CN117745466A - 一种尾矿库数智运维*** - Google Patents
一种尾矿库数智运维*** Download PDFInfo
- Publication number
- CN117745466A CN117745466A CN202410191102.XA CN202410191102A CN117745466A CN 117745466 A CN117745466 A CN 117745466A CN 202410191102 A CN202410191102 A CN 202410191102A CN 117745466 A CN117745466 A CN 117745466A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- module
- dimensional
- stability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 28
- 238000013499 data model Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 238000005553 drilling Methods 0.000 claims description 37
- 239000002689 soil Substances 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000003912 environmental pollution Methods 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 24
- 230000015572 biosynthetic process Effects 0.000 description 21
- 238000005755 formation reaction Methods 0.000 description 21
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及岩土工程数字化技术领域,尤其是涉及一种尾矿库数智运维***,所述***包括:数据采集模块、数据模型模块、AI计算模块、预判预警模块、AI优化模块和数据中心;数据采集模块用于采集尾矿库建设区的基础数据并存入所述数据中心;数据模型模块用于构建三维地质模型及尾矿堆积体模型;AI计算模块用于计算污染等级以及尾矿堆积体的稳定性;预判预警模块用于进行污染预警和稳定性预警;AI优化模块用于获取尾矿堆积体的最佳排放方式并输出;数据中心用于接收各模块产生的数据并实现模块间的信息交互。本发明对尾矿库的运维具有较好的辅助作用,能够对尾矿坝运营过程中坝体稳定性和周边环境的污染程度进行判定预警,并给出较好的尾矿排放方式。
Description
技术领域
本发明涉及岩土工程数字化技术领域,尤其是涉及一种尾矿库数智运维***。
背景技术
尾矿库是矿产资源开发加工过程中用于存储尾砂及其他工业废渣的场所,一般用于尾矿中存留矿物成分的再回收、水资源循环利用。尾矿库作为堆存和处理尾矿的场所,尾矿的大量存储会逐渐使尾矿库坝体结构失稳而引发快速泥石流,进而造成大规模的破坏,而且由于尾矿通常含有大量重金属,尾矿库所在区域的自然环境也通常会遭到较大程度的污染。因此尾矿库的运行和维护对于矿业生产和环境保护具有重大的实际意义。
然而,在尾矿库的运维过程中,坝体的整体稳定性验算及预警、对周边环境的污染程度判定、堆积过程的堆积方案优化均由人工完成,目前尚无辅助***进行替代,这就降低了尾矿库的运维效率,不利于降低尾矿坝运营过程中的安全隐患和保护尾矿库四周的自然环境。因此,需要开发一种智能化的尾矿运维***来辅助相关工作人员来完成对尾矿库的运维。
发明内容
针对现有技术中的缺陷,本发明提供一种尾矿库数智运维***。
为了实现上述目的,本发明提供了一种尾矿库数智运维***,所述***包括:数据采集模块、数据模型模块、AI计算模块、预判预警模块、AI优化模块和数据中心;所述数据采集模块用于采集尾矿库建设区的基础数据,并将所述基础数据存入所述数据中心;所述数据模型模块根据所述基础数据构建尾矿库建设区的三维地质模型及尾矿堆积体模型;所述AI计算模块用于在所述数据模型模块的基础上计算尾矿库建设区的污染等级以及尾矿堆积体的稳定性;所述预判预警模块利用所述污染等级进行污染预警,并根据所述稳定性进行稳定性预警;所述AI优化模块用于在所述数据模型模块和所述预判预警模块的基础上,根据设定的优化尾矿堆积体模型分析所述尾矿堆积体的最佳排放方式并输出;所述数据中心用于接收和储存各个模块产生的数据,并实现个各个模块之间的信息共享。本发明对尾矿库的运维具有较好的辅助作用,能够对尾矿坝运营过程中坝体稳定性和周边环境的污染程度进行判定预警,并给出较好的尾矿排放方式。
可选地,所述基础数据包括尾矿库建设区的地形地貌数据、地质调查数据、钻孔数据、勘探线剖面图、地球物理数据、水文数据、尾矿堆积体数据和环境数据。
可选地,所述数据模型模块包括:
二维钻孔生成子模块,所述二维钻孔生成子模块用于生成构建所述三维地质模型所需的二维钻孔数据;
二维剖面图生成子模块,所述二维剖面图生成子模块用于生成构建所述三维地质模型所需的二维剖面数据;
地质平面图生成子模块,所述地质平面图生成子模块用于生成构建所述三维地质模型所需的地质平面图;
等高线数据生成子模块,所述等高线数据生成子模块用于生成构建所述三维地质模型所需的等高线数据;
三维钻孔生成子模块,所述三维钻孔生成子模块用于生成构建所述三维地质模型所需的三维钻孔数据;
三维剖面图生成子模块,所述三维剖面图生成子模块用于生成构建所述三维地质模型所需的三维剖面数据;
地质轮廓生成子模块,所述地质轮廓生成子模块用于生成构建所述三维地质模型所需的地质三维轮廓;
地质模型生成子模块,所述地质模型生成子模块根据所述钻孔数据对所述地质三维轮廓进行补充,得到所述三维地质模型;
尾矿堆积体模型生成子模块,所述尾矿堆积体模型生成子模块用于构建所述尾矿堆积体模型;
中介者子模块,所述中介者子模块用于实现所述数据模型模块中除所述尾矿堆积体模型生成子模块之外的其他子模块之间的数据交互,进而实现二维数据与三维数据的数据同步。
进一步的,利用中介者子模块实现所述数据模型模块中除所述尾矿堆积体模型生成子模块之外的其他子模块之间的数据交互,实现各个子模块之间的低耦合集成,简化不同地质数据对象之间的交互逻辑,大幅减少不同子模块之间的耦合性,提升构建三维地质模型的效率。
可选地,所述地质模型生成子模块中包含一种用于生成所述三维地质模型的第一计算机存储介质,所述第一计算机存储介质中储存有第一种计算机程序,所述第一种计算机程序运行时执行如下步骤:
构建用于判断不同钻孔所揭露的地层分界点之间连接方式的连层遗传基因算法模型;
根据所述连层遗传基因算法模型对所述地质三维轮廓进行补充,进而建立三维地质模型。
进一步的,通过对地质三维轮廓进行补充来建立三维地质模型,避免了先形成模型后再对模型进行逐步修正,提升了建模效率和质量,并实现了正向构建三维地质模型。
可选地,所述构建用于判断不同钻孔所揭露的地层分界点之间连接方式的连层遗传基因算法模型包括如下步骤:
根据所有可能的地层分界点之间连接方式随机生成染色体,生成初始种群;
评估所述初始种群中各个个体的适应度;
基于设置的最大进化迭代数以及所述适应度依次对种群进行选择、交叉和变异运算,并将具有最大适应度的个体输出。
可选地,所述根据所述连层遗传基因算法模型对所述地质三维轮廓进行补充,进而建立三维地质模型包括如下步骤:
利用所述连层遗传基因算法模型获取不同钻孔所揭露的地层分界点之间的最佳连接方式;
根据所述最佳连接方式将不同钻孔所揭露的地层分界点连接起来以对所述地质三维轮廓进行补充,进而建立三维地质模型。
进一步的,通过连层遗传基因算法模型来寻找不同钻孔所揭露的地层分界点之间的最佳连接方案,进而提升三维地质模型的准确性和可靠性。
可选地,所述AI计算模块中包含一种用于计算所述尾矿堆积体的稳定性的第二计算机存储介质,所述第二计算机存储介质中储存有第二种计算机程序,所述第二种计算机程序运行时执行如下步骤:
根据所述三维地质模型、所述尾矿堆积体模型和所述基础数据,使用FLAC程序和稳定性计算模型获取所述尾矿堆积体的稳定性;
依据所述基础数据和所述稳定性,使用GWO-SVM模型判断所述污染等级。
进一步的,一方面使用三维地质模型、所述尾矿堆积体模型和FLAC程序对尾矿库建设区坝体稳定性进行定性评估,另一方面使用稳定性计算模型对尾矿库建设区坝体稳定性进行定量评估,两相对比提高稳定性结果准确性和可靠性。
可选地,所述预判预警模块运行时具体执行如下步骤:
在所述稳定性小于稳定性阈值时发出稳定性预警;
在所述污染等级不小于环境污染等级阈值时发出污染预警。
进一步的,实时计算得到污染等级和稳定性并及时发出警报,有利于相关人员及时采取防范措施,降低安全隐患。
可选地,所述稳定性计算模型满足如下关系:
其中,S为所述尾矿堆积体的稳定性,为所述尾矿堆积体中第i条土条的重力,/>为第i条土条滑动面中点与土条滑动面所对应的圆心的连线同竖直线的夹角值,/>为第i条土条底面的有效黏聚力,/>为第i条土条与第i+1条土条之间的力矩关联系数,n为土条总条数,/>为第i条土条的粘聚力,/>为第i条土条沿滑动面的长度。
进一步的,该稳定性计算模型通过力矩关联系数考虑了土条之间的相互作用,在一定程度上提高了计算结果的准确性和可靠性。
可选地,所述AI优化模块中包含一种用于分析所述尾矿堆积体适宜的排放方式的第三计算机存储介质,所述第三计算机存储介质中储存有第三种计算机程序,所述第三种计算机程序运行时执行如下步骤:
基于多个设定的所述优化尾矿堆积体模型,使用所述AI计算模块获取稳定性预测值和污染等级预测值;
当所述稳定性预测值小于所述稳定性阈值且污染等级预测值小于所述环境污染等级阈值时,将所述稳定性预测值、污染等级预测值以及相应的最佳排放方式输出。
进一步的,通过AI优化模块来得到尾矿堆积体的稳定性较高并且污染等级较低的排放方式,进而降低尾矿库建设区的安全隐患和环境污染。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本发明实施例的一种尾矿库数智运维***框架示意图;
图2为本发明实施例的数据模型模块框架示意图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。
需要提前说明的是,在一个可选的实施例当中,除了做出独立的说明之外,其它的在所有公式中出现的相同的符号或字母带表的含义和数值相同。
在一个可选的实施例当中,请参见图1,本发明提供了一种尾矿库数智运维***,所述***包括数据采集模块A1、数据模型模块A3、AI计算模块A4、预判预警模块A5、AI优化模块A6和数据中心A2。
所述数据采集模块A1用于采集尾矿库建设区的基础数据,并将所述基础数据存入所述数据中心A2;所述数据模型模块A3根据所述基础数据构建尾矿库建设区的三维地质模型及尾矿堆积体模型;所述AI计算模块A4用于在所述数据模型模块A3的基础上计算尾矿库建设区的污染等级以及尾矿堆积体的稳定性;所述预判预警模块A5利用所述污染等级进行污染预警,并根据所述稳定性进行稳定性预警;所述AI优化模块A6用于在所述数据模型模块和所述预判预警模块的基础上,根据设定的所述尾矿堆积体的排放方式分析所述尾矿堆积体的最佳排放方式并输出;所述数据中心A2用于接收和储存各个模块产生的数据,并实现个各个模块之间的信息共享。
具体的,在本实施例中,数据采集模块A1采集的基础数据包括尾矿库建设区的地形地貌数据、地质调查数据、钻孔数据、勘探线剖面图、地球物理数据、水文数据、尾矿堆积体数据和环境数据。其中,地质调查数据包括地层分布、岩石类型和矿产分布;地球物理数据包括地震波速度、电阻率和磁化率等信息;水文数据包括地下水位和渗透性;地形地貌数据为DEM数据;尾矿堆积体数据包括尾矿堆积体的高度、宽度、形状、密度、土条的粘聚力和摩擦角;环境数据为植被覆盖度、PM2.5含量与PM10含量。考虑到这些数据都可以通过现有的手段获取,故而在此就不做详细说明。
进一步的,数据采集模块A1并不能直接现场采集基础数据,而且具有数据录入的功能,这些基础数据是通过现有技术手段采集得到之后,通过数据采集模块A1上的显示屏输入,并由数据采集模块A1通过物联网传输给数据中心A2储存起来。在其他可选的实施例中,数据采集模块A1还可以具体有网上搜索功能,即在确定尾矿库建设区的地点之后,数据采集模块A1可以在互联网上查询并筛选出尾矿库建设区的历史基础数据,并将历史基础数据储存在数据中心A2中。
在一个可选的实施例当中,数据模型模块A3使用地形地貌数据、地质调查数据、钻孔数据、勘探线剖面图、地球物理数据、水文数据和尾矿堆积体数据生成三维地质模型和尾矿堆积体模型。请参见图2,数据模型模块A3包括尾矿堆积体模型生成子模块、中介者子模块、二维钻孔生成子模块、二维剖面图生成子模块、地质平面图生成子模块、等高线数据生成子模块、三维钻孔生成子模块、三维剖面图生成子模块、地质轮廓生成子模块和地质模型生成子模块。
具体的,在本实施例中,所述尾矿堆积体模型生成子模块用于构建所述尾矿堆积体模型;所述中介者子模块用于实现所述数据模型模块中除所述尾矿堆积体模型生成子模块之外的其他子模块之间的数据交互,进而实现二维数据与三维数据的数据同步;所述二维钻孔生成子模块用于生成构建所述三维地质模型所需的二维钻孔数据;所述二维剖面图生成子模块用于生成构建所述三维地质模型所需的二维剖面数据;所述地质平面图生成子模块用于生成构建所述三维地质模型所需的地质平面图;所述等高线数据生成子模块用于生成构建所述三维地质模型所需的等高线数据;所述三维钻孔生成子模块用于生成构建所述三维地质模型所需的三维钻孔数据;所述三维剖面图生成子模块用于生成构建所述三维地质模型所需的三维剖面数据;所述地质轮廓生成子模块用于生成构建所述三维地质模型所需的地质三维轮廓;所述地质模型生成子模块根据所述钻孔数据对所述地质三维轮廓进行补充,得到所述三维地质模型。
进一步的,二维钻孔生成子模块、二维剖面图生成子模块、地质平面图生成子模块、等高线数据生成子模块、三维钻孔生成子模块、三维剖面图生成子模块、地质轮廓生成子模块和地质模型生成子模块等任意两个子模块之间都不直接进行数据交互,而是通过中介者子模块实现数据的交互,例如地质轮廓生成子模块在构建地质三维轮廓时,可以通过中介者子模块来调用三维钻孔生成子模块生成的三维钻孔数据,这样能够简化数据模型模块A3中不同数据之间的交互逻辑,大幅减少不同模块之间的耦合性,防止部分数据的变化风险蔓延扩散到全局整体,从而提升构建三维地质模型的效率。各个子模块的功能实现具体可以参考现有技术,故而在此就不做详细说明。
更为具体的,地质模型生成子模块中包含一种用于生成所述三维地质模型的第一计算机存储介质,所述第一计算机存储介质中储存有第一种计算机程序,所述第一种计算机程序运行时执行如下步骤:
S1、构建用于判断不同钻孔所揭露的地层分界点之间连接方式的连层遗传基因算法模型。
其中,S1具体又包括如下步骤:
S11、根据所有可能的地层分界点之间连接方式随机生成染色体,生成初始种群。
具体的,在本实施例中,生成的地质三维轮廓上包含有钻孔所揭示的地层信息,为了将不同钻孔所揭示的地层信息更较准确的对应起来,需要判断不同钻孔所揭露的地层中哪些地层是同一层,并将不同钻孔所揭露的相同地层连接起来。
更为具体的,将相邻的两个不同地层之间的地层分界面上的任意一点作为该地层上的地层分界点。将所有钻孔所揭露的地层分界点之间的所有连接方式作为样本数据来生成连层遗传基因算法模型的初始种群,此为现有技术,故而在此就不做详细说明。
S12、评估所述初始种群中各个个体的适应度。
具体的,在本实施例中,初始种群中个体的适应度满足如下关系:
其中,为第i个个体的适应度,n为评价指标的数量,/>为第i个评价指标的评价函数,/>为第i个评价指标的权重。评价指标包括钻孔所揭露的地层分界面的岩性、时代和成因,即n=3。/>是通过专家评价法得到的,它表示各个评价指标在用于判断不同钻孔所揭露的地层是否为同一层时所占的比重大小。在其他可选的实施例中,还可以包括其他评价指标。
满足如下关系:
其中,为在i个评价指标下,地层分界点1的评价指标评分;/>为在i个评价指标下地层分界点2的评价指标评分,a为一个不为0的可调参数,防止计算时出现分母为0的情况出现,本实施例中a=0.1。
更为具体的,评价指标评分是用来反映地层分界点的评价指标的数学表达形式,因此能够直接反映地层分界点1和地层分界点2的第i个评价指标的相似程度。/>越大,则表明地层分界点1和地层分界点2的第i个评价指标的相似程度越大;/>越小,则表明地层分界点1和地层分界点2的第i个评价指标的相似程度越小。
进一步的,首先在互联网上查询所有地层分界点面上的岩性、时代和成因,并使用正整数设置第一等差数列、第二等差数列和第三等差数列,第一等差数列、第二等差数列和第三等差数列中的项都是按照从小到大的顺序排列的。因此可以按照第一等差数列依次为每一种岩性附上一个实数值作为该种岩性的评价指标评分,按照第二等差数列依次为不同时代附上一个实数值作为该时代的评价指标评分,按照第三等差数列依次为不同成因附上一个实数值作为该成因的评价指标评分,这样在计算适应度时只需要根据钻孔所揭露的地层分界面的岩性、时代和成因直接选择相应的评价指标评分即可。第一等差数列、第二等差数列和第三等差数列具体如何设置可以根据相关人员的实际需要来设置,在此不做限制。
更进一步的,在其他可选的实施例中,还可以将钻孔所揭露的地层分界面的岩性、时代和成因转化为数字形式,进而利用RNN网络来对各个评价指标的评价指标评分进行预测。
S13、基于设置的最大进化迭代数以及所述适应度依次对种群进行选择、交叉和变异运算,并将具有最大适应度的个体输出。
S2、根据所述连层遗传基因算法模型对所述地质三维轮廓进行补充,进而建立三维地质模型。
其中,S2具体又包括如下步骤:
S21、利用所述连层遗传基因算法模型获取不同钻孔所揭露的地层分界点之间的最佳连接方式。
S22、根据所述最佳连接方式将不同钻孔所揭露的地层分界点连接起来以对所述地质三维轮廓进行补充,进而建立三维地质模型。
具体的,在本实施例中,步骤S13输出的具有最大适应度的个体表示该个体所包含的两个地层分界点之间连接方式为最佳连接方式。根据步骤S11生成的初始种群不断执行步骤S12和S13所述的内容以输出多个具有最大适应度的个体,并在每次输出具有最大适应度的个体时将该个体所包含的两个地层分界点链接起来,以表示这两个地层分界点所在的地层分界面为同一个地层分界面,重复此操作直至开始出现某个地层分界点连接了两个不同地层分界点为止。最后根据地层分界点之间的连线将不同钻孔所揭露的地层分界面连接起来即可得到完整的三维地质模型。
进一步的,首先完成地质三维轮廓,再通过连层遗传基因算法模型来寻找不同钻孔所揭露的地层分界点之间的最佳连接方案来对地质三维轮廓进行补充,进而建立三维地质模型,这样避免了先形成模型后再对模型进行逐步修正,省去了后续繁琐的数据处理,提升了建模效率和质量,并实现了正向构建三维地质模型。而且基于中介者模式,即便后续需要对三维地质模型进行修改也会更加准确便捷。
通过连层遗传基因算法模型来寻找不同钻孔所揭露的地层分界点之间的最佳连接方案,进而提升三维地质模型的准确性和可靠性。
在一个可选的实施例当中,所述AI计算模块A4中包含一种用于计算所述尾矿堆积体的稳定性的第二计算机存储介质,所述第二计算机存储介质中储存有第二种计算机程序,所述第二种计算机程序运行时执行如下步骤:
B1、根据所述三维地质模型、所述尾矿堆积体模型和所述基础数据,使用FLAC程序和稳定性计算模型获取所述尾矿堆积体的稳定性。
具体的,在本实施例中,稳定性计算模型满足如下关系:
其中,S为尾矿堆积体的稳定性,为尾矿堆积体中第i条土条的重力,/>为第i条土条滑动面中点与土条滑动面所对应的圆心的连线同竖直线的夹角值,/>为第i条土条底面的有效黏聚力,/>为第i条土条与第i+1条土条之间的力矩关联系数,n为土条总条数,为第i条土条的粘聚力,/>为第i条土条沿滑动面的长度。
进一步的,AI计算模块A4中包括了FLAC软件程序,FLAC是一种用于岩土工程数值模拟的有限元分析软件,一方面使用三维地质模型、尾矿堆积体模型和FLAC程序对尾矿库建设区坝体稳定性进行定性评估,另一方面使用稳定性计算模型对尾矿库建设区坝体稳定性进行定量评估,两相对比提高稳定性结果准确性和可靠性。此外,该稳定性计算模型通过力矩关联系数考虑了土条之间的相互作用,在一定程度上提高了计算结果的准确性和可靠性。使用三维地质模型、尾矿堆积体模型和FLAC程序对尾矿库建设区坝体稳定性进行定性评估为现有技术,在此就不做详细说明。
B2、依据所述基础数据和所述稳定性,使用GWO-SVM模型判断所述污染等级。
具体的,在本实施例中,GWO-SVM模型是基于GWO-SVM算法构建的,GWO-SVM模型是使用环境数据、稳定性和以污染等级训练好的。其中,GWO-SVM模型的输入为环境数据和稳定性,输出为污染等级。训练GWO-SVM模型的环境数据、稳定性和污染等级都可以通过现有技术得到,GWO-SVM模型也为现有技术,故而在此就不做详细说明。
进一步的,GWO-SVM模型具有较高的预测精度,能够准确预测出尾矿库建设区的污染等级,而且由于在预测污染等级时使用到了尾矿堆积体的稳定性,因此得到的污染等级对尾矿库建设区未来的环境变化也具有一定的预测作用,有利于相关人员即使采取防治措施,降低安全隐患。在其他可选的实施例中,为了进一步的提高污染等级的准确性,可以将更多类型的数据作为GWO-SVM模型的输入,例如水文数据。
在一个可选的实施例当中,所述预判预警模块A5运行时具体执行如下步骤:
C1、在所述稳定性小于稳定性阈值时发出稳定性预警。
C2、在所述污染等级不小于环境污染等级阈值时发出污染预警。
具体的,在本实施例中,将稳定性阈值设置为1,将环境污染等级阈值设置为2,通过设定稳定性阈值和环境污染等级阈值,然后根据尾矿库建设区的实际情况及时发出稳定性预警和污染预警,提醒相关人员及时采取防治措施,以降低尾矿库建设区的安全隐患和环境污染。
在一个可选的实施例当中,所述AI优化模块A6中包含一种用于分析所述尾矿堆积体适宜的排放方式的第三计算机存储介质,所述第三计算机存储介质中储存有第三种计算机程序,所述第三种计算机程序运行时执行如下步骤:
D1、基于多个设定的所述优化尾矿堆积体模型,使用所述AI计算模块获取稳定性预测值和污染等级预测值。
具体的,在本实施例中,AI优化模块A6包括一块显示屏和Geomaterials Studio软件,在预判预警模块A5发出稳定性预警时,相关人员基于三维地质模型和尾矿堆积体模型在AI优化模块A6的显示屏上使用Geomaterials Studio软件设计多个优化尾矿堆积体模型,然后AI优化模块A6将得到的优化尾矿堆积体模型通过数据中心A2共享给AI计算模块A4。此为现有技术,在此就不做详细说明。
进一步的,AI计算模块A4利用优化尾矿堆积体模型获取相应的尾矿堆积体的稳定性预测值和污染等级预测值,具体的获取方式可以参考步骤B1和B2。在计算稳定性预测值时,保持最初的土条划分方式、尾矿堆积体中各个土条的密度、以及各个土条的粘聚力和摩擦角不变。由于尾矿堆积体中各个土条的密度不变,以尾矿堆积体的宽为优化尾矿堆积体模型中各个土条的高,因此各个土条的重力可以等效为优化尾矿堆积体模型中各个土条的底面面积,由于在优化尾矿堆积体模型中附有相应的比例尺,因此很容易计算出优化尾矿堆积体模型中各个土条的底面面积,进而计算出各个优化尾矿堆积体模型中尾矿堆积体的稳定性,即稳定性预测值。
D2、当所述稳定性预测值小于所述稳定性阈值且污染等级预测值小于所述环境污染等级阈值时,将所述稳定性预测值、污染等级预测值以及相应的最佳排放方式输出。
具体的,在本实施例中,AI优化模块A6输出的最佳排放方式即最佳的优化尾矿堆积体模型,通过AI优化模块来得到尾矿堆积体的稳定性较高并且污染等级较低的排放方式,进而降低尾矿库建设区的安全隐患和环境污染。
需要说明的是,在一些情况下,在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果,在本实施例当中,所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了,方便说明,而非对其限制。
综上所述,本发明提供的***利用数据模型模块、AI计算模块、预判预警模块和AI优化模块完成了对尾矿堆积体的稳定性验算及预警、周边环境的污染程度判定以及尾矿堆积体堆积方案优化,对尾矿库的运维具有较好的辅助作用,这就提高了尾矿库的运维效率,有利于降低尾矿库运营过程中的安全隐患和保护尾矿库四周的自然环境。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种尾矿库数智运维***,其特征在于,包括:
数据采集模块、数据模型模块、AI计算模块、预判预警模块、AI优化模块和数据中心;
所述数据采集模块用于采集尾矿库建设区的基础数据,并将所述基础数据存入所述数据中心;
所述数据模型模块根据所述基础数据构建尾矿库建设区的三维地质模型及尾矿堆积体模型;
所述AI计算模块用于在所述数据模型模块的基础上计算尾矿库建设区的污染等级以及尾矿堆积体的稳定性;
所述预判预警模块利用所述污染等级进行污染预警,并根据所述稳定性进行稳定性预警;
所述AI优化模块用于在所述数据模型模块和所述预判预警模块的基础上,根据设定的优化尾矿堆积体模型分析所述尾矿堆积体的最佳排放方式并输出;
所述数据中心用于接收和储存各个模块产生的数据,并实现个各个模块之间的信息共享。
2.根据权利要求1所述的一种尾矿库数智运维***,其特征在于:
所述基础数据包括尾矿库建设区的地形地貌数据、地质调查数据、钻孔数据、勘探线剖面图、地球物理数据、水文数据、尾矿堆积体数据和环境数据。
3.根据权利要求1所述的一种尾矿库数智运维***,其特征在于,所述数据模型模块包括:
二维钻孔生成子模块,所述二维钻孔生成子模块用于生成构建所述三维地质模型所需的二维钻孔数据;
二维剖面图生成子模块,所述二维剖面图生成子模块用于生成构建所述三维地质模型所需的二维剖面数据;
地质平面图生成子模块,所述地质平面图生成子模块用于生成构建所述三维地质模型所需的地质平面图;
等高线数据生成子模块,所述等高线数据生成子模块用于生成构建所述三维地质模型所需的等高线数据;
三维钻孔生成子模块,所述三维钻孔生成子模块用于生成构建所述三维地质模型所需的三维钻孔数据;
三维剖面图生成子模块,所述三维剖面图生成子模块用于生成构建所述三维地质模型所需的三维剖面数据;
地质轮廓生成子模块,所述地质轮廓生成子模块用于生成构建所述三维地质模型所需的地质三维轮廓;
地质模型生成子模块,所述地质模型生成子模块根据所述钻孔数据对所述地质三维轮廓进行补充,得到所述三维地质模型;
尾矿堆积体模型生成子模块,所述尾矿堆积体模型生成子模块用于构建所述尾矿堆积体模型;
中介者子模块,所述中介者子模块用于实现所述数据模型模块中除所述尾矿堆积体模型生成子模块之外的其他子模块之间的数据交互,进而实现二维数据与三维数据的数据同步。
4.根据权利要求3所述的一种尾矿库数智运维***,其特征在于,所述地质模型生成子模块中包含一种用于生成所述三维地质模型的第一计算机存储介质,所述第一计算机存储介质中储存有第一种计算机程序,所述第一种计算机程序运行时执行如下步骤:
构建用于判断不同钻孔所揭露的地层分界点之间连接方式的连层遗传基因算法模型;
根据所述连层遗传基因算法模型对所述地质三维轮廓进行补充,进而建立三维地质模型。
5.根据权利要求4所述的一种尾矿库数智运维***,其特征在于,所述构建用于判断不同钻孔所揭露的地层分界点之间连接方式的连层遗传基因算法模型包括如下步骤:
根据所有可能的地层分界点之间连接方式随机生成染色体,生成初始种群;
评估所述初始种群中各个个体的适应度;
基于设置的最大进化迭代数以及所述适应度依次对种群进行选择、交叉和变异运算,并将具有最大适应度的个体输出。
6.根据权利要求5所述的一种尾矿库数智运维***,其特征在于,所述根据所述连层遗传基因算法模型对所述地质三维轮廓进行补充,进而建立三维地质模型包括如下步骤:
利用所述连层遗传基因算法模型获取不同钻孔所揭露的地层分界点之间的最佳连接方式;
根据所述最佳连接方式将不同钻孔所揭露的地层分界点连接起来以对所述地质三维轮廓进行补充,进而建立三维地质模型。
7.根据权利要求1所述的一种尾矿库数智运维***,其特征在于,所述AI计算模块中包含一种用于计算所述尾矿堆积体的稳定性的第二计算机存储介质,所述第二计算机存储介质中储存有第二种计算机程序,所述第二种计算机程序运行时执行如下步骤:
根据所述三维地质模型、所述尾矿堆积体模型和所述基础数据,使用FLAC程序和稳定性计算模型获取所述尾矿堆积体的稳定性;
依据所述基础数据和所述稳定性,使用GWO-SVM模型判断所述污染等级。
8.根据权利要求7所述的一种尾矿库数智运维***,其特征在于,所述预判预警模块运行时具体执行如下步骤:
在所述稳定性小于稳定性阈值时发出稳定性预警;
在所述污染等级不小于环境污染等级阈值时发出污染预警。
9.根据权利要求5所述的一种尾矿库数智运维***,其特征在于,所述稳定性计算模型满足如下关系:
,
其中,S为所述尾矿堆积体的稳定性,为所述尾矿堆积体中第i条土条的重力,/>为第i条土条滑动面中点与土条滑动面所对应的圆心的连线同竖直线的夹角值,/>为第i条土条底面的有效黏聚力,/>为第i条土条与第i+1条土条之间的力矩关联系数,n为土条总条数,/>为第i条土条的粘聚力,/>为第i条土条沿滑动面的长度。
10.根据权利要求8所述的一种尾矿库数智运维***,其特征在于,所述AI优化模块中包含一种用于分析所述尾矿堆积体适宜的排放方式的第三计算机存储介质,所述第三计算机存储介质中储存有第三种计算机程序,所述第三种计算机程序运行时执行如下步骤:
基于多个设定的所述优化尾矿堆积体模型,使用所述AI计算模块获取稳定性预测值和污染等级预测值;
当所述稳定性预测值小于所述稳定性阈值且污染等级预测值小于所述环境污染等级阈值时,将所述稳定性预测值、污染等级预测值以及相应的最佳排放方式输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410191102.XA CN117745466B (zh) | 2024-02-21 | 2024-02-21 | 一种尾矿库数智运维*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410191102.XA CN117745466B (zh) | 2024-02-21 | 2024-02-21 | 一种尾矿库数智运维*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745466A true CN117745466A (zh) | 2024-03-22 |
CN117745466B CN117745466B (zh) | 2024-04-26 |
Family
ID=90251269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410191102.XA Active CN117745466B (zh) | 2024-02-21 | 2024-02-21 | 一种尾矿库数智运维*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745466B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745466B (zh) * | 2024-02-21 | 2024-04-26 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种尾矿库数智运维*** |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012203257A1 (en) * | 2011-06-20 | 2013-01-10 | Legrand France | Electrical apparatus comprising a pivoting control key |
US20130153796A1 (en) * | 2011-05-26 | 2013-06-20 | Southwest Petroleum University | Underground Annular Blowout Preventer and Assembly Process Thereof |
CN104281920A (zh) * | 2014-09-29 | 2015-01-14 | 中南大学 | 尾矿库分层指标安全评估和预警方法与*** |
CN107152039A (zh) * | 2017-04-26 | 2017-09-12 | 中国电建集团西北勘测设计研究院有限公司 | 一种土石坝坝基液化条件下的二维拟静力法简化判断方法 |
CN112554120A (zh) * | 2020-12-10 | 2021-03-26 | 湖北工业大学 | 一种基于地热的桥面自动融雪化冰***及方法 |
CN114202624A (zh) * | 2021-12-03 | 2022-03-18 | 中国水利水电第八工程局有限公司 | 一种参数化三维地质模型的创建方法、***及介质 |
CN114255188A (zh) * | 2021-12-23 | 2022-03-29 | 中国矿业大学(北京) | 三维地质岩性网格模型体绘制的边界线性平滑方法及装置 |
CN114707222A (zh) * | 2022-04-19 | 2022-07-05 | 南京信息工程大学 | 一种顾及渗流的尾矿库坝体稳定性实时在线分析与预测方法 |
CN115631313A (zh) * | 2022-10-21 | 2023-01-20 | 中国科学院武汉岩土力学研究所 | 一种煤矿透明地质模型的构建方法、装置以及处理设备 |
CN116071515A (zh) * | 2023-03-22 | 2023-05-05 | 北京理正软件股份有限公司 | 一种逐层创建数字化三维地质模型方法及应用*** |
CN116486025A (zh) * | 2023-04-13 | 2023-07-25 | 济南市勘察测绘研究院 | 一种基于大数据云计算技术的城市地质数据处理平台 |
CN116542052A (zh) * | 2023-05-09 | 2023-08-04 | 防灾科技学院 | 一种模袋法尾矿坝稳定性计算方法 |
CN116910878A (zh) * | 2023-08-03 | 2023-10-20 | 中国电建集团西北勘测设计研究院有限公司 | 一种土石坝坝坡稳定性分析方法、***及电子设备 |
CN116933920A (zh) * | 2023-06-26 | 2023-10-24 | 昆明理工大学 | 一种矿山井下泥石流的预测预警方法及*** |
CN117540196A (zh) * | 2023-09-22 | 2024-02-09 | 山东大学 | 一种基于地下水离子特征的不良地质类型识别方法与*** |
CN117743620A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种大岩土数智*** |
CN117745968A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种创建地质模型的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745466B (zh) * | 2024-02-21 | 2024-04-26 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种尾矿库数智运维*** |
-
2024
- 2024-02-21 CN CN202410191102.XA patent/CN117745466B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130153796A1 (en) * | 2011-05-26 | 2013-06-20 | Southwest Petroleum University | Underground Annular Blowout Preventer and Assembly Process Thereof |
AU2012203257A1 (en) * | 2011-06-20 | 2013-01-10 | Legrand France | Electrical apparatus comprising a pivoting control key |
CN104281920A (zh) * | 2014-09-29 | 2015-01-14 | 中南大学 | 尾矿库分层指标安全评估和预警方法与*** |
CN107152039A (zh) * | 2017-04-26 | 2017-09-12 | 中国电建集团西北勘测设计研究院有限公司 | 一种土石坝坝基液化条件下的二维拟静力法简化判断方法 |
CN112554120A (zh) * | 2020-12-10 | 2021-03-26 | 湖北工业大学 | 一种基于地热的桥面自动融雪化冰***及方法 |
CN114202624A (zh) * | 2021-12-03 | 2022-03-18 | 中国水利水电第八工程局有限公司 | 一种参数化三维地质模型的创建方法、***及介质 |
CN114255188A (zh) * | 2021-12-23 | 2022-03-29 | 中国矿业大学(北京) | 三维地质岩性网格模型体绘制的边界线性平滑方法及装置 |
CN114707222A (zh) * | 2022-04-19 | 2022-07-05 | 南京信息工程大学 | 一种顾及渗流的尾矿库坝体稳定性实时在线分析与预测方法 |
CN115631313A (zh) * | 2022-10-21 | 2023-01-20 | 中国科学院武汉岩土力学研究所 | 一种煤矿透明地质模型的构建方法、装置以及处理设备 |
CN116071515A (zh) * | 2023-03-22 | 2023-05-05 | 北京理正软件股份有限公司 | 一种逐层创建数字化三维地质模型方法及应用*** |
CN116486025A (zh) * | 2023-04-13 | 2023-07-25 | 济南市勘察测绘研究院 | 一种基于大数据云计算技术的城市地质数据处理平台 |
CN116542052A (zh) * | 2023-05-09 | 2023-08-04 | 防灾科技学院 | 一种模袋法尾矿坝稳定性计算方法 |
CN116933920A (zh) * | 2023-06-26 | 2023-10-24 | 昆明理工大学 | 一种矿山井下泥石流的预测预警方法及*** |
CN116910878A (zh) * | 2023-08-03 | 2023-10-20 | 中国电建集团西北勘测设计研究院有限公司 | 一种土石坝坝坡稳定性分析方法、***及电子设备 |
CN117540196A (zh) * | 2023-09-22 | 2024-02-09 | 山东大学 | 一种基于地下水离子特征的不良地质类型识别方法与*** |
CN117743620A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种大岩土数智*** |
CN117745968A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种创建地质模型的方法及*** |
Non-Patent Citations (2)
Title |
---|
修南海: "基于随钻地质信息的地层识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 04, 15 April 2018 (2018-04-15), pages 019 - 94 * |
朱圣凯: "采煤工作面煤层赋存形态三维可视化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, 15 January 2021 (2021-01-15), pages 021 - 482 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745466B (zh) * | 2024-02-21 | 2024-04-26 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种尾矿库数智运维*** |
Also Published As
Publication number | Publication date |
---|---|
CN117745466B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nadiri et al. | Mapping vulnerability of multiple aquifers using multiple models and fuzzy logic to objectively derive model structures | |
Chen et al. | Neuro-genetic, neuro-imperialism and genetic programing models in predicting ultimate bearing capacity of pile | |
CN109584510B (zh) | 一种基于评估函数训练的道路高边坡滑坡灾害预警方法 | |
Naghadehi et al. | A new open-pit mine slope instability index defined using the improved rock engineering systems approach | |
Hou et al. | Assessing quality of urban underground spaces by coupling 3D geological models: The case study of Foshan city, South China | |
CN117745466B (zh) | 一种尾矿库数智运维*** | |
Shin et al. | Methodology for quantitative hazard assessment for tunnel collapses based on case histories in Korea | |
CN104866653A (zh) | 一种获取地下三维密度结构的方法 | |
CN108596518A (zh) | 一种公路地质灾害危险性评估方法 | |
Dou et al. | 3D geological suitability evaluation for urban underground space development–A case study of Qianjiang Newtown in Hangzhou, Eastern China | |
CN116797030A (zh) | 地质监测预警方法、***、计算机设备及存储介质 | |
CN115115180A (zh) | 一种基于多参量分析的矿区地表塌陷风险识别与预测方法 | |
Suh et al. | Subsidence hazard assessment at the Samcheok coalfield, South Korea: a case study using GIS | |
Xue et al. | An analytical model for assessing soft rock tunnel collapse risk and its engineering application | |
CN112446956A (zh) | 一种基于钻孔数据的地质三维模型构建方法 | |
Sundell et al. | A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence | |
Lin et al. | Optimal construction method evaluation for underground infrastructure construction | |
Qu et al. | Probabilistic reliability assessment of twin tunnels considering fluid–solid coupling with physics-guided machine learning | |
Nguyen et al. | Prediction of ground subsidence due to underground mining through time using multilayer feed-forward artificial neural networks and back-propagation algorithm–case study at Mong Duong underground coal mine (Vietnam) | |
Wang et al. | Multi-source data integration and multi-scale modeling framework for progressive prediction of complex geological interfaces in tunneling | |
Wang et al. | A novel evaluation method for the stability of construction sites on an abandoned goaf: a case study | |
Du et al. | Risk evaluation of colluvial cutting slope based on fuzzy analytic hierarchy process and multilevel fuzzy comprehensive evaluation | |
Taboada et al. | Fuzzy expert system for economic zonation of an ornamental slate deposit | |
CN112285773B (zh) | 一种隐伏断层二元结构定量表征方法 | |
Chehreghani et al. | Rock mass excavatability estimation using artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |