金属矿山采动灾害监测预警云平台搭建与初步应用

徐晓冬 朱万成 张鹏海 李相熙 李 旭 王 慧1

（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）

随着国民经济的持续发展，我国对矿产资源的需求量持续增加，浅部矿产资源逐渐枯竭，深部开采必将成为我国采矿业的发展趋势［1］。蔡美峰院士曾指出，未来10年，我国三分之一的金属矿山开采深度将达到或超过1 000 m，伴随着开采深度的不断增加，由于开采所诱发的矿山灾害会愈加严重［2］。据不完全统计，2017年我国煤矿发生事故219起，死亡375人［3］，全国非煤矿山发生事故407起，死亡 484人［4］。由此可见，对矿山安全状况进行实时监测，预测矿灾发生的时空位置，尽可能地避免矿山事故的发生，是非常必要的。

矿山地质灾害产生的主要原因是开采工作的进行破坏了岩体原有平衡体系，从而使得某些位置产生了应力集中，进而造成了岩体大规模破坏，具体表现为滑坡、冒顶等动力学灾害。为将矿山灾害扼杀在“摇篮”中，一些工矿企业开始引进微震、GPS等手段，对采场进行实时监测，并结合室内物理试验，试图找到灾害发生的前兆特征，在此基础上利用一些数学方法对采场的稳定性情况进行反演，进而实现灾害预警的目的［5］。但是，由于矿山生产工作具有持续时间长、涉及范围广、工作方式复杂等特征，这使得监测数据具有三大明显特征，即时空离散性、类型多元性和采集动态性［6］，上述方法的使用，虽然在一定程度上实现了灾害的预警，但是其存在的弊端也是十分显著的。首先，从预警计算周期上讲，因监测数据具有采集动态性特征，人为对数据进行采集和处理周期较长，很难发挥出动态监测实时预警的理想化目标；其次，由于监测数据的动态化和多样化特征，使得每日获取的数据量大，对于这种大数据的管理和分析问题，传统的数据管理方法很难胜任；最后，监测数据的时空离散性使得获取的信息在时空尺度上具有显著的不连续性，如何通过已知的信息及时推演出未知时空位置的信息，在此基础上发掘潜在风险区域，进而指导防灾工作的开展及传感器的布设，这些工作都是非常必要的。但是传统的数据分析处理方法很难完成这些工作。上述情况的存在，在一定程度上制约了灾害预警工作的开展。

早在2013年，德国提出了“工业4.0”理念，旨在使工业向网络化、数据化、集成化、智能化的新型工业模式转变［7］。2015年，李克强总理在工作报告中提出了“互联网+”行动计划，目的在于推动云计算、大数据、互联网等与现代制造业融合，以实现工业模式的转型。为响应国家的号召，近些年，互联网、云计算、大数据挖掘等技术高速发展，同时给矿山工业信息化和智能化的发展提供了借鉴和启示［8-9］。王安院士曾指出，基于互联网、大数据、云计算等技术将矿山生产模式向数字智能化的转型是实现矿山工业安全、高效、绿色、可持续发展的必然道路，也是矿山工业未来的发展方向［10］。

云计算是以虚拟化技术为基础，以网络为载体提供基础架构、平台、软件等服务为形式，整合大规模可扩展的计算、存储、数据、应用等分布式计算资源进行协同工作的超级计算模式［11］。云计算技术的发展，突破了传统数据管理和分析方法的局限性，为实现矿山灾害实时监测预警的最终目标提供了坚实的基础。目前国内外已有很多矿山企业及科研单位开发了不同功能的云平台，以达到服务矿山的目的。首先，部分工矿企业本着提高矿山自动化控制程度及生产效率的目的，开发了相应的云平台应用。例如，东曲矿建立了现代化无人值守工业集中控制自动化平台，不仅极大减少了相应岗位人员的数量，而且提高了实际生产效率，达到了事半功倍的效果［12］。丁震建立了矿用卡车巨型轮胎监控系统，达到了延长轮胎使用寿命、降低矿山生产成本、提高安全管理水平的目的［13］。黄丹结合云计算等技术，建立了矿山安全系统工程控制系统，系统地指导了地下矿山的安全生产实践［14］。昝军搭建了矿山设备综合智能预警控制平台，实现了对矿山设备的智能监测、自动控制及安全预警等功能，达到了主要生产环节“减人增安”、“减人增效”的目的［15］。

另外，部分企业本着保护矿山安全生产的原则，设计了一些矿山灾害预警云平台应用，这些平台渗透到矿山生产的各个方面。在煤矿开采瓦斯突出预警方面，WANG、ZHANG等［16-19］利用云计算和大数据处理技术，建立煤矿瓦斯浓度监测预测平台，可实现对煤矿瓦斯的短期预测。在突水、火灾预警方面，李昊旻［20］提出一种可有效预报井下瓦斯事故、火灾事故、水害事故的煤炭安全监测预警云平台，降低安全事故的发生率。YAN、孟磊［9，21］建立了煤矿突水灾害监测预警平台，为突水灾害的监测预警提供技术支持。在空气质量监测评估方面，ZOU［22］设计了一种煤矿粉尘监测云平台，实现了工人的粉尘累积剂量的估算，降低了疾病的风险，保障了工人的安全。JO［23］建立了用于空气质量监测、评估及污染物预测的云平台，可快速评估和预测矿山空气质量，增强矿山环境安全。在尾矿坝灾害监测预警方面，SUN、DONG［24-25］为提高尾矿坝的安全性，基于物联网和云计算的尾矿坝灾害监测预警云平台，实现了对浸润线、蓄水水位和大坝变形的能力的监测和灾害的预警。还有一些企业和学者，用较为综合的方法对矿山的灾害进行监测和预警，如YANG［26］对以往地表稳定性评估的理论和监测方法进行了综述，提出了一种持续的地表稳定性监测控制平台，为矿山的安全开采提供了保障，JO［27］基于云计算和大数据处理技术开发了煤炭开采事故报告监测预警云平台，并在Hassan Kishore煤矿进行了应用，实现了保护煤矿安全的目的。美国国家职业安全与健康研究所（NIOSH）开发设计了地表控制平台（webGC）包含5个与地表设计相关的应用程序，分别为顶板螺栓稳定性分析（analysis of roof bolt stability）、长壁矿柱稳定性分析（analysis of longwall pillar stability）、回采稳定性分析（analysis of retreat mining stability）、高壁采矿回采稳定分析（analysis of retreat mining stability highwall mining）及开采水平应力分析（analysis of horizontal stress in mining），以便于用户通过网络浏览器随时随地访问矿山设计应用程序，实现在现场执行按需计算的目的，在保障生产安全的同时提高工作效率［28］。窦林名结合GIS、云计算等技术，搭建了集微震、应力等监测手段为一体的冲击矿压风险智能判识与多参量监测预警云平台，解决了单一指标预警精确度低的问题，该平台已在山东古城煤矿等13个矿井取得成功应用［29］。Xia提出了一种新的数据聚合策略和模糊综合评价模型，并建立了煤矿灾害监测预警系统，取得了较好的效果［30］。DING［31］为提高煤矿信息化管理水平及安全运行监控技术，结合GIS和云计算等技术，建立了可视化的交互式云平台框架，实现了上下矿井及工作面的实时视频监控，提高了煤矿信息管理水平及生产安全性。

综上所述，云计算技术在矿业领域的应用愈发广泛，在矿山灾害预警方面也已有所研究，但是主要的服务对象为煤矿，且大多是通过现场监测加人工干预处理的方法来实现其灾害预警的目的，很少有以岩石力学理论为基础，利用云计算、大数据处理技术的优点，结合理论计算、实时监测、模拟分析及智能预测为一体，构建矿山灾害实时监测预警云平台。这些平台的设立，在一定程度上，虽然能达到灾害预警的目的，但是其弊端也是十分显著的。首先，理想状态下，监测预警工作应该是实时进行的，而通过人工干预的方法，不但工作量很大，而且很难做到实时监测预警的目的；其次，单从监测数据入手，很难实现时空多维度、跨尺度上的灾害预测。为此，本项目以云计算、大数据处理技术等在矿山上的应用为主线，以保障矿山安全、持续、高效生产为最终目的，提出了一种现场监测和数值模拟相结合（“测—模”结合）的金属矿山采动灾害监测预警云平台，并对该平台的架构及优势进行了详细的介绍，该平台的应用可实现矿山灾害监测预警的目的，为矿山的安全生产提供保障。

1 金属矿山采动灾害监测预警云平台构建

1.1 现场监测和数值模拟相结合矿山灾害监测预警云平台实现原理

目前常用的矿山采动灾害预警方法主要包括现场监测预警法和数值模拟预警法，二者均具有独特的优势，但是也存在不可忽视的缺陷。首先基于现场监测的灾害预警很难认清致灾机理；其次，基于数值模拟的灾害预警虽然能较好地反映致灾机理，但是其边界条件很难把控，无法做到随着开采工作的开展实时动态更新边界条件，以实现实时更新、超前预测［32］。为此有必要将基于现场监测和数值模拟的灾害预警方法相结合，设计一种基于现场监测和数值模拟相结合的灾害预警方法。本项目提出图1所示现场监测和数值模拟相结合的灾害预警方法，主要思路在于将现场监测的结果作为基本信息修正数值模拟的边界条件，并将数值模拟预测预警结果与现场监测结果相互校对，进而在时空维度上对潜在的灾害进行预警，以此为后续灾害防治及传感器的布置工作提供一定的指导，该方法具体的执行思路如下。

（1）矿区三维建模及参数表征。为实现现场监测与数值模拟相结合预警的目的，面向实际矿山的情况，精细化构建与现场相符的数值模型是非常重要的，为此开展一系列前期的准备工作。首先，借助地质勘探和地层测量等手段，获取矿区地质构造、结构产状及各种矿山结构尺寸和分布情况；其次，采用地质取芯钻钻取现场不同岩性的岩心，并对其开展基本物理力学实验，旨在获取其基本物理力学参数及本构关系和破坏准则；再者，利用现场原位测试实验的方法，获取矿区的原位地应力；最后，综合以上信息，结合3Dmine三维建模软件，复现矿山三维模型，为数值模拟的开展奠定基础。

（2）基于现场监测的数值模拟，基于模拟结果的灾害预测，修订监测方案。数值模拟是现场监测和数值模拟相结合预警方法的核心，数值模拟结果一方面可为传感器的布设方案提供参考，诸如将微震传感器布设在应力分布较为集中的高风险工作区域，这样可获得更加丰硕的岩体破裂信息，为准确对灾害进行预警提供坚实的基础；另一方面可以得出矿区应力场、变形场的分布情况，在此基础上可实现灾害预警的目的。数值模拟过程的实施主要是将建立的三维矿山数值模型导入Comsol Multiphysics或RFPA等计算软件中，并结合准备阶段获取的岩体力学参数、岩石的本构关系与破坏准则、原位地应力等条件，确定模型的力学参数及边界条件等信息，在此基础上进行初步模拟，反演出矿区的应力、应变场等的分布特征，以此指导传感器的布设。

传感器布设完毕后，可实时对矿区的稳定性进行监测，在此基础上可基于智能算法对监测数据进行深入挖掘，一方面可开展灾害的预警，另一方面可进行监测数据的预测，并可将实时监测和超前预测数据传入数值模型，用于修正数值模型的边界，即基于现场监测的数值模拟［34］。此外，根据数值模拟的结果可对潜在灾害风险区域进行预测，并进行实时预警，即基于模拟结果的灾害预测，而预测预警结果又可为传感器的布设提供一定的参考，即为基于预测结果的监测方案修订，三者相互联系，构成图2所示反馈系统，为矿山的安全开采提供坚实保障。

现场监测和数值模拟相结合的方法意味着要将数值模拟嵌入到云平台之中，然而由于数值模拟系统过于庞大，且因版权问题，一般不提供嵌入Web端的接口，这使得直接将数值模拟软件迁移至云平台变得不太现实。为解决此问题，本文提出一种“一主+多辅”的平台布置方式，即一个主要的监测预警结果展示平台加上多个辅助模拟计算平台，通过以数据库作为纽带，定时任务作为主要配置方法，实现数值模拟过程和结果展示的分离，从而达成将人为干预向计算机处理转变的目标，尽管模拟需要一定的时间，但是也能基本上实现实时监测预警的目的，具体的方案设计如图3。

结合图3所示平台布置方法，对现场监测和数值模拟相结合的原理进行说明，具体过程如下：

1）定时采集矿山中布置传感器获取的数据，并将采集数据存储至云端数据库（云端服务器）。

2）本地服务器定时从云端数据库中读取监测数据，并通过IO流的方式将数据转存为模拟所需要输入数据的格式，以此实现输入数据的实时更新（本地服务器）。

3）基于matlab的混合仿真技术，借助matlab中的定时函数，定时执行模拟仿真任务，并导出仿真结果（本地服务器）。

4）基于Quartz定时任务框架，自行建立模拟数据定时上传方法，实现模拟结果的定时上传至云端数据库（本地服务器）。

5）定时抓取数值模拟仿真结果，并基于超图等软件实现仿真结果在平台中的复现（云端服务器）。

1.2 平台架构与技术特征

该平台的架构主要可分为基础资源层、数据采集层、数据传输层、数据存储层、数据处理层、应用展示层及灾害预警层，如图4所示。现场监测和数值模拟结合下矿山灾害预警云平台采用物联网、HTTP超文本传输协议等技术，对矿山监测数据进行实时提取，并在云端对数据进行数值分析和模拟仿真，在此基础上对矿山的潜在灾害进行时空预警，以达到潜在灾害及时防治及确保采矿生产安全的目的。

（1）基础资源层。如图4所示，该层为平台建设的一些基础条件，包括一些硬件设施和软件系统。其中，硬件设施包括服务器、传感器等，是平台搭建的基础。软件系统主要包括一些数据监测、分析系统及可视化系统，为数据的提取、传输、分析、展示等操作提供技术支持，该层的存在为其他层的设计及正常运行提供了前提保障。

（2）数据采集层。数据采集层主要用于对数据的采集，包括矿山环境数据、设备状态数据、实时监测数据及数值模拟数据，这些采集数据是矿山稳定性评估的关键性因素。不同的数据分别发挥着各自的作用。如矿山环境数据主要用于构建矿山三维可视化模型及数值模型；设备状态数据主要用于判断监测设备的运行状态，为监测设备的正常工作提供保障；实时监测数据主要用于作为数值模拟的输入、矫正数值模拟结果及通过数值分析的方法对矿山的安全性进行定量的评估；数值模拟结果主要用于展示矿山时空维度上应力场、应变场等信息，并对潜在风险区域进行判定。

（3）数据传输层。该层主要起到通信的作用，即将采集得到的数据传递到云端数据库，由于采集数据设备的差异使得数据的传输方式也存在差异，对于矿山实时监测数据，主要通过工业有线网络及4G/5G网络实现数据的传输，而对于数值模拟结果的入库主要通过Http协议数据传输。

（4）数据存储层。数据储存层主要对数据进行云端储存，包括操作、监测相关的基础数据，还包括部分矿山灾害案例数据。数据采集层中得到的数据均会存储至该层，且该层为连接云端服务器和计算专用服务器的纽带，是实现现场监测和数值模拟相结合灾害监测预警方法的重要组成部分。

（5）数据处理层。数据处理层主要对数据存储层中的监测数据进一步地分析处理。并在分析处理后，根据平台用户的需求，提取并输出有价值的数据，以便于做出更加合理的决策，以确保矿山生产的安全。该层中主要涉及到一些数据处理的方法，如基本的数据处理及预测算法、稳定性评估算法、数值模拟法等。基本的数据处理及预测算法主要涉及到分类识别算法、数理统计法及预测算法。其中，分类识别算法主要的目的在于对岩体的类型进行分类，为数值模型岩体参数的确定提供依据。数理统计法主要是对诸如微震等动态变化性强的数据进行一个汇总，以便于向用户更清晰地展示出监测结果；预测算法主要是借助深度学习中的一些智能算法，以监测数据为基础，对应力或者位移等数据进行一个短期的预测，得到超前监测数据，在此基础上以实时监测数据和超前监测数据为研究对象，通过设定阈值的方式，对灾害进行实时、超前预测。稳定性评估算法主要包括理论评价模型、经验评价模型及一些基于数值分析的稳定性评价算法。通过借助这些算法，可实现对矿山稳定性进行综合的评估。数值模拟算法主要是将现场监测数据和超前预测数据嵌入数值模型，动态修改模型边界，在此基础上对矿山整体的应力场、应变场、损伤场等进行反演，便于从时、空两维度上对潜在灾害进行预测。数值模拟算法的主要流程及预期效果如图5所示。

（6）应用展示层。该层主要借助于Unity3d，SuperMap以及Baidu开源组件Echarts等对数据分析层中得到的结果在移动端、PC端等展示设备上进行直观的展示，以便于用户清晰地了解矿山生产的安全情况。

（7）灾害预警层。灾害预警层主要依赖数据处理层中的结果，对灾害进行预测和预警。该工作主要分为灾害实时预警和灾害超前预测两大部分，分别采用基于实时监测与数值模拟的灾害实时预警方法和基于数据挖掘与数值模拟的灾害超前预测方法（图1）。实时预警结果可为矿山紧急避难提供技术支持，超前预测可为矿山减灾防灾提供技术指导。此外该层的结果还可为传感器的布设、数值模型边界的修订提供重要依据，从而实现图2所示“基于现场监测的数值模拟”，“基于模拟结果的灾害预测”，“基于预测结果的监测方案修订”的循环反馈关系，以实现预测预警结果具有准确性、实时性、实用性的目标，保障金属矿山开采工作的安全有序开展。

2 平台应用与讨论

2.1 平台概览

依据上述平台设计架构，基于Spring Boot框架搭建现场监测和数值模拟结合下的矿山灾害监测预警云平台，如图6所示。目前平台包括三大部分，左侧为矿山灾害预警模块，主要为不同算法下矿山灾害的预警信息，可便于管理人员清楚地了解工作的安全状况；中间为地质力学信息展示模块，是一个基于SuperMap的矿山地质及力学情况观测窗口，可实现监测结果和数值模拟结果的可视化，为专家对矿山稳定性的分析提供便利；右侧监测信息可视化查询模块，其中包括监测数据及监测设备的运行情况，可用于查询矿山生产过程中监测数据的演化情况，为矿山稳定性的判断及稳定性分析方法的确定提供依据。

2.2 岩体破坏失稳及预警模块

在平台中嵌入模糊综合评价法、Mathew稳定图表法、位移时间斜率法等算法［34］，对矿山的稳定性进行评估。该模块只是评估结果的展示，在系统后台可对评估算法进行查看（图7），通过这些算法综合处理后，可对矿山的稳定性进行较为综合的评价，并在此基础上及时发出预警信息，以确保矿山开采工作的安全开展。

这里以模糊综合评价算法为例，对该模块的执行流程进行详细的介绍，算法的执行流程如图8所示，详细的执行过程如下：

（1）风险分级指标集标准的确定。该算法执行时，确定监测指标的分级标准是十分必要的，分级标准的确定采用工程类比法和专家评判法来确定，部分矿山采动灾害风险评价指标及其风险分级标准如图8所示。

（2）采集数据隶属度的计算。简单来讲，隶属度即为采集数据与某一风险等级的贴近度，根据确定指标类型的差异，可将指标分为正相关性指标（风险等级和监测值大小呈正相关，如地表累计变形量）和负相关性指标（风险等级和监测值大小呈负相关，如RQD值），此外，由于指标取值范围的差异，隶属度的计算包括3种情况，即计算左边界值的隶属度、右边界值的隶属度和中间值的隶属度，因此，隶属度的计算要分为6种情况，具体的隶属度计算法则见图8，结合评价指标隶属于不同风险等级的隶属度，进而可得到隶属度模糊矩阵。

（3）指标权重集的计算。权重集即为各评价指标对评价结果的影响程度，这里主要采用层次分析法来进行权重的计算，主要分为4个步骤（图8），第一，将矿山采动灾害风险预定目标视为目标层，将确定的各指标视为准则层，将实现目标可供选择的各种措施方案视为方案层，在此基础上构建结构层次体系；第二，采用专家打分和Saaty相结合的方法，构建表征同一层次中不同因素重要程度的判断矩阵；第三，引入一致性指标CI并查询评价随机一致性指标RI，在此基础上对判断矩阵进行一致化检验，具体计算公式如下：

式中，λmax为判断矩阵的最大特征值；n为判断矩阵的阶数；CR为判断矩阵的一致性比例，当CR<0.1时，可接受判断矩阵的一致性；最后，依次计算结构层次体系中各因素相对于目标层的合成权重，若不满足CR<0.1则重新对矩阵进行调整，直至全部满足要求，在此基础上得到权重集。

（4）将隶属度和权重集相乘，得到相应的风险等级，并根据风险等级，进行相应的预警（图9）。

2.3 地质力学信息展示模块

为了对矿山的地质及力学特征进行直观的展现，基于矿山实测数据，采用SuperMap软件，建立矿山的三维模型［33］，同时接收基于监测数据的数值结果［36-37］，并在前端页面中对结果进行展示（图10），从而达到“测—模”结合下采场力学情况展示的目的。在此基础上，用户可清晰地观察到矿山的应力场、应变场及损伤场特征，为矿山时空尺度上灾害的预测提供前提条件，同时为灾害的防治及传感器的布设提供一定的参考，以实现安全生产的最终目的。

2.4 监测信息可视化查询模块

为了解开采过程中矿山的稳定性情况，需要对矿山的开采过程进行监测，监测设备的差异使得监测数据的获取方式不尽相同，项目组之前已对各种数据的获取方式进行了详细的说明，这里不再赘述［35］。监测信息可视化查询模块主要是对矿山采集的数据进行实时的展示，如图6中右栏所示。用户收到预警消息时，可对监测信息进行查询，并以此判断预警消息的可靠性，同时也可在后台对采集数据进行查看和导出（图11），在一定程度上可为矿山的安全生产提供保障。

3 结 论

以云计算、大数据处理等技术在矿山上的应用为主线，以保障矿山安全、持续、高效生产为最终目的，进行了矿山灾害监测预警数据分析及“云”技术在矿山上应用的简要综述，分析了目前已有云平台潜在的一些问题，并在此基础上提出了一种现场监测和数值模拟相结合的矿山灾害监测预警云平台，主要得出以下结论：

（1）矿山灾害监测数据具有离散化、多元化及动态化的特征，这使得传统的数据管理和分析方法不再适用，云计算成为矿山灾害监测预警的必要手段。

（2）虽然云计算在矿业领域应用愈发广泛，但在矿山灾害预警方面应用较少，且均很难实现实时监测预警的理想状态，具有一定的弊端。

（3）以数据库为纽带，定时任务为核心方法，提出一种“一主+多辅”的平台布置方式，构建了现场监测和数值模拟相结合下的矿山灾害监测预警云平台，并对其架构及技术指标进行了详细的叙述，该平台可实现时空多维度灾害的预测，为灾害的防治及传感器的布设提供一定的参考，以实现安全生产的最终目的。

（4）虽然目前平台可实现矿山灾害较为综合的预警，但是目前矿山稳定性评估算法及失稳预测算法比较有限，开发更多的算法，以实现矿山灾害更为综合全面的预警，还需深入探索。