Study on the support performance of anti-impacting and energy-absorbing concrete-filled steel tube arches in roadways
-
摘要:
针对目前巷道支护中钢管混凝土拱架缺乏可缩让压性能的问题，从吸能让位角度设计了一种防冲吸能钢管混凝土拱架结构。通过Abaqus建立新型钢管混凝土拱架与围岩组合模型，在静载与动载两种荷载状态下，对比分析新型拱架对巷道的支护效果与抗冲击能力。结论如下：①根据合理的让位阻力特性设计吸能构件壁厚与尺寸，在拱架上部连接处和底弧段中部设置吸能构件，可避免弯曲过大发生失稳。套管形状依据U型钢拱架卡揽结构设置为折纹型，与拱架摩擦实现缩动让压；②在竖向与侧向冲击下，优化后拱架支护巷道各点位移量呈减少趋势，降低了拱架顶弧段下沉与底弧段上拱，支护效果更强；③静载作用下，优化后拱架与吸能构件接触后，拱架各点处塑性应变不再增加，吸能构件代替拱架发生形变。在受到动载后，吸能构件能快速响应，同时拱架两帮拐角发生弯曲变形，其余部分仍未发生明显变形。吸能构件压溃后，拱架整体塑性应变开始增加，最终优化后拱架各点等效塑性应变竖向与侧向冲击下分别降低了10%～50%和13%～78%。
Abstract:In response to the problem of lack of shrinkable pressure-allowing performance of steel pipe concrete arch in the current roadway support, an anti-impacting and energy-absorbing steel pipe concrete arch structure is designed from the perspective of energy-absorbing pressure-allowing. The combination model of the new steel pipe concrete arch and the surrounding rock was established by Abaqus, and the support effect and impact resistance of the new arch on the roadway were compared and analyzed under both static and dynamic loading conditions. The conclusions are as follows: ① Designing the wall thickness and size of the energy-absorbing member according to the reasonable yielding resistance characteristics. Energy-absorbing components are installed at the connection between the upper arch and the middle of the bottom arc to prevent excessive bending from causing instability. The sleeve shape is designed as a pleated shape based on the U-shaped steel arch clamp structure, which achieves compression yield through friction with the arch; ② Under the vertical and lateral impact, the displacement of the optimized arch support tunnel at each point is reduced, which reduces the sinking of the top arc section of the arch and the up-arch of the bottom arc section, and the support effect is stronger; ③ Under static loads, after the arch contacts the energy-absorbing component, the plastic strain at each point of the arch no longer increases, and the energy-absorbing component replaces the arch to deform. After being subjected to dynamic loads, the energy-absorbing component can respond quickly, while the corners of the arch bend and deform, and the remaining parts have not undergone significant deformation. After the energy-absorbing component is crushed, the overall plastic strain of the arch starts to increase, and finally the equivalent plastic strain at each point of the arch is reduced by 10%−50% and 13%−78% under vertical and lateral impacts, respectively, after optimization.
-
0. 引 言
煤岩显微组分组成与煤的理化性质（如活性和黏结性等）及工艺特性（如结焦性和机械强度等）密切相关[1]，其定量分析为全面科学地评价煤炭质量、指导煤炭的清洁高效利用提供了重要依据，相关课题引起了煤地质领域研究人员的极大兴趣。基于人眼在偏光显微镜下观察的传统方法，需要综合显微组分在油浸物镜、反射荧光等观察条件下的光学特性，不仅劳动强度大、耗时长，而且测试主观性强、速度慢、效率低，严重制约了煤岩显微参数的工业应用[2]。
近年来，随着计算机视觉技术的进步，国内外研究人员尝试利用图像处理技术取代传统基于人眼观察的方法对煤岩显微特性进行智能分析。以显微组分的识别为例，王培珍研究组[3-4]利用煤岩显微图像的纹理特征，分别构建了基于支持向量机、极限学习机等机器学习方法的煤岩显微组分分类模型，取得了一定的进展。SKIBA研究组[5-6]根据灰度和形态学梯度特征，使用多种分类器对三大显微组分组及无机矿物成分进行分类，获得了97.67%的准确率；然而，在其提取形状特征时，仍然需要人为分割出特定组分，难以实现自动化分析。WANG等[7]提出了基于图像分割和分类的研究思路，先使用由粗及细的聚类对煤岩显微图像进行分割，再对每个分割区域分别提取几何、灰度及纹理特征，实现了7种显微亚组分和背景树脂的分类。以镜质组反射率测定为例，BRIEN等[8]利用煤岩学特征分析低煤级烟煤镜质组的反射率。WANG等[9]基于随机森林和15个灰度特征预测平均最大镜质组反射率，均方根误差低至0.042。然而，目前主流的煤岩分析方法主要着眼于煤岩显微组分识别和镜质组反射率的测定，而没有充分考虑划痕、空洞等煤光片损伤对参数测定结果的影响。
尽管煤光片的制备工艺不断改进，但是由于人工操作不规范或刀具破损等原因，在煤光片制备过程中，其表面难免会产生划痕，干扰煤岩显微参数的定量分析。由于煤光片样本的制备过程工艺复杂，重新制备煤光片，不仅难以保证煤光片上不会出现划痕，而且会造成人力资源的极大浪费。鉴于煤光片表面的划痕多为直线段，一些学者提出首先采用直线检测算法定位煤岩显微图像中的划痕，获取划痕掩膜图像，然后利用图像修复算法祛除划痕的研究思路。朱宪坤等[10]利用霍夫变换算法检测出煤岩划痕并生成相应的掩膜图像，使用基于改进快速行进算法的图像修复方法实现对煤岩划痕的有效祛除。王洪栋等[11]对煤岩显微图像进行图像增强，提高了霍夫变换算法在煤岩划痕检测任务上的准确性，然后采用基于纹理合成的图像修复算法祛除煤岩显微图像中的划痕。李瑶等[12]利用U-Net对煤岩显微图像进行语义分割，并采用基于改进区域匹配的图像修复算法祛除煤岩划痕。目前，针对煤岩显微图像划痕检测的研究工作仍然以传统图像处理方法为主，大多通过提取形状、颜色、纹理等图像基本特征来实现对划痕的检测与定位，无法充分挖掘煤岩显微图像的语义信息，划痕检测准确率较低，对相似纹理的抗干扰性差，容易出现误检和漏检。近年来，基于深度学习的语义分割方法在自动驾驶、卫星遥感、医疗图像处理等领域取得了显著进展。该方法能够有效地挖掘图像的语义信息，并具备学习和理解深层特征信息的能力。越来越多的煤岩学者也逐渐将语义分割方法应用于煤岩学的研究工作中，取得了一系列成果。
传统的图像修复方法包括基于偏微分方程和纹理合成的修复方法，常用于古字画缺损修复、虚拟场景重建及目标物体移除[13-14]。基于偏微分合成的图像修复方法往往从目标区域边界向内部逐渐修复，直到目标区域被填充完成，常被用于较小区域的图像修复[15]。基于纹理合成的图像修复技术常被用于修复较大的破损区域，其中以Criminisi算法[16]最为典型。然而，煤岩显微图像包含了丰富的结构信息和纹理信息，传统图像修复算法缺乏对煤岩显微图像语义信息的理解，利用此类方法修复的煤岩划痕区域与周围的背景区域往往会存在比较明显的纹理差异。随着深度学习技术的发展，以生成对抗网络为基础的图像修复方法得到了广泛的应用[17-20]。生成对抗网络可以有效挖掘和理解图像的语义信息，在纹理修复的基础上对语义内容进行预测，使图像整体效果更加符合客观事实，弥补了早期图像修复算法的不足。
笔者重点研究如何利用深度学习方法检测并修复煤岩显微图像中的划痕，以便于煤岩参数的进一步分析。针对传统图像处理算法在煤岩划痕检测和修复任务中的不足，提出了一种融合空间注意力与通道注意力的并行双注意力模型，并将其嵌入到U-Net网络中用于煤岩划痕的定位。另外，提出了一种结合上下文注意力和生成对抗学习的煤岩显微图像修复网络，并验证了所提方法的有效性。
1. 煤岩划痕检测与修复算法
1.1 煤岩划痕检测方法
煤岩划痕在形成时具有随机性和异构性，其内部灰度级变化不均，外部轮廓通常具有宽窄交替的特点，传统的直线检测算法难以准确捕获煤岩划痕的语义信息，对灰度变化和宽窄交替的煤岩划痕进行检测时鲁棒性较低，易出现误检和漏检。近年来，基于深度学习的语义分割方法在地质检测、无人驾驶等领域中均取得了重大突破，煤岩学研究人员开始将语义分割方法应用于煤岩显微组分识别与含量鉴定中[21-22]。基于深度学习的语义分割方法能够自动挖掘对任务有益的特征信息，并能在一定程度上过滤与任务无关的干扰信息，检测性能较传统图像分割算法有了较大提高。鉴于此，提出基于语义分割的煤岩划痕检测方法，充分挖掘煤岩显微图像的语义信息，优化边缘细节，提高检测准确度，使得划痕检测结果更加符合客观事实。
在语义分割网络中，煤岩显微图像经过多次下采样后，深层特征信息丰富，但丢失了大部分浅层特征信息，然而浅层信息的引入可以使得划痕检测结果更加平滑、精细。因此，深层特征信息与浅层特征信息的有效融合对划痕缺陷的精准识别与定位具有重要意义。U-Net是基于全卷积神经网络改进的一个语义分割网络，最早应用于医学图像的语义分割[23]。U-Net独特的U型结构与跳跃连接操作可以将浅层特征信息与深层特征信息进行融合，使网络的输出不仅包含图像的深层特征信息，还补充了下采样过程中丢失的浅层特征信息，适用于煤岩划痕等小目标对象的检测任务。
划痕在煤岩显微图像中的分布具有随机性，往往会横跨不同的复杂背景区域，连续性会被邻近背景区域内的复杂纹理所干扰，这使得煤岩划痕的识别较为困难，易出现误检与漏检。如果不加以区分地提取煤岩显微图像的前景信息与背景信息会使得划痕检测性能无法达到理想水平。注意力机制是深度学习领域的研究热点，借鉴了人类快速筛选高价值信息采用的观察事物和思维的方式，具备从众多信息中挑选出对目标任务更关键的信息，过滤无关信息的能力。因此，在煤岩划痕检测任务中可以利用注意力模型获得对前景和背景的关注权重，更多关注对检测结果有益的特征信息，提高对前景目标的灵敏度，从而改善模型的泛化性能。空间注意力可以在空间维度上为感兴趣的区域分配更大关注权重，通道注意力则可以在通道维度上为对预测结果贡献较大的特征通道分配更大的关注权重[24]。
鉴于此，为了充分挖掘煤岩显微图像的语义信息，减少无关信息干扰，提高划痕检测的准确率，本文提出了一种基于并行机制的双注意力模块，包括空间注意力和通道注意力，如图1所示。其中，$ {{\boldsymbol{x}}_l} $为编码器的输出特征图，$ {{\boldsymbol{g}}_l} $为解码器的输出特征图。首先，采用大小为$ C_{\mathrm{m}} \times 1 \times 1 $ 的卷积层$ {W_1} $、$ {W_2} $对$ {{\boldsymbol{g}}_l} $、$ {{\boldsymbol{x}}_l} $进行通道变换，统一通道数后进行相加，并使用$ ReLU $激活函数对相加得到的特征图进行非线性变换，得到特征图$ {\boldsymbol{Z}} $，大小为 $ C_{\mathrm{m}} \times H_x \times W_x $。接着，将特征图$ {\boldsymbol{Z}} $作为空间注意力分支和通道注意力分支的输入，通过卷积变换和权重参数更新得到空间注意力参数矩阵$ {{\boldsymbol{\alpha}} _l} $和通道注意力参数矩阵$ {{\boldsymbol{\beta}} _l} $。然后，基于残差连接将$ {{\boldsymbol{x}}_l} $与$ {{\boldsymbol{\alpha}} _l} $、$ {{\boldsymbol{\beta}} _l} $分别进行相乘，并使用大小为$ C_x \times 1 \times 1 $的卷积层$ {W_5} $与$ {W_6} $对特征信息进行深入挖掘，得到空间注意力特征图$ {{\boldsymbol{Z}}_1} $与通道注意力特征图$ {{\boldsymbol{Z}}_2} $，大小均为$ C_x \times H_x \times W_x $。最后，对$ {{\boldsymbol{Z}}_1} $与$ {{\boldsymbol{Z}}_2} $进行逐元素相加，得到融合空间注意力和通道注意力的特征图$ {{\boldsymbol{Z}}_3} $，大小为$ C_x \times H_x \times W_x $。
针对煤岩划痕检测任务，提出一种融合双注意力机制的U型语义分割网络，并采用VGG16网络对U-Net的编码器进行优化，网络结构如图2所示。网络的特征提取模块采用VGG16网络中的部分卷积层（添加BN层，初始化加载在ImageNet数据集上预训练得到的权重），特征图$ {{\boldsymbol{f}}_0} $为原始煤岩显微图像经过2次$ 3 \times 3 $卷积后的特征输出，分辨率与煤岩显微图像保持一致，通道数为32。特征图$ {{\boldsymbol{f}}_1} $、$ {{\boldsymbol{f}}_2} $、$ {{\boldsymbol{f}}_3} $、$ {{\boldsymbol{f}}_4} $分别对应煤岩显微图像输入至VGG16网络中的前4次最大值池化后的输出特征图，分辨率为原始煤岩显微图像的1/2、1/4、1/8、1/16，通道数为64、128、256、512。在解码过程中，网络的跨越连接信号和上采样信号经过双注意力模块后获得已经分配好关注权重的输出特征图，然后将其与解码过程中上采样得到的输出特征图进行拼接，再通过对煤岩显微图像的密集预测来实现对划痕的检测与定位。
1.2 煤岩显微图像修复方法
传统的图像修复方法在煤岩显微图像的背景中匹配补丁，易造成明显的纹理缺失，使得补全区域无法产生和上下文语义关联的组分信息[25]。煤岩显微图像中的划痕通常会随机出现在多个背景区域，而且不同背景区域之间的纹理和结构具有明显的区别，基于补丁匹配的图像修复方法效果较差。受基于深度学习的图像修复方法的启发，本文提出了基于上下文注意力和生成对抗模型的生成式煤岩显微图像修复网络，为划痕区域的补全提供纹理信息和结构信息，提高图像修复质量。
煤岩显微图像修复任务重点关注生成的填充图像是否符合煤岩划痕所在区域对应显微组分的物理特征，需要根据不同的组分生成与之匹配的灰度和形态。提出的煤岩显微图像修复网络由粗略修复网络和细化修复网络以及判别网络组成。网络的输入为含有随机掩膜的待修复图像，输出为细化修复网络的修复结果，如图3所示。
网络结构上，粗略修复网络和细化修复网络均采用轻量性门控卷积层来替换普通卷积，并利用空洞卷积层来扩大感受野。细化网络采用跳跃连接为图像生成提供浅层信息先验来细化修复结果。细化网络的编码部分由2个并行网络分支组成，一个分支与粗略网络编码阶段相似，另一个分支通过引入上下文注意力层实现对深层特征语义相关性的编码。粗略修复网络为煤岩划痕区域生成了一些粗略的内容，并将粗修复图像作为细化修复网络的输入。判别网络的输入分别为图像修复的最终结果和完整的煤岩显微图像，通过采用谱归一化的全卷积网络对生成图像的真假进行判别，并通过优化生成网络真假判别的损失来指导新内容的生成。
煤岩显微图像修复网络中采用具有全局和局部感知能力的PatchGAN判别器[26]，使用谱归一化稳定训练过程，利用铰链损失（Hinge Loss）[27]作为判别输入图像真假的目标函数。生成网络和判别网络的对抗损失函数表示为
$$ {{L_G}} = - {{{E}}_{z{{\sim}}{{\rm P}_z}(z)}}\left[ {{{D}}({{G}}({{z}}))} \right] $$ (1) $$ \begin{gathered} {{L_D}} = {{{E}}_{{\boldsymbol{gt}}\sim{{\rm P}_{{{{\mathrm{data}}}}}}({\boldsymbol{gt}})}}\left[ {{{ReLU}}(1 - {{D}}({\boldsymbol{gt}}))} \right] + \\ \qquad {{{E}}_{{\boldsymbol{z}}\sim{{\rm P}_z}({\boldsymbol{z}})}}[{{ReLU}}(1 + {{D}}({{G}}({\boldsymbol{z}})))] \\ \end{gathered} $$ (2) $$ {{L_{{\mathrm{adv}}}}} = {{L_G}} + {{L_D}} $$ (3) 式中：$ {{L_G}} $为生成网络损失；$ {{L_D}} $为判别网络损失；$ {{L_{{\mathrm{adv}}}}} $为对抗损失；$ {\boldsymbol{z}} $为带有缺损区域的煤岩图像；$ {\boldsymbol{gt}} $为不含缺损区域的完整煤岩图像；$ {{G}} $为修复网络的生成器；$ {{D}} $为修复网络的判别器；$ {{E}} $为期望操作；$ {{ReLU}} $为损失函数。
通过减小煤岩显微图像在深层语义空间的差异，可以使得补全结果在灰度分布和组分形态上与真实图像更加接近。除对抗损失之外，本文采用像素级别的$ L_1 $距离作为图像补全的重建损失$ {{L}}_{{\mathrm{rec}}} $，利用该损失衡量补全图像与事实图像之间的误差，具体表达式如下：
$$ {{L}}_{{\mathrm{rec}}} = {{E}}{\left\| {{{G}}({\boldsymbol{z}}) - {\boldsymbol{gt}}} \right\|_1} $$ (4) 式中：$ {{G}}({\boldsymbol{z}}) $为补全图像。
煤岩显微图像修复网络的总体损失函数由重建损失以及对抗损失构成，表达式如下：
$$ {{L}}_{{\mathrm{Total}}} = {{\lambda}}_{{\mathrm{rec}}}{{L}}_{{\mathrm{rec}}} + {{L}}_{{\mathrm{adv}}} $$ (5) 式中：$ {{L}}_{{\mathrm{Total}}} $为总体损失；$ {{\lambda}}_{{\mathrm{rec}}} $表为示重建损失权重系数（本文中将系数设置为100）。可根据具体情况对权重系数进行合理设置起到平衡损失的作用，避免产生不必要的伪影和噪声，提高图像修复质量。
1.3 评价指标
本文使用平均像素准确度和平均交并比对划痕检测的准确性进行评估，二者是语义分割任务中最常用的评价指标。假设图像中共有k+1个类别（包含背景类），$ {P_{ii}} $定义为标签为类别$ i $且被预测为类别$ i $的像素数量；$ {P_{ij}} $表示属于类别$ i $但被预测为类别$ j $的像素数量。
1)平均像素准确度（MPA），表示为每个类别中被正确预测像素数的比例在所有类别上的平均值。
$$ {\mathrm{MPA}} = \frac{1}{{k + 1}}\sum\limits_{i = 0}^k {\frac{{{P_{ii}}}}{{\displaystyle \sum\limits_{j = 0}^k {{P_{ij}}} }}} $$ (6) 2)平均交并比（MIOU），表示为真实值与预测值所在2个集合的交集与并集之比在所有类别上的平均值。
$$ {\mathrm{MIOU}} = \frac{1}{{k + 1}}\sum\limits_{i = 0}^k {\frac{{{P_{ii}}}}{{\displaystyle \sum\limits_{j = 0}^k {{P_{ij}}} + \displaystyle \sum\limits_{j = 0}^k {{P_{ji}} - {P_{ii}}} }}} $$ (7) 采用峰值信噪比和结构相似性作为图像修复结果的评价指标。峰值信噪比是最常用的图像质量客观评价指标，常用于图像压缩、重建等领域，数值越大表示失真越小。假设单通道的噪声图像$ K $和无噪声图像$ I $，2张图像间的均方误差定义为
$$ {\mathrm{MSE}} = \frac{1}{{mn}}{\sum\limits_{i = 0}^{m - 1} {\sum\limits_{j = 0}^{n - 1} {\left\| {I(i,j) - K(i,j)} \right\|^2} } } $$ (8) 式中：$ MSE $为均方误差；$ m $、$ n $分别为图片的高和宽（单位：像素）；$ I(i,j) $和$ K(i,j) $分别为有噪声图像$ I $与无噪声图像$ K $对应坐标$ (i,j) $位置的像素。
峰值信噪比定义为
$$ {\mathrm{PSNR}} = 10{\lg}\left(\frac{{{\mathrm{MAX}}_I^2}}{{{\mathrm{MSE}}}}\right) = 20{\lg }\left(\frac{{{{\mathrm{MAX}}_I}}}{{\sqrt {{\mathrm{MSE}}} }}\right) $$ (9) 式中：$ {\mathrm{PSNR}} $为峰值信噪比；$ {{\mathrm{MAX}}_I} $为图像中可能的最大像素值。
结构相似性是另一种全参考的图像质量评价指标，它分别从亮度$ l $、对比度$ c $、结构$ s $三方面度量图像相似性，具体计算公式表示为
$$ l(x,y) = \frac{{2{\mu _x}{\mu _y} + {c_1}}}{{\mu _x^2 + \mu _y^2 + {c_1}}} $$ (10) $$ c(x,y) = \frac{{2{\sigma _x}{\sigma _y} + {c_2}}}{{\sigma _x^2 + \sigma _y^2 + {c_2}}} $$ (11) $$ s(x,y) = \frac{{{\sigma _{xy}} + {c_3}}}{{{\sigma _x}{\sigma _y} + {c_3}}} $$ (12) 式中：$ {\mu _x} $与$ {\mu _y} $分别为图像$ x $和图像$ y $的均值； $ {\sigma _x} $与$ {\sigma _y} $分别为图像$ x $和图像$ y $的标准差；$ {\sigma _{xy}} $为图像$ x $和图像$ y $的协方差；$ {c_1} $、$ {c_2} $、$ {c_3} $为常数，为了避免分母为0的情况，通常取$ {c_1} = {({\theta _1}L)^2} $，$ {c_2} = {({\theta _2}L)^2} $，$ {c_3} = {c_2}/2 $；$ L $表示灰度级，通常为255；$ {\theta _1} = 0.01 $，$ {\theta _2} = 0.03 $为默认值。一般情况下，结构相似性的具体计算公式可以表示为：
$$ {\mathrm{SSIM}} = l(x,y) \times c(x,y) \times s(x,y) $$ (13) 2. 试 验
2.1 试验数据与试验环境
煤岩显微图像采集自130个煤光片样本，原始图像大小为2 580×1 944像素，位深度为24。采用固定窗口对原始的130张高分辨率煤岩显微图像中的划痕缺陷所在区域进行裁剪，最终得到165张大小为$ 256 \;{\mathrm{px}}\times 256 \;{\mathrm{px}}$的煤岩划痕图像。煤岩划痕检测试验中，对煤岩划痕图像进行了人工标注，其中152张用于交叉验证（含训练集和测试集，8折交叉验证），13张用作验证集。在煤岩显微图像修复试验中，从原始的130张高分辨率煤岩显微图像中剪裁出480张不含划痕缺陷的图像，大小统一为$ 256 \;{\mathrm{px}}\times 256\;{\mathrm{px}} $。其中，450张不含划痕的显微图像用作训练集，这些图像被随机赋予不同形状的掩膜后送入图像修复网络。在训练过程中对模型参数进行学习和调整，以最小化修复结果与真实图像之间的差异。针对剩余30张无划痕的煤岩显微图像，从划痕标签中挑选30张划痕掩膜，并将二者拼接生成30张待修复图像用作测试集。进而，使用量化指标对测试集的修复结果与原始的30张无划痕图像进行对比，完成图像修复网络的性能评估。
鉴于煤岩显微图像的采集过程中相机拍摄的视角是固定的，数据集的规模和多样性等无法满足煤岩划痕检测与修复网络的训练要求，为此在训练过程中随机对图像进行翻转、旋转、平移、裁剪、颜色空间变换，保证数据的多样性，实现动态数据增强。
试验在一台搭载NVIDA GTX1080Ti的计算机上进行，基于PyTorch深度学习框架搭建煤岩划痕分割网络和煤岩显微图像修复网络，利用CUDA实现模型张量运算加速。试验中，输入图像的大小为$ 256 \times 256 $像素，在煤岩划痕分割网络训练中批处理大小设置为2，在煤岩显微图像修复网络的训练中批处理大小设置为4，使用Adam作为模型参数优化器，并利用余弦退火策略更新学习率。
2.2 试验结果
2.2.1 煤岩划痕检测
文中与3种常用的语义分割模型进行了性能比较，包括：① 全卷积网络(Fully Convolutional Network，FCN)、② SegNet、③ 金字塔场景解析网络(Pyramid Scene Parsing Network，PSPNet)。FCN是第一个用于语义分割的 CNN 架构，使用卷积层取代了传统卷积神经网络中的全连接层，能够接受任意尺寸的输入[28]。类似于U-Net，SegNet同样使用编码器-解码器架构，其利用合并索引来执行非线性上采样，消除了学习上采样的需求，减小了计算开销与内存占用[29]。PSPNet利用金字塔池化模块，充分发挥了全局上下文信息的能力[30]。
采用8折交叉验证方法来进行性能评估。从表1可以看出，所提方法在2个评价指标方面均表现最佳。平均像素准确度、平均交并比分别为90.93%，83.95%，优于其他3种方法。为了进一步验证所提方法的有效性，本文与经典的U型语义分割网络及其变形进行了对比。其中，U-Net表示经典U-Net模型；VGG-U-Net表示使用VGG16网络对U-Net的编码器进行优化；Attention U-Net表示Attention U-Net[31]模型，即在U-Net中嵌入注意力门；DA-U-Net表示在U-Net中嵌入双注意力模块；VGG-A-U-Net表示使用VGG16网络对U-Net的编码器进行优化，并嵌入Attention U-Net中的注意力门；VGG-DA-U-Net表示本文方法，使用VGG16网络对U-Net的编码器进行优化，并嵌入双注意力模块。试验结果见表2，本文方法在不显著增加模型参数的同时表现最佳，验证了采用VGG16网络进行优化与双注意力模块在划痕检测任务上的有效性。
表 1 基于不同语义分割模型的煤岩划痕检测性能Table 1. Performance of coal scratches detection based on different semantic segmentation models方法 平均像素准确度/% 平均交并比/% PSPNet 88.43 81.41 SegNet 88.80 81.74 FCN 89.91 82.26 本文模型 90.93 83.95 表 2 基于不同U型网络的煤岩划痕检测性能Table 2. Performance of coal scratches detection based on different U-shaped networks方法 参数量/M 平均像素准确度/% 平均交并比/% U-Net 34.5 90.16 83.29 VGG-U-Net 16.3 90.64 83.45 Attention U-Net 34.8 90.67 83.47 DA-U-Net 35.8 90.78 83.69 VGG-A-U-Net 16.4 90.82 83.76 VGG-DA-U-Net 16.6 90.93 83.95 图4形象化地展示了针对2个示例样本的划痕检测结果。每行图像从左至右依次为含有划痕的煤岩显微图像、划痕标签图像、基于不同语义分割模型的划痕检测结果和基于本文方法的划痕检测结果。观察不同模型的划痕检测结果可知，PSPNet、SegNet、FCN对细小划痕的检测性能较差，存在漏检和检测不全的问题。本文方法则可以有效地对细小划痕进行检测，保证了细小划痕的结构完整性，得到的结果与标签的一致性最好。
![]()
图 4 细小煤岩划痕语义分割结果示例Figure 4. Illustrative examples of the semantic segmentation results for tiny coal scratches部分煤岩显微组分呈现为窄长的带状，纹理特征与划痕相似，易与划痕混淆。针对含有煤岩组分纹理干扰的煤岩显微图像，本文对不同的语义分割网络进行了对比分析。如图5所示，每行图像从左至右依次为含有划痕的煤岩显微图像、划痕标签图像、基于不同语义分割模型的划痕检测结果和基于本文方法的划痕检测结果。观察图5c—图5e可知，PSPNet、SegNet、FCN在对存在纹理干扰的煤岩显微图像进行检测时，抗干扰能力较差，无法有效区分划痕与干扰成分，易出现误检与漏检。观察图5f可知，本文方法具有较强的抗干扰能力，可以较好地区分划痕附近具有相似特征的煤岩显微组分，预测结果更接近真实结果。
![]()
图 5 煤岩组分纹理干扰的煤岩划痕语义分割结果示例Figure 5. Illustrative examples of semantic segmentation results with texture interference of macerals2.2.2 煤岩划痕修复
为了评估不同图像修复方法的性能，在煤岩显微图像数据集上分别采用补丁匹配算法、DeepFillv2和本文方法对待修复的煤岩显微图像进行测试。补丁匹配是图像修复领域的一种常用方法，主要利用整张图像或图像中存在的与待修复区域最匹配的补丁来实现对目标区域的填充与修复。DeepFillv2是一种典型的生成式图像修复方法，通过引入门控卷积与生成对抗机制，解决了缺失区域为任意形状时的空洞问题，提高了图像修复质量[32]。
本文采用峰值信噪比和结构相似性作为评价指标来对煤岩显微图像的修复结果进行评估。由表3可以看出，采用生成式图像修复模型的煤岩显微图像修复结果相较于补丁匹配算法获得了明显的改善，其中DeepFillv2的峰值信噪比和结构相似性指标分别提高了8.11 dB和1.54%，本文所提模型的峰值信噪比和结构相似性指标分别提高了8.76 dB和1.65%，表明本文模型的修复结果更好。
表 3 基于不同修复方法的煤岩显微图像修复性能Table 3. Restoration performance of coal photomicrograph based on different restoration methods方法 峰值信噪比/dB 结构相似性/% 补丁匹配 34.53 97.67 DeepFillv2 42.64 99.21 本文方法 43.29 99.32 将含有划痕的煤岩显微图像与检测得到的划痕掩膜进行拼接后生成的图像作为待修复图像，分别采用补丁匹配算法和基于生成对抗模型的图像修复网络对缺失区域进行补全，即先利用语义分割模型获取煤岩划痕掩膜，然后将获得的划痕掩模覆盖在煤岩划痕图像的对应位置上，然后利用图像修复网络实现划痕目标的修复。如图6所示，每行图像从左至右依次为带有划痕的煤岩显微图像、煤岩显微图像和划痕掩膜的拼接图像、基于补丁匹配算法的煤岩显微图像修复结果、基于DeepFillv2的煤岩显微图像修复结果、基于本文方法的煤岩显微图像修复结果，图中左下方的绿色矩形框为同幅图像内红色矩形框的放大内容。从图中可以观察到，传统的补丁匹配算法对划痕掩膜所在区域进行了比较完整的填充，但在煤岩组分的纹理与结构出现明显变化时，更倾向于保证补丁区域内的局部平滑性，却忽略了图像整体的平滑性与合理性。生成式模型具有全局和局部特征理解能力，生成图像包含丰富的语义信息。然而，对应标注区域2，DeepFillv2的修复结果与周围区域存在较为明显的上下文语义信息不一致现象。图6e中，提出的煤岩显微图像修复模型跨区域生成了与原有纹理相似的内容，修复后的煤岩显微图像在整体内容和局部细节上更加合理。
![]()
图 6 煤岩划痕图像修复示例Figure 6. Illustrative examples of image restoration for coal scratches3. 结 论
1)设计了融合双注意力模块的U型语义分割网络，并将其用于煤岩显微图像中的划痕检测。实验结果表明，该方法能准确区分煤岩显微组分与划痕，平均像素准确度和平均交并比分别达到90.93%和83.95%，在煤岩显微图像划痕检测任务上表现出色。
2)引入生成对抗学习，融合上下文注意力，提出了一种由粗及细的煤岩显微图像修复网络，自适应地为煤岩划痕区域填充较为合理的内容。相较于传统基于补丁匹配的算法，所提模型的峰值信噪比和结构相似性指标分别提高了8.76 dB和1.65%。修复后的煤岩显微图像更符合客观事实，修复后的图像在整体上更具有一致性与合理性。
3)实验结果充分证明了语义分割网络和生成对抗网络在煤岩显微图像划痕检测与修复任务上的有效性。这不仅为深化煤岩学研究提供了可靠手段，也为相关领域的技术应用奠定了坚实基础。然而，需要指出的是，本研究使用的数据集在多样性上存在局限，未能全面覆盖煤岩显微结构的所有潜在变化。为了克服这些限制，未来的研究将着重于扩充数据集，引入更具挑战性的样本，并进一步加强对模型鲁棒性的深入探究。
-
![]()
图 9 优化前后拱架巷道位移矢量
Figure 9. Vector of archway displacement before and after optimization
![]()
图 11 优化前后拱架巷道位移矢量
Figure 11. Vector of archway displacement before and after optimization
表 1 钢管相关参数
Table 1 Steel pipe related parameters
密度/
（kg·m−3）弹性模
量/GPa泊松比 剪胀角/（°） 第二应力
比值${\sigma _{b0}}/{\sigma _{c0}}$
比值黏性
系数2 450 28.869 0.25 20 0.6667 1.16 0.000 2 
下载: 导出CSV
表 2 混凝土参数
Table 2 Concrete parameters
密度/ （kg·m−3） 弹性模量/GPa 泊松比 屈服应力/MPa 抗拉强度/MPa 7 800 206 0.28 245 410
下载: 导出CSV
表 3 吸能构件对比
Table 3 Energy absorbing components contrast
构件编号 缩放比例 壁厚/mm 最大承载力/kN 压溃最大尺寸/mm 一号 6.0 1597 0.71 6.5 1764 198.0 7.0 1923 二号 6.0 1683 0.76 6.5 1834 209.4 7.0 2002 三号 6.0 1743 0.80 6.5 2103 218.8 7.0 2509
下载: 导出CSV
表 4 岩层与岩石力学参数
Table 4 Rock formation and rock mechanics parameters
岩性 厚度/
mm密度/
(kg·m−3)体积模
量/ GPa剪切模
量/GPa黏聚力/
MPa抗拉强
度/MPa内摩擦
角/(°)细砂岩 13.2 2 530 13.4 7.6 1.4 11.55 37 煤 7.5 1 350 10.5 6.5 1.2 0.9 23 粗砂岩 1.8 2 540 14.7 8.1 10.0 11.55 26
下载: 导出CSV
-
[1] 张丰收,李猛利,张重远,等. 高地应力下深部岩芯饼化裂缝发展规律及机制研究[J]. 岩石力学与工程学报,2022,41(3):533−542. ZHANG Fengshou,LI Mengli,ZHANG Chongyuan,et al. Study on fracture propagation and formation mechanism of core discing at depth under high in-situ stresses[J]. Chinese Journal of Rock Mechanics and Engineering,2022,41(3):533−542.
[2] 潘立友,魏 辉,陈理强,等. 工程缺陷防控冲击地压机理及应用[J]. 岩土工程学报,2017,39(1):56−61. doi: 10.11779/CJGE201701003 PAN Liyou,WEI Hui,CHEN Liqiang,et al. Mechanism and application of using engineering defect to prevent and control rock burst[J]. Chinese Journal of Geotechnical Engineering,2017,39(1):56−61. doi: 10.11779/CJGE201701003
[3] 潘一山,齐庆新,王爱文,等. 煤矿冲击地压巷道三级支护理论与技术[J]. 煤炭学报,2020,45(5):1585−1594. PAN Yishan,QI Qingxin,WANG Aiwen,et al. Theory and technology of three levels support in bump-prone roadway[J]. Journal of China Coal Society,2020,45(5):1585−1594.
[4] 张红军,王奎峰,王 薇,等. 软岩巷道围岩刚柔耦合支护技术研究与应用[J]. 防灾减灾工程学报,2023,43(1):107−113,121. ZHANG Hongjun,WANG Kuifeng,WANG Wei,et al. Study and application of rigid-flexible coupling Support technology for surrounding rock in soft rock roadway[J]. Journal of Disaster Prevention and Mitigation Engineering,2023,43(1):107−113,121.
[5] WANG Qi,LUAN Yingcheng,JIANG Bei,et al. Study on key technology of tunnel fabricated arch and its mechanical mechanism in the mechanized construction[J]. Tunneling and Underground Space Technology,2019,83:187−194. doi: 10.1016/j.tust.2018.10.002
[6] 高延法,王 波,王 军,等. 深井软岩巷道钢管混凝土支护结构性能试验及应用[J]. 岩石力学与工程学报,2010,29(S1):2604−2609. GAO Yanfa,WANG Bo,WANG Jun,et al. Test on structural property and application of con-crete-filled still tube support of deep mine and soft rock roadway[J]. Chinese Journal of Rock Mechanics and Engineering,2010,29(S1):2604−2609.
[7] 王 琦,许 硕,江 贝,等. 地下工程约束混凝土支护理论与技术研究进展[J]. 煤炭学报,2020,45(8):2760−2776. WANG Qi,XU Shuo,JIANG Bei,et al. Research progress of confined concrete support theory and technology for underground engin-eering[J]. Journal of China Coal Society,2020,45(8):2760−2776.
[8] 陈 斌,左宇军,王 剑,等. 深部巷道直墙半圆拱形钢管混凝土支架承载性能分析[J]. 矿冶工程,2021,41(1):11−15. doi: 10.3969/j.issn.0253-6099.2021.01.003 CHEN Bin,ZUO Yujun,WANG Jian,et al. Bearing capacity analysis for concrete-filled steel tube support with semicircular curved structure for straight wall of deep roadway[J]. mining and metallurgical engineering,2021,41(1):11−15. doi: 10.3969/j.issn.0253-6099.2021.01.003
[9] 齐庆新,潘一山,李海涛,等. 煤矿深部开采煤岩动力灾害防控理论基础与关键技术[J]. 煤炭学报,2020,45(5):1567−1584. QI Qingxin,PAN Yishan,LI Haitao,et al. Theoretical basis and key technology of prevention and control of coal-rock dynamic disasters in deep coal mining[J]. Journal of China Coal Society,2020,45(5):1567−1584.
[10] 齐庆新,潘一山,舒龙勇,等. 煤矿深部开采煤岩动力灾害多尺度分源防控理论与技术架构[J]. 煤炭学报,2018,43(7):1801−1810. QI Qingxin,PAN Yishan,SHU Longyong,et al. Theory and technical framework of prevention and control with different sources in multi-scales for coal and rock dynamic disasters in deep mining of coal mines[J]. Journal of China Coal Society,2018,43(7):1801−1810.
[11] 魏建军,蒋斌松. 钢管混凝土可缩拱架承载性能试验研究[J]. 采矿与安全工程学报,2013,30(6):805−811. WEI Jianjun,JIANG Binsong. Experimental study on structural property of contractible con-crete-filled steel tube support[J]. Journal of Mining & Safety Engineering,2013,30(6):805−811.
[12] 李术才,邵 行,江 贝,等. 深部巷道方钢约束混凝土拱架力学性能及影响因素研究[J]. 中国矿业大学学报,2015,44(3):400−408. LI Shucai,SHAO Xing,JIANG Bei,et al. Study of the mechanical characteristics and influencing factors of concrete arch confined by square steel set in deep roadways[J]. Journal of China University of Mining & Technology,2015,44(3):400−408.
[13] 李为腾,王 琦,李术才,等. 方钢约束混凝土拱架套管节点抗弯性能研究[J]. 中国矿业大学学报,2015,44(6):1072−1083. LI Weiteng,WANG Qi,LI Shucai,et al. Study on bending properties of casing joint of square confined concrete arch support[J]. Journal of China University of Mining & Technology,2015,44(6):1072−1083.
[14] 李为腾,李术才,王 新,等. U型约束混凝土拱架屈服承载力计算方法研究[J]. 中国矿业大学学报,2016,45(2):261−271. LI Weiteng,LI Shucai,WANG Xin,et al. Calcu-lation method of yielding bearing capacity of U-steel confined concrete supporting arch[J]. Journal of China University of Mining & Technology,2016,45(2):261−271.
[15] 王 军,杨 光,黄万朋,等. 顶升可缩式钢管混凝土支柱试验研究与工程应用[J]. 煤炭学报,2022,47(8):3052−3068. WANG Jun,YANG Guang,HUANG Wanpeng,et al. Bearing capacity analysis for concrete-filled steel tube with semicircular curved structure for straight wall of deep roadway[J]. Journal of China Coal Society,2022,47(8):3052−3068.
[16] 鹿 伟,江 贝,王 琦,等. 深部软岩巷道方钢约束混凝土拱架基本构件力学特性及参数影响机制研究[J]. 采矿与安全工程学报,2020,37(3):473−480. LU Wei,JIANG Bei,WANG Qi,et al. Mechanical characteristics and parameter influencing mechanism of square steel confined concrete arch components[J]. Journal of Mining & Safety Engineering,2020,37(3):473−480.
[17] 侯元将,左宇军,陈 斌,等. 深部高应力巷道弯曲D型钢管混凝土支架支护分析[J]. 矿冶工程,2022,42(5):15−19,25. HOU Yuanjiang,ZUO Yujun,CHEN Bin,et al. Analysis of D-shaped concrete-filled steel tube support in deep roadway under high stress[J]. mining and metallurgical engineering,2022,42(5):15−19,25.
[18] 单仁亮,彭杨皓,孔祥松,等. 国内外煤巷支护技术研究进展[J]. 岩石力学与工程学报,2019,38(12):2377−2403. SHAN Renliang,PENG Yanghao,KONG Xiangsong,et al. Research progress of coal roadway support technology at home and abroad[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38(12):2377−2403.
[19] 高延法,何晓升,陈冰慧,等. 特厚富水软岩巷道钢管混凝土支架支护技术研究[J]. 煤炭科学技术,2016,44(1):84−89. GAO Yanfa,HE Xiaosheng,CHEN Binghui,et al. Study on support technology of concrete-filled steel tubular in roadway with huge thick and rich water soft rock[J]. Coal Science and Technology,2016,44(1):84−89.
[20] 刘德军,左建平,郭 淞,等. 深部巷道钢管混凝土支架承载性能研究进展[J]. 中国矿业大学学报,2018,47(6):1193−1211. LIU Dejun,ZUO Jianping,GUO Song,et al. Research on load-bearing ability of steel tube confined concrete supports for deep roadway:State of the art[J]. Journal of China University of Mining & Technology,2018,47(6):1193−1211.
[21] 安 栋,陈 征,宋嘉祺,等. 防冲吸能构件应变特性及巷道支架应用研究[J]. 中国安全生产科学技术,2022,18(12):73−79. AN Dong,CHEN Zheng,SONG Jiaqi,et al. Study on strain properties of energy-absorption burst-prevention component and its application in roadway support[J]. Journal of Safety Science and Technology,2022,18(12):73−79.
计量
- 文章访问数: 90
- HTML全文浏览量: 7
- PDF下载量: 38
