移动扫码阅读
移动扫码阅读
煤矿智能化是实现煤炭安全高效开采的发展方向，而煤岩层位识别与追踪是制约煤炭智能化开采的重要难题之一[1]。受地质条件和环境因素的影响，煤层和岩层的赋存条件复杂。近年来，国内外学者研究应用γ射线、振动测试、红外探测、地面耦合雷达[2-5]等方法对煤岩识别技术开展研究，常规煤岩层位探测方法均难以满足现场实时动态探测的实际需求，煤岩界面识别精度低、适应能力差[6-10]。探地雷达是以发射宽频带短脉冲的高频电磁波并接收其反射信号来实现目标体探测的一种方法，空气耦合雷达天线可实现目标体的非接触式探测，已经应用于矿井煤岩层位的实时探测中[11-13]。1991年，美国矿业局最早将探地雷达用于煤岩界面的研究。澳大利亚学者RALSTON[14](2000)等开发了便携式探地雷达，并将其应用到煤厚探测中。澳大利亚昆士兰理工大学的 Andrew Darren Strange(2007)[15]验证了基于探地雷达反射回波双谱特性的信号处理方式，在探测厚度50 cm 以下的预留保护煤层时优于传统的匹配滤波器信号处理方式。国内学者也做了一些相关研究。李亮(2015)等[16]证明了探地雷达能够进行气煤-砂岩的煤岩界面识别。徐旭东等[17]通过同相轴的对比追踪，得到了清晰的煤-岩分界面变化图。彭苏萍团队[18]于2018年开发了空气耦合式矿井煤岩识别雷达天线，并用于矿井煤岩界面的精细探测。层位识别与追踪方法最早出现并应用在地震领域，后来被引入到探地雷达领域[19-20]。目前的层位追踪算法有早期的利用相位参数进行层位追踪，也有后来的利用信号分析和变换技术进行层位多参数提取，通过相关计算达到层位追踪目的。对于矿井巷道全空间条件，煤岩复杂介质环境导致雷达数据同向轴起伏较大，数据单道形状复杂化，在进行层位追踪时，常出现追踪点位跳跃、串层等现象，直接降低了煤岩层位识别的精度，亟需针对煤岩层位识别与追踪方法进行研究[21-23]。
因此，笔者提出了一种基于高频雷达波的煤岩层位识别方法和以“窗口算子”为核心的追踪算法，根据“空气-煤-岩”层的反射波特征，提出了煤岩层位种子点识别与定位算法，然后以三级“窗口算子”为核心实现煤岩界面的实时跟踪。首先阐述煤岩层位探测工作原理，接着介绍煤岩层位的识别与定位方法，讲述煤岩层位追踪算法并进行物理模型试验，随后进行矿井煤岩探测试验，最后对全文进行总结。
基于高频雷达波的煤岩层位探测原理是通过向煤层发射脉冲形式的高频宽带电磁波，电磁波在煤层传播过程中遇到与煤存在电性差异的岩石层时发生反射，反射信号到达煤层上表面时由Rx(接收天线)感应接收，并经过超宽带接收机的转换、放大、量化后形成电磁回波(图1)。根据电磁回波极性、幅度、走时等参数，采用相应的算法寻找到煤层与岩石层的分界面，从而计算出煤层的厚度，其中Tx为发射天线。
图1 超宽带电磁波煤岩识别原理示意
Fig.1 Schematic of the principle of ultra-wideband electromagnetic wave coal and rock identification
地质雷达所发射电磁波的传播取决于介质的电性，介质的电性主要有电导率μ和介电常数ε，前者主要影响电磁波的穿透(探测)深度，在电导率适中的情况下，后者决定电磁波在该物体中的传播速度，因此，所谓电性界面也就是电磁波传播的速度界面。不同的地质体(物体)具有不同的电性，因此，在不同电性的地质体的分界面上，都会产生能量较强的回波。
要实现对煤岩层的精准识别，首先要对雷达波层位特征进行分析，准确定位层位点。首先搭建理想的煤岩结构模型，如图2所示，模型煤层厚度0.2 m，岩石层厚度为0.5 m，通过GPRMax2D进行仿真模拟(图2)，单道波形如图2b所示。
图2 数值模型及仿真结果
Fig.2 Numerical model and simulation results
通过对比三个界面的波形图可以发现：A为直达波，直达波是从探地雷达的发射天线出发不经过反射和折射直接到达接收天线的电磁波，其特点是信号振幅值最大；B为“空气-煤”层位回波，空气-煤界面振幅值仅次于直达波；C为“煤-岩”层位回波，因受电磁波衰减的影响，煤-岩界面振幅值最小。
2.2.1 “煤-岩”层的初步定位
1)直达波位置及其样点数N0。在预处理后的雷达数据中选取任一道数据序列，并确定所选数据序列的道号；其中，所选数据序列的道号记为T0(图3)。从时间窗口0点开始第一个振幅起跳点位置即为直达波的位置，其样点数记为N0。
图3 第T0道雷达回波
Fig.3 T0 radar echo
2)“空气-煤”层位的位置及其样点数N1。应用已经建立的煤岩分类模型实现空气-煤层位的准确识别，进而确定空气-煤层位的位置及其样点数N1。
N1=[(2H0(N-1))/V0T]+N0
(1)
式中：H0为雷达天线悬空高度；T为采样时窗；N为采样率；V0为电磁波在空气中的传播速度。
3)“煤-岩”层位的位置及其样点数N2。对于种子道数据序列集(即预处理后的雷达数据)，煤-岩层位的位置位于空气-煤层位的下面，从空气-煤层位的样点数N1开始，应用已经建立的煤岩分类模型实现煤-岩层位的准确识别，进而确定煤-岩层位的位置及其样点数N2。
N2=[(2H1(N-1))/V1T]+N1
(2)
式中：H1为煤层高度；Vt为电磁波在煤层中的传播速度。
根据煤-岩层位的样点数和所选数据序列的道号，确定种子层位点的坐标信息，即预处理后的雷达数据中所对应的位置点(T0，N2)为煤岩层初步种子层位点。
2.2.2 “煤-岩”层的精确定位
上述确定的N0、N1和N2相当于是煤岩层位探测的单道波形中主瓣极值点所在采样点序号(图4)。而实际上主瓣极值点附近的点都可以作为我们要确定的层位点，为实现对煤岩层位的精确定位(即电磁反射波的位置)搭建天线不同悬空高度和煤层厚度的误差分析试验。模型设置参数如下：二维网格单元尺寸为0.005 m×0.005 m，时窗为15 ns，子波中心频率为1.2 GHz。在数值模型中，煤层相对介电常数ε1为6，岩石相对介电常数ε2为9。将天线的悬空高度d0设置为20 cm并保持不变，煤层厚度d1变化范围为30～50 cm。道间距设置为0.02 m，利用GPRMax2D进行探测仿真(图5)。
图4 煤岩层位探测单道波形示意
Fig.4 Schematic of single-channel waveform of coal and rock layer detection
图5 物理仿真模型和其雷达剖面
Fig.5 Physical simulation model and its radar profile
设在单道波形上直达波、“空气-煤”“煤-岩”层位反射波的可取样点序号的范围分别为[i1,i2]、[j1,j2]和[k1,k2],i′、j′和k′为相对于其主瓣极值点号的样点距离，称为相对序号。悬空高度计算值的相对误差和煤层厚度的相对误差分别为Er0和Er1。
在d1=30、40、50 cm处的单道波形(图6)会各自对应一个相对误差二维图谱(图7)。在每个二维图谱中设定其阈值Erm，得到其对应的Er1<Erm的区域，将几个区域作交集运算。在此过程中，一是要保证在同一高度条件下阈值Erm尽量小，二是保证不同悬空高度条件下Er1<Erm的区域交集不为空。即最终得到的阈值Erm是满足一定线性关系的最小公共区域。由上述得到该试验在不同高度条件下相对误差不超过1.1%的区域(图8a)和不同标记(不同煤层厚度)处煤厚相对误差均不超过0.5%的区域(图8b)。试验结果表明:这2个区域的点内部呈线性关系，利用最小二乘法拟合直线，可以得到相对序号i′和j″、j′和k′之间的关系式(图8)。
图6 不同煤层厚度处的单道波形图
Fig.6 Single-channel waveform diagrams at different coal seam thicknesses
图7 二维图谱
Fig.7 2D map
图8 相对序号i′和j″、j′和k′之间的关系
Fig.8 Relationship between relative sequence numbers i and j″, j′and k′
根据上述关系可得：预处理后的雷达数据中如果选定N0为直达波位置的样点数，那么“空气-煤”种子层位点的位置为(T0，N1+2)，“煤-岩”种子层位点的位置为(T0，N2+2)。
因复杂地质条件，一般情况下煤矿巷道顶板并非一条直线，在煤岩层位动态探测过程中，雷达天线悬空高度H0随着煤层的起伏会有一定的变化。雷达天线悬空高度H0通过以下方法计算：根据2.1节和2.2节中提到的矿井煤岩层位识别方法，可以确定雷达数据中任意一道单道波中直达波的位置及其对应样点数N0，以及“空气-煤”层位的位置及其样点数N1+2，根据“空气-煤”层位与直达波之间的时间差和电磁波在空气中的传播速度V0即可获取雷达天线在该道处的悬空高度H0，其计算公式为：
H0=(N1+2-N0)V0T/2(N-1)
(3)
“煤-岩”层位的位置及其样点数N2+2，根据“空气-煤”层位与“煤-岩”之间的时间差和电磁波在煤中的传播速度V1即可获取煤层厚度H1。其计算公式为：
H1=(N2-N1)V1T/2(N-1)
(4)
现有的层位追踪方法可实现针对简单的煤岩层位或者理想情况下煤岩层位的追踪，而对于干扰源尚未建立判断和纠错机制。当某个位置出现追踪错误时，导致后续错误的层位追踪结果，这种状况称之为“串层”。提出设立三级窗口算子，从而减少串层现象的发生。
“窗口算子”由道相关算法改进而来，是把参考道种子点作为中心，调整上下界线范围生成三级窗口，设x(m)是参考道的数据序列，而y(n)是被追踪道的数据序列，数据序列的长度是m和n1；m1、m2和m3分别为参考道3个数据序列窗口的长度，且n1>m3>m2>m1。则有：
(5)
式中，ρxy为相关系数；N为采样点数。
根据公式(5)进行相关性分析(图9)，分析步骤如下：
图9 “三级窗口”相关分析示意
Fig.9 “Three-level window” correlation analysis
1)首先判断一级窗口：在被追踪道上选定一个序列，从它的上界线首个点起始，计算参考道与被追踪道相关性，至本窗口下界线末位点结束，直至计算到最大的相关系数值才停止，接下来对二级窗口做相似的操作，直到所计算的相关系数值最大为止(计为ρ2)，如果ρ1和ρ2所对应的点号相同，那么将该点位置信息作为被追踪道的层位坐标信息。
2)如果ρ1和ρ2所对应的点号不同，即要判断3级窗口，直到所计算的相关系数值最大为止(计为ρ3)，如果ρ3和ρ1、ρ2所对应的任一点号相同，那么就将该相同点位置信息作为被追踪道的层位坐标信息。
3)如果ρ3、ρ1和ρ2所对应的点号都不同，那就把与ρ3相应的位置信息当作被追踪道的层位坐标信息。
利用“窗口算子”，以种子层位点为初始参考中心，对预处理后的雷达数据进行层位追踪，确认全部被追踪道和起始参考道这两部分数据序列的层位地理坐标信息，起始参考道的数据序列是把种子层位点作为中心的数据序列。具体为：
计种子层位点为(T0，N2+2)，层位追踪是把(T0，N2+2)作为起始参考中心，使用道相关算法实时地追踪层位。其中，以(T0，N2+2)为参考道数据序列的中心，设x(m)、y(n)分别为参考道数据序列和被追踪道数据序列，m和n为数据序列的长度，且n>m。详细的操作流程如下：
1)以种子层位点为参考道数据序列的中心，将设定好的步长作为数据采择窗口，确认从参考道数据序列中提选的数据。
2)把与参考道数据序列相邻的数据序列作为被追踪道数据序列，利用“窗口算子”，根据式(5)计算参考道数据序列选取的数据与被追踪道数据序列的相关系数，并确定被追踪道数据序列的层位坐标。其中，横坐标值X为道数，纵坐标值Y为煤岩层位高度，即N2+2。
3)把参考道数据序列的中心更换为被追踪道数据序列的层位坐标，将参考道数据序列更新为被追踪道数据序列，返回确定参考道数据序列选取的数据步骤，循环迭代，直到确定出所有被追踪道数据序列的层位坐标信息。
为验证本方法的有效性，在实验室搭建物理模型，模型剖面为直角梯形(图10)，其长为200 cm，短边宽22.5 cm，长边宽35 cm。模型内部分为上下两层，上层为岩石层，下层为煤层。在煤岩层位起伏平缓区选择5处进行打标，层位起伏明显区选择3处进行打标，测量并记录打标处的悬空高度和煤层实际厚度(表1)。
图10 室内煤岩模型
Fig.10 Indoor coal and rock model
表1 悬空高度及煤层实际厚度
Table 1 Suspended height and actual thickness of coal seam
打标点序号悬空高度/cm煤层实际厚度/cm121.28.0221.27.4321.66.7421.96.3522.16.8622.919.7721.819.8821.716.9
利用中国矿业大学(北京)自主研发的1.2 GHz空气耦合式煤岩识别天线，放置在煤岩物理模型下方，从左向右匀速进行探测，随天线的运动动态采集煤岩层位雷达数据。根据上述层位追踪算法，得到模型煤岩层位追踪结果(图11)。应用本文提出的煤岩层位追踪方法和煤层厚度计算方法获得打标位置点煤层厚度探测结果，并进行精度分析。
由图11a可以看出：利用上述算法能准确识别并追踪到煤岩层位，图11b中对打标点处的测量煤厚和实际煤厚进行误差分析，平均误差为±0.12 cm，最大误差百分比为4.76%，最小误差百分比为0.75%，平均误差百分比为2.18%。
图11 模型追踪结果及煤层厚度分析
Fig.11 Model tracking results and coal seam thickness analysis
为进一步验证研究方法的效果，应用中心频率为1.2 GHz的空气耦合式煤岩识别天线在上湾煤矿12306工作面进行煤岩识别探测试验，共计采集了8组数据。为验证探测结果的准确性，在探测区域范围选取8个位置进行顶板开挖，准确量取煤层厚度值。数据处理结果如图12、图13、图14所示。
图12 彩色雷达图谱及追踪层位
Fig.12 Color radar map and tracking horizon
图13 灰度雷达图谱及追踪层位
Fig.13 Grayscale radar map and tracking horizon
图14 实际煤厚与探测煤厚对比
Fig.14 Comparison of actual coal thickness and detected coal thickness
对所获取煤岩界面雷达数据进行识别追踪并与现场定点位置实测煤层厚度数据对照分析，上述煤岩识别与追踪算法得到的探测数据与实际数据之间的平均误差为±0.71 cm，平均误差百分比为3.53%，验证了该算法在实际工程中的可行性。
1)提出了一种基于高频空气耦合雷达的煤岩层位识别与追踪方法，高频空气耦合雷达的中心频率为1.2 GHz。物理模型试验和现场探测试验结果表明：高频空气耦合雷达及煤岩层识别方法，可在煤岩层连续的情况下实时动态获取到1 m范围内煤岩层位信息，探测精度达到厘米级，其中物理模型探测中平均误差为±0.12 cm，平均误差百分比为2.18%，矿井工作面探测平均误差值为±0.71 cm，平均误差百分比为3.53%。
2)研究成果在煤岩层存在明显电性差异的工作面可实现煤岩层位的快速探测、识别与追踪。下一步的工作重点是针对煤岩层中出现夹矸、不连续等情况完善煤岩层位追踪算法，同时研究在煤层顶板高度发生连续变化情况下，基于采煤机坐标系下的煤岩层位坐标转换方法。
[1] 刘忠超,刘勇军.煤岩识别现状分析与发展方向[J].南阳理工学院学报,2018,10(4):26-30.
LIU Zhongchao, LIU Yongjun. Analysis and development direction of coal rock identification [ J ].Journal of Nanyang Institute of Technology, 2018,10(4):26-30.
[2] 王增才,富 强.自然γ射线穿透煤层及支架顶梁衰减规律[J].辽宁工程技术大学学报：自然科学版, 2006, 25(6):804-807.
WANG Zengcai, FU Qiang. The attenuation law of natural γ-ray penetrating coal seam and support top beam[J]. Journal of Liaoning University of Technology ：Natural Science Edition, 2006,25(6):804-807.
[3] 张启志,邱锦波,庄德玉.基于倒谱距离的煤机煤岩截割振动信号识别[J].工矿自动化,2017,43(1):9-12.
ZHANG Qizhi, QIU Jinbo, ZHUANG Deyu. Vibration signal recognition of coal cutting based on cepstrum distance[J].Industry and Mine Automation, 2017,43(1):9-12.
[4] 杨 恩，王世博，葛世荣.典型煤系岩石的可见-近红外光谱特征研究[J].工矿自动化，2019,45(3)：45-51.
YANG En, WANG Shibo, GE Shirong. Study on visible-near infrared spectral characteristics of typical coal measures rocks [ J ]. Industry and Mine Automation,2019,45(3):45-51.
[5] CHEN Z,OLATUBOSUN O O, ZHANG H,et al. Automatic detection of asphalt layer thickness based on Ground Penetrating Radar[C]. IEEE International Conference on Computer and Communications. 2017:2850-2854.
[6] 任 芳,杨兆建,熊诗波.国内外煤岩界面识别技术研究动态综述[J].煤,2001, 4(4):54-55.
REN Fang, YANG Zhaojian, XIONG Shibo. Dynamic review of coal-rock interface identification technology at home and abroad[J].Coal, 2001,4(4):54-55.
[7] LUO Gubai,CAO Yingui,XU Hanxiao,et al. Research on typical soil physical properties in a mining area:Feasibility of three-dimensional ground penetrating radar detection[J]. Environmental Earth Sciences,2021,80(3):
[8] 刘万里,马修泽,张学亮.基于探地雷达的特厚煤层厚度动态探测技术[J].煤炭学报,2021,46(8):2706-2714.
LIU Wanli, MA Xiuze, ZHANG Xueliang. Dynamic detection technology of thick coal seam thickness based on ground penetrating radar [ J ].Journal of China Coal Society, 2021,46(8):2706-2714.
[9] 杨光照.基于探地雷达的煤岩界面识别技术研究[D].徐州：中国矿业大学,2019.
YANG Guangzhao. Research on coal-rock interface recognition technology based on ground penetrating radar [ D ].Xuzhou:China University of Mining and Technology, 2019.
[10] 郑龙金,唐小泉,曹平华,等.探地雷达对采煤工作面顶底板复杂构造探测研究[J].煤炭技术,2018,37(7):124-127.
ZHENG Longjin, TANG Xiaoquan, CAO Pinghua,et al. Ground Penetrating Radar for Detecting Complex Structures of Roof and Floor in Coal Mining Face[J].Coal Technology, 2018,37(7):124-127.
[11] 刘 帅,赵文生,高思伟.超宽带探地雷达煤层厚度探测试验研究[J].煤炭科学技术,2019,47(8):207-212.
LIU Shuai,ZHAO Wensheng,GAO Siwei. Experimental study on coal seam thickness detection by ultra-wideband ground penetrating radar [ J ].Coal Science and Technology, 2019,47(8):207-212.
[12] 王 振.探地雷达在采煤工作面上保护层检测中的应用[D].西安:西安科技大学,2016.
WANG Zhen. Application of ground penetrating radar in protective layer detection of coal mining face [D ].Xi’an：Xi’an University of Science and Technology, 2016.
[13] 王 昕,丁恩杰,胡克想,等.煤岩散射特性对探地雷达探测煤岩界面的影响[J].中国矿业大学学报,2016,45(1):34-41.
WANG Xin, DING Enjie, HU Kexiang,et al. Influence of scattering characteristics of coal rock on coal rock interface detected by ground penetrating radar[J]. Journal of China University of Mining and Technology, 2016,45 (1):34-41.
[14] RALSTON Johnathon C,HAINSWORTH David W. Use of gro-und penetrating radar in underground coal mining[J]. CSIRO Exploration and Mining (Australia),2000,4084:
[15] STRANGE A D.Robust thin layer coal thickness estimation using ground penetrating radar[J].Ground Penetrating Radar, 2007.
[16] 李 亮,王 昕,胡克想,等.探地雷达探测煤岩界面的方法与试验[J].工矿自动化,2015,41(9):8-11.
LI Liang, WANG Xin, HU Kexiang,et al. Methods and tests for detecting coal-rock interface by GPR[J].Industry and Mine Automation, 2015,41(9):8-11.
[17] 徐旭东,李 博,南莹浩.基于地质雷达探测的煤—岩分界面实验分析[J].华北科技学院学报,2016,13(6):78-81.
XU Xudong, LI Bo, NAN Yinghao. Experimental analysis of coal-rock interface based on geological radar detection[J]. Journal of North China University of Science and Technology, 2016,13 (6):78-81.
[18] 彭苏萍.我国煤矿安全高效开采地质保障系统研究现状及展望[J].煤炭学报,2020,45(7):2331-2345.
PENG Suping. Research status and prospect of geological guarantee system for safe and efficient mining of coal mines in China[J].Journal of China Coal Society, 2020,45(7):2331-2345.
[19] 郑公营,曾婷婷.地震层位自动追踪技术研究[J].物探化探计算技术,2013,35(6):711-716.
ZHENG Gongying, ZENG Tingting. Research on seismic horizon automatic tracking technology [J].Physical Exploration and Geochemical Calculation Technology, 2013,35(6):711-716.
[20] 俞燕浓,方广有.基于隐Markov模型和布雷森纳姆算法的层位追踪法[J].电子与信息学报,2009,31(5):1140-1143.
YU Yannong,FANG Guangyou. Layer tracking method based on hidden Markov model and Braysenham algorithm[J]. Electronic and Informatics, 2009,31(5):1140-1143.
[21] 刘旭跃,周 巍,张 兵,等.一种基于图像学的地震层位自动追踪方法[J].物探化探计算技术,2017,39(1):64-70.
LIU Xuyue, ZHOU Wei, ZHANG Bing,et al. An automatic seismic horizon tracking method based on imageology[J]. Physical and Geochemical Exploration Computing Technology, 2017,39(1):64-70.
[22] 程 明,曹俊兴,尤加春,等.基于图像语义分割的层位自动追踪方法[J].地球物理学进展,2021,36(4):1504-1511.
CHENG Ming, CAO Junxing, YOU Jiachun,et al. Automatic horizon tracking method based on image semantic segmentation[J]. Geophysical Progress, 2021,36(4):1504-1511.
[23] 张延家. 基于脉冲式探冰雷达的层厚自动追踪算法研究[D].哈尔滨:哈尔滨工业大学,2019.
ZHANG Yanjia.Research on automatic tracking algorithm of layer thickness based on pulse ice radar[D].Harbin:Harbin University of Technology, 2019.