瞬變電磁法在礦山巷道超前預報系統構建中的應用研究

尹紀超 王慎利

收稿日期：2024-01-11; 修回日期：2024-02-20

基金項目：國家自然科學基金項目（GDKJXM20210069）

作者簡介：尹紀超（1979—），男，高級工程師，碩士，研究方向為工程物探；E-mail：1783505731@qq.com

摘要：利用CUGTEM-GK Ⅱ瞬變電磁儀對礦山巷道的超前勘探工作進行實時物探，并形成三維模型成像結果，給出了礦山巖層地下水涌水量、巷道頂板及兩幫位移量等預警數據。其中，機器學習算法整合深度卷積神經網絡、多列神經網絡、數據二值化輸出、模糊決策矩陣預警等算法，給出了覆蓋范圍較大的粗略預警結果和覆蓋范圍較小的精細預警結果。經仿真分析，粗略預警結果和精細預警結果均表現出一定的數據敏感性，且精細預警可以在巷道掘進問題巖層前24 h給出較高敏感度的預警結果。

關鍵詞：瞬變電磁法；礦山巷道；超前探測；機器學習；神經網絡；數據預警

中圖分類號：TD263?? ???????文章編號：1001-1277（2024）06-0027-04

文獻標志碼：Adoi：10.11792/hj20240606

引? 言

瞬變電磁法也稱時間域電磁法（Time Domain Electromagnetic Methods，TEM），是一種利用瞬變電磁場在巖層中的反射導體抗磁、勵磁現象進行物探的勘探方法。相比其他物探方法，TEM無需鉆孔，設備體積小，操作時間短，結果分析過程無需進行數據層面的二次開發，能夠在保障礦山巷道掘進工作工期接續的同時，進行巷道掘進中的強化勘探工作［1］。

實際礦山勘探過程中，利用每天固定的工作面檢修時間，在礦山巷道掘進工作面前端迎頭執行基于CUGTEM-GK Ⅱ瞬變電磁儀的瞬變電磁法勘探，獲得持續觀測數據［2］。研究重點為利用大數據分析算法將電磁異常區域翻譯為承壓水發育區域、斷層破碎帶等，同時分析讀取前置巖層的分界面，在TEM三維模型的基礎上，構建礦山地層結構三維模型［3］。

1? 基于CUGTEM-GK Ⅱ的TEM數據源

研究使用的CUGTEM-GK Ⅱ瞬變電磁儀是一種專門應用于隧道超前探測的便攜式TEM設備，有效超前探測距離為150 m，可應用在礦山巷道掘進探測領域。該設備主要針對地下水結構進行探測，包括巖溶水、裂隙水、巖層含水量等，巖層中的金屬單質及金屬順磁氧化物也會對結果產生影響，由于不同巖層順磁性、抗磁性（含水量等）存在差異，在地下水弱侵入區域，即存在巖溶、裂隙等較少干擾因素的前提下，根據不同巖層的含水量差異，可以對巖層賦存情況進行高清晰成像。一般全巖斷面礦山巷道掘進速度在6 m/d以下（炮掘三循環）。因此，150 m的超前探測量可供施工方掘進施工至少25 d，且利用每天檢修時間進行一次TEM探測，近端數據疊加量將達到25次以上。隨著距離增大，獲得的可疊加TEM數據量減少，數據精度也有所降低。在勘探過程中設計了4個掘進周期，分別給出不同的勘探模型精度和數據挖掘目標［4］，如表1所示。

由表1可知：按照150 m的超前探測量和25 d的掘進周期，距離巷道掘進工作面最近的1個掘進周期（約6 m）內，數據疊加量將達到25次以上，對25次TEM測試數據基于機器學習算法進行疊加，可以獲得較高精度的數據。此時，在掘進施工中最關注的數據為掘進過程中發生涌水、巖層壓力等風險的概率。

2? 基于TEM數據的三維模型學習架構

上述數據來源分析中，每天在礦山巷道掘進工作面采集以TEM數據為原始數據的三維模型，該三維模型由CUGTEM-GK Ⅱ瞬變電磁儀配套的軟件工具包搭建。研究主要針對TEM多次探測產生的三維模型進行數據卷積分析，最終給出數據預警值。基于TEM數據的三維模型學習架構如圖1所示。

2024年第6期/第45卷? 礦業工程礦業工程? 黃? 金

由圖1可知：通過前置數據分析所獲得的4個三維模型精度存在差異。其中，整合全部25次勘探數據的三維模型，對距離掘進工作面18 m內數據有較強的數據支持，最高精度為距離掘進工作面6 m內數據。TEM自帶軟件工具包給出的三維模型精度可調，一般默認網格節點間距為100 mm，最大精度可以給出網格節點間距5 mm的三維模型［5］。根據數據分析的推薦配置，上述4個三維模型的實際數據結構參數如表2所示。由表2可知：該學習架構中共包含2個卷積神經網絡，用于輸出高精度的預警結果。其中，粗略預警包含表2中三維模型1～3的節點數據，精細預警包含表2中全部4個三維模型的節點數據。卷積神經網絡內部結構邏輯展開圖如圖2所示。

由圖2可知：對每個三維模型分別構建卷積神經網絡，使每個三維模型最終卷積成一個雙精度浮點型變量。為加強卷積過程待回歸變量的數據卷積能力，采用6階多項式迭代回歸函數作為卷積神經網絡的基函數，每層節點量不少于上一層節點量的75 %，則三維模型1卷積模塊隱藏層數量59，節點量1.39×109；三維模型2卷積模塊隱藏層數量62，節點量4.32×109；三維模型3卷積模塊隱藏層數量64，節點量6.86×109；三維模型4卷積模塊隱藏層數量78，節點量403.52×109。經上述卷積過程，4個三維模型中諸多節點均會被卷積成1個雙精度浮點型變量，每個節點至少包含6個待回歸變量，數據信息會被存儲到待回歸變量中，確保卷積過程信息損失量無限接近于0。在卷積神經網絡后，連接3個分列的多列神經網絡模塊。其中，粗略預警3個分列各有3個輸入節點，以及1個輸出節點，輸入及輸出節點運行數據均為雙精度浮點型變量［6］；精細預警3個分列各有4個輸入節點，以及1個輸出節點，輸入及輸出節點運行數據均為雙精度浮點型變量。多列神經網絡內部隱藏層再度分為2段，前段使用對數型迭代回歸函數作為節點基函數，將數據節點量擴增到13個；后段使用二值化函數作為節點基函數，將數據節點量壓縮到1個，供給輸出層。最終，每列輸出數據格式為雙精度浮點型變量，但通過二值化過程將數據投影到［0，1.000］上，且數據無限接近于0或1.000［7］。經過上述處理的6列數據，均由獨立的模糊矩陣算法模塊進行處理，形成最終預警結果［8］。

3? 基于模糊決策矩陣的TEM預警結果

經過對前置卷積神經網絡和多列卷積神經網絡的最終輸出值進行驗證，其輸出值分布情況如圖3所示。

由數據的二值化程度（如圖3-a所示）可知：0附近數據較多，其次為1.000附近數據，中間數據量較少，屬于典型的二值化數據。圖3-b為數據總落點情況的統計，該系統定義數據接近1.000時為高風險數據，接近0時為正常數據。由圖3-b可知：數據接近0.300時可能出現向落點值域右側數據躍遷。所以，設計模糊決策矩陣時，達到0.300的數據被認為是高風險數據。上述模糊決策矩陣策略如表3所示。

由表3可知：模糊決策矩陣可以給出3項預警結果（涌水風險預警、巖層壓力風險預警和其他風險預警），預警結果包括由高至低分別為紅、橙、黃、藍4個預警級別和1個無預警狀態。隨后的算法仿真驗證過程，將分別考察5種預警狀態的實際意義［9］。

4? 基于仿真分析的算法效能驗證分析

山東正元地球物理信息技術有限公司近5年來承擔了4個礦井的巷道掘進工作，相關巷道斷面等效直徑為5.5～8.0 m，超前勘探過程中涉及到的勘探斷面等效為矩形（15 m×15 m），上述4個掘進工作中，均采用了每天使用CUGTEM-GK Ⅱ瞬變電磁儀進行超前勘探的安全管理輔助勘探模式。礦山巷道最大埋深1 545 m，最小埋深70 m，埋深覆蓋范圍較廣，如該方案在上述4個巷道均有較佳表現，則可以認定基于CUGTEM-GK Ⅱ瞬變電磁儀的TEM勘探對巷道掘進安全管理輔助勘探工作具有積極意義［10-11］。

仿真用原始數據選擇上述4個礦山巷道掘進工作中采集到的原始數據，包括CUGTEM-GK Ⅱ瞬變電磁儀的采集數據和根據其配套軟件資料包繪制的三維數字化模型，同時參考實際巷道掘進工作日志中記錄的涌水量、頂板位移量及兩幫位移量等數據。仿真環境選擇Matlab+Simuwork大數據分析軟件，運行設計的基于卷積神經網絡和多列神經網絡的機器學習算法仿真軟件。

分析5種預警狀態與礦山巖層涌水量的關聯關系，針對地下水風險判斷分列給出數據整合得到的模糊決策矩陣預警結果。其中，涌水量數據為掘進到風險預警位置時的實測涌水量，具體數據如表4所示。

由表4可知：礦山巖層實測最大涌水量（1 127 m3/h）均出現在紅色預警狀態下，實測最小涌水量（62 m3/h）均出現在無預警狀態下。使用較少數據量（3組三維模型數據）且預警范圍更大的粗略預警功能與使用較多數據量（4組三維模型數據）且預警范圍較小的精細預警功能相比，對涌水量的控制結果表現出以下特征：無預警狀態下，最大涌水量分別為104 m3/h和115 m3/h，涌水量完全處于現場排水系統控制范圍內，施工風險較低；粗略預警功能給出的預警值對應的涌水量值域較寬且不同預警級別之間存在較大范圍實測涌水量的交叉數據集，反之，精細預警功能給出的預警值對應的涌水量值域較窄且不同預警級別之間存在較小范圍實測涌水量的交叉數據集，可以判斷出精細預警的數據敏感性更強。

分析5種預警狀態下礦山巷道工作面頂板及兩幫位移量的關聯關系，為簡化比較分析過程，該分析結果中提到的所有位移量均為完成永久支護（90 d）時的實測位移量，實際支護工藝對位移量的影響并不在考慮范圍內。仿真比較結果如表5所示。

由表5可知：最大實測巷道頂板位移量（303 mm）和最大實測兩幫位移量（219 mm）均出現在紅色預警狀態，最小實測頂板位移量（7 mm）和最小實測兩幫位移量（9 mm）均出現在無預警狀態。使用較少數據量（3組TEM三維模型數據）且預警范圍更大的粗略預警功能與使用較多數據量（4組TEM三維模型數據）且預警范圍較小的精細預警功能相比，對位移量的控制結果表現出與涌水量控制相似的特征：精細預警的值域縮小且不同預警狀態下值域交叉縮小。

5? 結? 語

利用礦山巷道掘進工作循環中每天固定的檢修時間，采用CUGTEM-GK Ⅱ瞬變電磁儀對礦山巷道的超前勘探工作進行實時物探，從初次探及該區域到掘進進入該區域前，最多可能對該區域進行25次瞬變電磁法勘探，并形成三維模型成像結果。利用這一系列結果，經過深度卷積神經網絡和多列卷積神經網絡為核心算法的機器學習算法，給出關于礦山巖層涌水量和巖層壓力帶來的位移量預警結果。經仿真分析，套用數據量較大的精細預警方案數據敏感性更高，在后續研究中，增加勘探密度獲得更豐富的勘探結果或采用更高的數據采樣頻率，對后續研究中獲得更精細預警結果有積極意義。

［參 考 文 獻］

［1］? 吳國培，張瑩瑩，張博文，等.基于深度學習的中心回線瞬變電磁全區視電阻率計算［J］.物探與化探，2021，45（3）：750-757.

［2］? 景賀.礦井瞬變電磁法和震波單點法巷道勘探研究［J］.山東煤炭科技，2021，39（5）：178-180.

［3］? 王志彬.綜合物探方法在孤石探測中的可行性研究［J］.福建建設科技，2021（3）：27-30.

［4］? MARTINS-BRITTO A G，MORAES C M，LOPES F V.Transient electromagnetic interferences between a power line and a pipeline due to a lightning discharge：An EMTP-based approach［J］.Electric Power Systems Research，2021，197：107321.

［5］? 趙磊磊.基于瞬變電磁法的采空區探測研究［J］.江西煤炭科技，2021（2）：128-130.

［6］? 常豐國.瞬變電磁法在采面頂板巖層富水區的探查應用［J］.江西煤炭科技，2021（2）：134-136，140.

［7］? 張振雄，易國財，王仕興，等.基于最小構造模型的地空瞬變電磁一維正反演技術研究［J］.物探化探計算技術，2021，43（3）：352-359.

［8］? 王興春，鄧曉紅，陳曉東，等.基于高溫超導的瞬變電磁法在青城子礦集區的應用［J］.地球科學，2021，46（5）：1 871-1 880.

［9］? 楊月月，郭瑞，杜芙蓉，等.電磁式防砂篩管損傷檢測探頭設計與仿真［J］.管道技術與設備，2021（3）：38-41.

［10］? 張丹楓.瞬變電磁法勘探在煤礦多層采空積水區的應用研究［J］.冶金管理，2021（9）：95-96.

［11］? 戚偉，李威.基于瞬變電磁法的金屬礦山深部巖體儲水分布探測［J］.黃金，2019，40（8）：41-45.

Application of transient electromagnetic method to the construction

of advanced forecasting system for mine roadways

Yin Jichao，Wang Shenli

（Shandong Zhengyuan Geophysical Information Technology Co.，Ltd.）

Abstract：The CUGTEM-GK II transient electromagnetic instrument is used for real-time geophysical exploration of mine roadways，generating 3D model imaging results，and providing forecasting and warning data for water inflow in underground rock layers，displacement of roadway roof and walls，etc.Machine learning algorithms integrated deep convolutional neural networks，multilayer neural networks，data binary output，fuzzy decision matrix warning，etc.，to provide rough warning results with wide coverage and precise warning results with narrower coverage.Through simulation analysis，both rough warning results and precise warning results show certain data sensitivity，with the precise warning results able to provide high sensitivity warning results 24 h before encountering problematic rock layers during roadway excavation.

Keywords：transient electromagnetic method;mine roadways;advanced detection;machine learning;neural networks;data warning