桦树沟铜矿智能微震监测系统及其应用研究

田宏海，王东华，刘晓明，马延平，王云飞，黄艳伟

(1.甘肃镜铁山矿业有限公司，甘肃 张掖 735101；2.长沙迪迈数码科技股份有限公司，湖南 长沙 410083；3.长沙施玛特迈科技有限公司，湖南 长沙 410083)

0 引 言

随着多年的资源开采，我国矿产资源大部分已经转向地下开采，且开采深度逐年增加。目前，金属矿山的开采深度集中在1 000 m左右，还有部分矿山正在向着1 500 m的深度进行开采[1]。开采深度的升高，导致由于开采活动而诱发的如岩爆等岩体灾害频发，严重影响到了矿山的安全生产[2]。为应对矿山频发的岩体灾害，国内外专家学者研发了多种方法与技术，微震监测技术是其中较为有效的手段之一[3]。

微震监测起源于南非研究人员对于岩石声发射现象与岩爆灾害相关性的研究，该项研究证明了利用岩体中的振动波实现对岩体灾害的预警存在可行性。在此基础上，国外多个矿山开始借助于地震台网对矿震展开监测，并进行岩体灾害预警研究。随后，国外开始正式开发用于矿山微震监测的硬件系统与软件系统，如南非ISS微震监测系统、加拿大ESG微震监测系统、波兰SOS微震监测系统等，并得到广泛应用[4]。我国则是于20世纪初才引入微震监测技术与系统，唐礼忠等[5]率先在冬瓜山铜矿引入南非ISS微震监测系统；李庶林等[6]也较早地在凡口铅锌矿建立了微震监测系统，并多次进行了灾害预警和灾害分析；赵兴东等[7]为应对红透山铜矿频发的岩爆等地压灾害，于红透山铜矿引进了ISS微震监测系统；2010年后，国内大宝山矿[8]、岭南金矿[9]和用沙坝矿[10]等纷纷引入并建立了微震监测系统。相关微震技术在国内得到长足发展后，国内自主研发的微震监测系统也不断涌现。其中，在矿山领域应用较为广泛的包括中南大学、长沙迪迈数码科技股份有限公司联合研发的MicroSeis微震监测系统[11]、中科院武汉岩土所与湖北海震科创技术有限公司联合开发的SSS微震监测系统[12]等。

镜铁山桦树沟铜矿矿区内构造复杂，发育有三组断层，矿山岩体结构完整，岩石强度高，受三组断裂构造的影响，开采过程中易发生矿山工程地质问题，巷道内片帮冒顶灾害频发，矿山生产安全受到极大威胁。因此，镜铁山桦树沟铜矿联合中南大学、长沙迪迈数码科技股份有限公司和长沙施玛特迈科技有限公司，引入MicroSeis微震监测系统，并在应用过程中开展智能化数据处理与分析研究，根据矿山生产实况，形成一套有效可靠的灾害预警方法。

1 工程概况

桦树沟铜矿矿区距酒泉市60 km，行政区划隶属甘肃省肃南裕固族自治县祁丰区管辖，嘉峪关市绿化火车站至矿山有火车专用线相通，行程78 km，交通便利。矿区位于祁连山褶皱系北祁连加里东褶皱带西段，东西长2.5 km，南北宽0.8～1 km。矿区为一复式向斜构造，走向130°～310°，自东向西倾伏，倾伏角10°～15°，局部可达28°，含铜矿带赋存于主向斜北翼FeI矿体下部及下盘蚀变千枚岩中。

勘探区范围内有CuⅠ、CuⅡ两个主矿体，其中，CuⅠ矿体赋存于含铁碧玉岩及铁矿体中，呈隐伏-半隐伏状产出，最大水平长度为416.50 m，矿体最大厚度35.07 m，最小厚度1.00 m，平均厚度为8.36 m，厚度变化系数94.05%，属厚度较稳定矿体；CuⅡ矿体赋存于蚀变千枚岩中，控制最大厚度为18.17 m，最小厚度为0.57 m，平均厚度为3.52 m，厚度变化系数104.68%，属厚度变化较均匀的矿体。铜矿体品位变化较均匀，厚度较稳定，形态较简单。

矿区为一套杂色浅变质千枚岩夹白色石英岩及透镜状灰岩、白云岩，矿体的主要围岩属于浅结晶变质的块状岩类，矿区地形坡陡岭峻，地形有利于自然排水。褶皱、断裂是矿区构造复杂的主要表现，断层发育有三组，一组为平行褶皱轴向的压性断层；二组为北西西向压扭性断层；三组为以北北东、北北西向张扭性断层。岩体结构完整，岩石强度高，稳定性好，受断裂构造影响，局部地段易发生矿山工程地质问题，巷道内片帮冒顶灾害频发。

2 微震监测系统

2.1 MicroSeis微震监测系统架构

MicroSeis微震监测系统是由长沙迪迈数码科技股份有限公司、中南大学和长沙施玛特迈科技有限公司联合研发的基于工业互联、云计算及人工智能等信息技术的新一代微震监测系统。其系统架构如图1所示，主要包含采集终端(传感器、采集分站及信号基站等)、微震云平台(地表服务器、授时系统、云服务器等)和软件服务端(微震数据查询与下载、三维可视化、数据处理与分析等)等。

图1 MicroSeis微震监测系统架构示意图Fig.1 Architecture of MicroSeis microseismicmonitoring system

2.2 镜铁山桦树沟铜矿微震监测系统构建

根据桦树沟铜矿矿区地质条件、采空区分布情况和岩石力学特征设计并建设一套多通道微震监测系统(总通道数32通道)，实现对井下铜矿2 700 m水平至2 820 m水平采空区地压活动实时在线监测，同时兼顾铜矿采空区至上盘V矿体的地压活动情况。

镜铁山桦树沟铜矿微震监测监测台网如图2所示，分别在桦树沟铜矿区2 820 m中段、2 760 m中段、2 700 m中段和2 640 m中段布置监测点和监测分站，其中，2 820 m中段设1台微震监测分站、6个监测点、6通道；2 760 m中段设1台微震监测分站、10个监测点、10通道；2 700 m中段设1台微震监测分站、13个监测点、13通道；2 640 m中段设1台微震监测分站、3个监测点、3通道，微震监测共计4台基站32通道。

图2 镜铁山桦树沟铜矿微震监测台网布置示意图Fig.2 Arrangement of microseismic monitoring network in Huashugou copper mine,Jingtieshan

2.3 微震定位精度验证

为了准确获取桦树沟铜矿微震监测系统的定位精度，需要通过在监测区域内进行主动爆破获得主动震源被微震监测系统感应到，并进行爆破震源定位，而爆破震源是预先设计的，即震源已知。至少选择3个具有代表性的爆破点，震源传播路径覆盖监测区域内岩体，通过系统定位出3个人工爆破震源坐标。通过比较人工震源实测坐标和系统定位坐标，确定系统定位误差水平。

为验证微震定位精度和修正岩体波速，桦树沟铜矿分别在3个实验点进行爆破定位测试，这3个实验点分别是爆破测试点1(11 906.672，8 977.055，2 788.251)、爆破测试点2(12 068.360，8 819.586，2 703.783)及爆破测试点3(12 111.837，8 714.107，2 649.087)。基于爆破测试的定位精度验证实验结果见表1～表3。

表1 爆破测试点1实验结果Table 1 Results of blasting test point 1

表2 爆破测试点2实验结果Table 2 Results of blasting test point 2

表3 爆破测试点3实验结果Table 3 Results of blasting test point 3

3 微震数据智能处理

矿山开采环境中的振动信号纷繁复杂，其中，包括因岩体破裂产生的微震信号、因爆破产生的爆破振动，还有诸如电磁干扰、机械振动等干扰信号。如图3所示，因系统采用了高灵敏度的加速度传感器，镜铁山桦树沟铜矿自2020年12月2日正式投入使用，一个月内微震系统共触发采集了10 371个记录，平均334.5个/d。针对这些数据需要投入大量的人力和时间去将微震事件辨别出来，并进行降噪、初至拾取、定位及计算震源参数，人工处理过程极大地迟滞了微震监测预警的时效性，十分不利于矿山生产安全管控。

图3 2020年12月镜铁山桦树沟铜矿微震系统记录统计Fig.3 Microseismic records and statistics of Huashugoucopper mine in December 2020

因此，镜铁山桦树沟铜矿采用了一套基于深度学习技术的微震数据智能处理技术。该智能处理流程主要包括微震事件自动识别、初至窗口快速提取、初至智能拾取。图4为该数据智能处理算法流程示意图，包含了三个深度学习网络，其流程包括：通过将触发的微震记录转化为11×50的特征矩阵，以特征矩阵为输入，代入第一个微震记录自动分类深度网络，判断出微震记录中的微震事件[13]；识别为微震事件的微震记录，将波形像素化为500×500的二维矩阵，利用Faster RCNN网络在二维矩阵中识别出微震事件主体波形的位置，形成微震事件波形的局部窗口[14]；在微震事件波形的局部窗口中利用序列卷积神经网络实现直接在波形上拾取该事件的初至[15]，为后续的定位及震源参数的计算提供基础。

图4 微震数据智能处理流程与网络架构Fig.4 Intelligent processing process and network architecture of microseismic data

4 岩体灾害预警方法

基于微震监测技术的岩体灾害预警需要关注相关工作面或巷道附近的微震活动，再通过计算震源参数来推测微震活动发展趋势，从而实现对岩体状态的实时监测。但是，微震监测系统往往是全区域采集数据，矿山的微震数据都同时被采集，很难判断哪些数据对应哪些工作面或巷道。因此，利用微震事件预警岩体灾害需要依照下列流程：①计算每个微震事件的震源参数，如位置、震级、能量等；②根据某个震源参数对微震事件进行聚类分析，一般采用震源位置；③在聚类分析的基础上统计分析各个区域的微震活动；④依据统计分析判断各个区域的危险程度，判断灾害前兆，进行预警。

4.1 微震事件聚类分析

图5为桦树沟铜矿微震监测系统2020年12月2日—2021年1月22日之间采集到的微震事件。由图5可知，这些数据分布散乱且广泛，仅仅依靠这些数据很难进行下一步分析，因此需要进行聚类分析，找出微震活动的主要区域，针对各个区域进行监测预警。

图5 2020年12月2日—2021年1月22日桦树沟铜矿的微震活动Fig.5 Microseismic acts in Huashugou copper minefrom December 2,2020 to January 22,2021

聚类分析是指将散乱的数据自动划分成几类的方法，属于无监督学习方法，这个方法要保证同一类的数据有相似的特征，不同区域的微震活动最相似的特征便是空间分布，因此，可以根据这些微震事件的震源位置进行聚类。K-means算法对于三维欧氏空间中的点进行聚类十分有效，利用该算法进行位置事件聚类分析，该算法是根据函数准则进行分类的聚类算法，基于使聚类准则函数最小化。聚类准则函数是监测区域中每一个微震事件到该区域中心的距离平方和。对所有M个监测区域的准则函数定义公式见式(1)。

(1)

式中：Sj为第j个监测区域；Zj为监测区域中心为；Nj为第j个监测区域Sj中所包含的微震事件。

K-means算法的聚类准则为选择一个监测区域中心Zk令准则函数K极小，也就是使Kk的值极小，可得式(2)。

(2)

设共有N个微震事件，计算步骤如下所述。

1) 任选M个初始监测区域中心Z1(1)，Z2(1)，…，ZM(1)，M

2) 按照最短距离原则将剩余微震事件分配到M个监测区域中心中的某一个，即式(3)。

min{‖X-Zi(m)‖j=1,2,…，M}=

‖X-Zk(m)‖,Xi∈Sk

(3)

式中，m为迭代运算的次序号。

3) 计算各个监测区域中心的新向量值，即以均值向量作为新的监测区域中心，见式(4)。

Zk(m+1),k=1,2，…,M

(4)

4) 如果Zk(m+1)≠Zk(m)，j=1，2，…，M，则回到步骤2)，将微震事件逐个重新划分监测区域，并重复迭代计算，反之，算法收敛，计算完毕。

按照上述流程，对桦树沟铜矿微震事件进行聚类分析，可以将该矿分为5个监测区域，聚类分析后的分区结果如图6所示。

图6 桦树沟铜矿微震事件聚类分析结果Fig.6 Clustering analysis results of microseismic events in Huashugou copper mine

4.2 分区监测统计分析

对各个监测分析的微震活动进行统计分析可以用于岩体灾害预警，在实际生产过程中，可以有效反应岩体内部状态的微震参数主要有微震事件日频数、微震事件累积数目、βn分布及累积能量释放变化CUFIT模型。其中，微震事件日频数和微震事件累积数目是较为简单和直观的参数，图7为桦树沟铜矿5个监测分区各自的微震事件频数和累积数的统计图。

图7 桦树沟铜矿5个监测分区各自的微震事件日频数和微震事件累积数Fig.7 Daily frequency and cumulative number of microseismic events in Huashugou copper mine

βn分布及累积能量释放变化CUFIT模型则是较为复杂的统计分析手段，由郭晓强等[16]引入微震监测领域，引入统计量βn(t,Δt)，描述非齐次泊松过程中子区间[t-Δt,t]和过程的其余部分之间微震活动速率的差异程度，t为子区间的结束时间，Δt为子区间的时间长度，βn的表达式见式(7)。

(7)

式中：n(t,Δt)为子区间[t-Δt,t]中的微震次数；N为[0，T]区间中的微震总数。

实际上，式(7)已将区间[0，T]归一化为区间[0，1]，则Δt必定小于1，βn值直接反应时间区间内微震活动率的变化，βn值越高、微震活动率越大，由微震诱发灾害可能性越大。

累积能量释放变化CUFIT模型是首先定义累积能量释放与平均值差值的累积过程，见式(8)。

(8)

然后用最小二乘法作回归得到一条对CUSUM曲线拟合的直线，再求其累积拟合差值(CUFIT)，每增加一个微震事件都进行一次新的回归值计算，用式(9)计算CUFIT。

CUFIT=CUSUMi-(ai-1-bi-1i)

(9)

式中：ai-1-bi-1i为对CUSUMi-1之前所有数据作拟合的趋势项；CUFIT值等于0，表示某时间区间内微震能量的平均水平。

4.3 分区岩体灾害预警

综上所述，通过对桦树沟微震监测系统监测的微震事件进行聚类分析和统计分析，可以进行岩体灾害的预警。其预警的主要依据是通过微震事件日频和累积变化判断该监测区域风险程度，再针对高风险的监测区域进行βn分布及累积能量释放变化CUFIT模型的计算，βn分布分布值大于0时系统发出预警，累积能量释放变化CUFIT模型明显高于0时系统发出预警。

5 应用案例

根据分析结果，镜铁山桦树沟铜矿通过聚类分析可以分为5个主要监测区域：分区一为2 760 m中段整体；分区二为2 640 m中段铜矿尖灭与铁矿交界处；分区三为2 700 m中段与2 760 m中段中的两个矿体交界的围岩；分区四为2 700 m中段的11号采场～13号采场；分区五则是2 820 m中段的采空区。图7为桦树沟铜矿五个监测分区2020年12月2日—2021年1月22日之间的微震事件数量统计。由图7可知，分区四的微震活动性最强，是最值得关注的区域。

对分区四进行统计分析，其βn分布及累积能量释放变化CUFIT模型分别如图8和图9所示。由图8可知， 根据βn分布， 12月9日发布预警， 12月21日预警解除。由图9可知，根据CUFIT模型，12月12日发布预警，12月20日预警解除。因此，根据最新的微震事件位置得到：2 700 m中段西2探矿巷的3#传感器和5#传感器之间及6#传感器采场附近巷道有可能发生地压灾害，西3探矿巷5采场区域内有可能发生地压灾害，应及时处理浮石，必要时进行支护。 根据实际情况，在预警时间和位置内的确发生了片帮和冒落灾害，实拍图如图10所示。

图8 桦树沟铜矿分区四βn分布Fig.8 Distribution of βn of the fourth division in Huashugou copper mine

图9 桦树沟铜矿分区四CUFIT模型Fig.9 CUFIT model of the fourth division in Huashugou copper mine

图10 预警期间发生的地压灾害事件Fig.10 Ground pressure disaster during the early warning

6 结 论

1) 桦树沟铜矿微震监测系统经过爆破测试验证，定位精度均在10 m以内，表明系统软硬件具备较高的可靠性，可以用于地压灾害的预警。

2) 桦树沟铜矿微震监测系统采用了基于深度学习的智能化数据处理与分析方法，实现了微震数据的实时高精度处理与分析，保证了地压灾害预警的时效性。

3) 通过聚类分析划分桦树沟铜矿微震监测分区，实现对各个分区的重点监测，同时，依靠微震事件日频数、微震事件累积数目、βn分布及累积能量释放变化CUFIT模型等预警参数与方法成功的对地压灾害实现了预警，有力保障了矿山的生产安全。