测数据的可视化查询模块以及岩体破坏失稳的预警及预测模块，基于Java8 中全新开源的轻量级框架Spring Boot 搭建了矿山岩体破坏失稳预警云平台。云平台前端基于FreeMarke 模板引擎通过使用FTL标签使用指令来生成复杂的HTML 页面，并配合HTML5、JavaScript、JQuery、CSS3、Layui等开发语言和JavaScript 框架、UI 模块进行开发。通过JQuery实现数据与服务器通信、数据动态刷新和交互，在数据图形展示上采用Baidu 开源组件Echarts。后端采用基于JavaEE 规范的Spring Framework 框架，系统安全认证采用开源的kisso组件。

如图10所示，云平台主界面为左、中、右式布局。主界面左侧由上至下依次为项目列表、周预警统计表、月预警统计表、在用设备统计表以及停用设备统计表共5 个面板，其中周预警统计表、月预警统计表中的预警信息来源于岩体破坏失稳预警及预测模块中对监测数据的实时动态分析结果。主界面中部由上至下依次为时间窗及矿山地质力学观测窗，其中矿山地质力学观测窗基于SuperMap 软件开发并进行网络发布，具备地质模型、地质测量及岩体力学参数的可视化功能。主界面右侧由3 个监测数据可视化查询面板组成，具备监测数据动态可视化查询的功能。

6 结 论

基于Java 的轻量级框架Spring Boot 及地理信息系统软件SuperMap 搭建了一种包含矿山地质力学观测、监测数据可视化查询、岩体破坏失稳预警及预测3 个模块的矿山岩体破坏失稳预警云平台，并将其应用于大孤山铁矿。得到如下结论：

（1）以大孤山铁矿露天坑表的倾斜摄影测量数据、地质钻孔数据为基础，建立了包含地质构造、矿体、岩层、岩体结构的矿山三维模型，实现了基于三维模型的距离测量、面积测量、高度测量、坡度测量、岩体结构面识别统计等矿山地质测量功能，结合Hoek-Brown 准则建立了矿山岩体力学参数数据库并实现了岩体力学参数空间分布的三维可视化。

（2）针对矿山环境复杂、监测设备及监测数据类型多样等特点，建立了高效、稳定的矿山多源监测数据实时远程传输与存储方法，并实现了矿山多源监测信息在统一平台下的可视化查询。

（3）在云平台中利用模糊综合评价方法对岩体破坏失稳风险进行了评价，利用时间序列模型对深部岩体变形趋势进行了预测，均取得了较好的效果，为矿山灾害防控提供了决策依据。