基于爆炸式移动三维激光扫描的煤矿巷道围岩全空间变形监测方法

《Applied Sciences》：Multi-View Machine Learning with an Optic Disc Localization for Glaucoma Diagnosis Parichat Siying, Thitima Muangphara, Aphinan Photun, Siwakon Suppalap, Thitiphat Klinsuwan, Chatmongkol Phruancharoen, Sirinan Treeyawedkul, Tanate Chira-adisai, Ying Supattanawong and Rabian Wangkeeree

　　

煤矿巷道围岩变形监测是确保煤矿安全生产的关键环节。传统的监测方法仅能获取离散测点的位移信息，难以全面反映围岩变形的空间分布特征与演化规律。本研究以中国山西省榆树坡煤矿特厚煤层巷道为工程背景，提出了一套基于爆炸式移动三维激光扫描技术的巷道围岩全空间变形监测方法。首先，建立了基于改进统计滤波的分层去噪方法，通过区域裁剪、多维几何特征引导的连通性分析以及自适应密度阈值三级处理策略，有效提升了点云数据质量。其次，提出了一种结合物理锚点几何约束与深度学习面片引导匹配的分层点云配准方法，将配准误差降至毫米级。最后，通过整体变形识别与局部断面切片定量分析相结合的方式，开展围岩变形评估。工程应用结果表明：监测期间巷道底鼓变形最为显著，最大变形量为90.0毫米，平均变形量为46.9毫米；顶板最大变形量为35.0毫米，两帮收敛呈现非对称性。与全站仪对比结果显示，各方向最大位移误差不超过5毫米，标准差在1.3毫米以内，满足煤矿巷道变形监测的工程精度要求。本研究为煤矿巷道围岩变形全景化、高精度监测提供了一套完整技术方案。

**论文解读文章**

**研究背景与问题**
随着煤矿开采深度与强度的增加，“三高一扰”（高地应力、高渗透压、高温度、强开采扰动）引发的巷道围岩大变形、长历时、严重破坏等问题日益突出。传统监测方法如激光测距仪、全站仪（Total Station, TS）仅能获取预设离散测点的三维坐标，无法反映围岩变形的连续空间分布特征；基于线性尺度的测量方法（如十字测量法、多点位移计）只能表征距离变化；基于面域的测量方法（如摄影测量、三维激光扫描）中，摄影测量受限于煤矿高粉尘、弱纹理等复杂环境，匹配精度显著下降。同时，基于同步定位与建图（Simultaneous Localization and Mapping, SLAM）算法的移动激光雷达系统虽具备高效获取密集三维点云的优势，但其惯性测量单元（Inertial Measurement Unit, IMU）累积漂移误差及低重叠场景下的配准精度仍有待研究。现有研究缺乏从数据采集到变形分析的完整工作流，点云去噪与配准方法精度不足，且爆炸式防爆仪器在煤矿中的应用研究较少。为此，研究团队引入爆炸式移动三维激光扫描技术，以中国山西省榆树坡煤矿5111回风巷超厚煤层巷道为工程背景，开展全空间变形监测研究。该论文发表在《Applied Sciences》。

**主要技术方法**
研究采用了三大关键技术方法：一是**分级点云去噪方法**，基于改进统计滤波，通过区域裁剪、多维几何特征（曲率、法向量、局部点密度）引导的连通性分析结合自适应密度阈值的三级渐进处理，消除边界溢出点、独立干扰簇及稀疏异常点。二是**分层点云配准方法**，采用“粗配准-精配准”两阶段策略：粗配准利用预标定物理锚点的几何约束，通过加权奇异值分解（Weighted Singular Value Decomposition, Weighted SVD）消除IMU漂移造成的宏观偏差；精配准引入基于深度学习的面片引导配准网络，包含特征金字塔网络（Feature Pyramid Network, FPN）与匹配金字塔网络（Matching Pyramid Network, MPN），并采用线性注意力机制与跨层上下文聚合（Cross-layer Context Aggregation, CCA）模块，结合匹配一致性判断策略筛选高置信度对应点对。三是**变形分析方法**，通过“点云/点云距离计算”进行整体变形识别，再沿巷道纵向进行断面切片（采用非均匀B样条拟合轮廓），计算面积变化率以定量评估收敛程度。数据来源为中国榆树坡煤矿现场，采用GHJS12爆炸式移动三维激光扫描仪采集两期点云（2025年7月5日与8月5日），并与莱卡TZ08全站仪进行对比验证。

**研究结果**
1. **整体变形识别**：基于点云距离计算的可视化色谱图显示，监测范围内峰值变形在90毫米以内，识别出两处变形集中区：一处在巷道煤帮肩角，另一处在倾斜段底板。顶板也存在变形响应，但幅度有限。
2. **断面切片定量分析**：在里程167–194米区间设置10组监测断面（PS1–PS10，间距3米）。定量分析表明：底板以底鼓（上抬）为主，最大正位移+90.0毫米，平均+46.9毫米；顶板以沉降（弱势下沉）为主，最大负位移?35.0毫米，平均?19.3毫米；实体煤帮侧收敛（向巷道内位移）最大?33毫米，煤柱帮侧最大?39毫米，两帮收敛呈非对称性。底板变形最为显著，这与该段底板为砂质泥岩（低强度软岩）且存在局部渗水导致的软化效应相符。
3. **一致性与可靠性验证**：在全站仪对比中，每断面设置5个特征测点（顶板中点、底板中点、左帮、右帮、肩角）。误差统计表明：顶板方向最大位移误差3毫米（标准差1.02毫米），底板方向4毫米（标准差0.98毫米），煤柱帮4毫米（标准差0.94毫米），实体煤帮5毫米（标准差1.3毫米）。所有方向误差≤5毫米，标准差≤1.3毫米，满足工程精度要求。

**讨论与结论**
研究总结部分指出：提出的分级去噪方法有效消除了三类噪声，显著提升点云纯度与几何精度；分层配准方法通过物理锚点与深度学习结合，将配准误差从粗配准后的8.5厘米（较原始提升83.7%）进一步降至精配准后的0.6厘米（精度再提升92.9%），整体精度提升98.9%；工程应用验证了该方法能全面捕捉围岩变形空间分布与演化特征，与全站仪对比误差极小。主要结论翻译如下：
(1) 提出了适用于煤矿复杂环境的分级点云去噪方法，通过边界裁剪、多维几何特征引导的改进统计滤波及自适应密度阈值三级渐进处理，消除了三类典型噪声（边界溢出点、独立干扰簇、稀疏异常点），在保留巷道表面几何特征完整性的前提下，显著提高原始点云数据纯度与几何精度。
(2) 建立了物理锚点几何约束与深度学习特征引导相结合的分层点云配准方法，有效解决了移动激光扫描系统在煤矿巷道低重叠率、弱纹理、高几何重复性场景中的配准难题。粗配准阶段利用预标定物理锚点通过加权SVD实现全局坐标对齐，配准误差均方根（Root Mean Square, RMS）从52.3厘米降至8.5厘米（精度提升83.7%）；精配准阶段采用面片引导配准网络（FPN+MPN），结合匹配一致性判断策略过滤离群对应点对，配准误差RMS进一步降至0.6厘米（较粗配准阶段精度提升92.9%）。两阶段整体精度提升98.9%，保障了围岩变形监测的工程要求。
(3) 工程应用与一致性验证结果表明，该方法能有效捕捉巷道围岩变形的全局空间分布信息与演化特征。在榆树坡煤矿5111回风巷试验段一个月的监测中，通过全局差异分析识别出两处变形集中区。定量分析显示：底板以底鼓变形为主，最大正位移+90.0毫米，平均+46.9毫米；顶板以下沉为主，最大负位移?35.0毫米，平均?19.3毫米；煤柱帮侧最大负位移?39毫米，实体煤帮侧最大负位移?33毫米，呈现一定非对称性。与全站仪对比，各方向最大位移误差不超过5毫米，标准差在1.3毫米以内。表明该方法在巷道围岩变形识别、异常区域定位及安全监测预警方面具备足够工程精度，可为主支护效果评价、关键断面复核及现场处置决策提供可靠依据。
研究同时指出：该方法适用于常规开挖扰动及静力/准静态服务条件下的围岩表面变形监测，对于低频波动、岩爆等显著动态荷载场景仍需结合更高时间分辨率的动态监测方法。后续可构建标准化基准数据集以系统量化算法在不同噪声类型下的鲁棒性与泛化能力。