| 论文中文题名： | 现代化大型矿山控制测量的质量控制研究 |
| 姓名： | |
| 学号： | 19210061024 |
| 保密级别： | 公开 |
| 论文语种： | chi |
| 学科代码： | 0816 |
| 学科名称： | 工学 - 测绘科学与技术 |
| 学生类型： | 硕士 |
| 学位级别： | 工学硕士 |
| 学位年度： | 2022 |
| 培养单位： | 西安科技大学 |
| 院系： | |
| 专业： | |
| 研究方向： | 矿区控制测量 |
| 第一导师姓名： | |
| 第一导师单位： | |
| 论文提交日期： | 2022-06-24 |
| 论文答辩日期： | 2022-06-09 |
| 论文外文题名： | Research on Quality Control of Control Survey in Modern Large-scale Mine |
| 论文中文关键词： | |
| 论文外文关键词： | Quality control ; Tolerance correction ; Deep learning ; U-Net ; Data processing |
| 论文中文摘要： |
随着我国经济和科技实力的不断提高，矿山的安全生产越来越被国家重视起来，矿山控制测量作为矿山安全的基础也逐渐开始受到安全监管者的关注。然而，科学技术与测量仪器的不断发展，使得传统的矿山控制测量质量控制技术和我国1989年颁布的《煤矿测量规程》（以下简称《煤规》）上的某些精度指标出现严重滞后问题，远不能满足如今矿山的发展需求。因此如何来提高矿山控制测量的质量控制是一个急需解决的问题。 为解决这一问题，本文首先探讨了矿山安全的重要性以及矿山控制测量在矿山建设中的地位。然后从矿山控制测量工作的三个方面（《煤规》指标限差的修正、误差预计中陀螺定向边位置的确定以及控制测量数据的处理）出发，对矿山控制测量的质量控制提出了自己的观点。论文的工作内容及结论如下： （1）在《煤规》井下三角高程限差的修正方面，论文首先推导了原有井下三角高程限差的来源，然后利用误差传播定理及实测经历分析可知原有的井下三角高程限差是偏大的，已无法适用于现今的煤矿测量要求。接下来对煤矿不同倾角的巷道进行分类讨论，提出了满足不同巷道倾角环境的新限差。最后根据某煤矿具体的实测数据对论文提出的限差进行验证，结果表明新限差可以满足不同巷道倾角下的测量要求。 （2）在陀螺定向边位置的确定方面，采用深度学习中U-Net神经网络来预测陀螺定向边位置的方法。本文首先介绍了U-Net神经网络模型，然后阐述了模型训练的环境配置，并进一步给出了评价指标的计算公式，最后对整个实验的结果进行分析与评价。通过对文中实验结果的定性（原始数据图像、预测的位置图像与预测的位置图像叠加到原始图像产生的效果图像三者之间的比较）定量（评价指标Accuracy值为0.9678，MIOU值为0.9567，MPA值为0.9795，fwIoU值为0.9998）分析表明U-Net模型在确定陀螺定向边位置上取得了较好的结果。并通过具体的实例得出，用U-Net神经网络预测的陀螺定向边应用于贯通误差预计时，可以满足贯通的误差要求。即深度学习在陀螺定向边位置的预测上具有可行性，这也为陀螺定向边位置确定的方法研究上提供了参考价值。 （3）在矿山控制测量的数据处理方面，文中采用Python语言对矿山控制测量涉及到的数据处理进行程序编译，其中包括矿山控制测量井下导线与高程测量的数据处理、不同坐标系下的单点与DXF图形文件转换计算、子午线收敛角和陀螺定向边的计算、井口中心坐标的计算、高斯投影坐标的转换计算等实用程序。然后通过具体的实测数据对文中编译的测量数据处理程序进行验证，编译的数据处理软件与传统Excel表格计算结果一致，且页面操作简单，对矿山控制测量数据处理具有一定的实用价值。 |
| 论文外文摘要： |
With the continuous improvement of China's economic and scientific strength, the safety production of mines has been paid more and more attention by the state, and mine control measurement as the basis of mine safety has gradually started to receive the attention of safety supervisors. However, the continuous development of science and technology and measuring instruments makes the traditional mine control measurement quality control technology and certain accuracy indicators on the "Coal Mine Measurement Regulations" (hereinafter referred to as "Coal Regulations") promulgated in 1989 in China have serious lagging problems, far from meeting the development needs of today's mines. Therefore, how to improve the quality control of mine control measurement is an urgent problem to be solved. To solve this problem, this paper firstly discusses the importance of mine safety and the status of mine control measurement in mine construction. Then from three aspects of the mine control measurement work (correction of the limit difference of the index of the Coal Regulation, determination of the position of the gyro-directed edge in the error prediction and the processing of the control measurement data), the paper presents its views on the quality control of the mine control measurement. The work and conclusions of the paper are as follows. (1) In terms of the correction of the triangular elevation limit difference of underground coal regulations, the thesis firstly deduces the source of the original triangular elevation limit difference of underground coal mines, and then analyzes the error propagation theorem and the actual measurement experience to obtain that the original triangular elevation limit difference of underground coal mines is on the large side, which is no longer applicable to the present-day coal mine measurement requirements. Next, a new limit difference is proposed to meet the different inclination environments of the coal mine by classifying and discussing the different inclination angles of the roadways. Finally, the proposed limits are verified according to the specific measured data of a coal mine, and the results show that the new limits can meet the measurement requirements under different roadway inclinations. (2) For the determination of gyro-directed edge position, the U-Net neural network in deep learning is used to predict the gyro-directed edge position. This paper first introduces the U-Net neural network model, then describes the environment configuration for model training, and further gives the formula for the evaluation index, and finally analyzes and evaluates the results of the whole experiment. The qualitative (comparison between the original data image, the predicted position image and the effect image produced by superimposing the predicted position image onto the original image) and quantitative (evaluation index Accuracy value of 0.9678, MIOU value of 0.9567, MPA value of 0.9795 and fwIoU value of 0.9998) analysis of the experimental results in the paper shows that the U-Net model achieves better results in determining the gyro-directed edge positions. And it is concluded by a specific example that the gyro-directed edge predicted by U-Net neural network can meet the through error requirement when applied to the through error prediction. That is, deep learning is feasible in predicting the gyro-directed edge position, which also provides a reference value for the research of gyro-directed edge position determination method. (3) In the data processing of mine control survey, the paper uses Python language to compile the data processing involved in mine control survey, including the data processing of mine control survey underground conductor and elevation measurement, the calculation of single point and DXF graphics file conversion in different coordinate systems, the calculation of meridian convergence angle and gyro orientation edge, the calculation of wellhead center coordinates, the calculation of Gaussian projection The practical procedures such as the conversion calculation of coordinates. Then the measurement data processing procedures compiled in the paper are verified by specific measured data. The compiled data processing software is consistent with the calculation results of traditional Excel tables, and the pages are easy to operate, which is of practical value for mine control measurement data processing. |
| 参考文献： |
[1]凌月明.中国矿产资源报告(2021)[M].北京:地质出版社,2021:1-1. [2]王山海.陕西煤矿可持续发展的思考[J].陕西煤炭,2015,34(05):42-45. [3]杜少鹏.高精度大型矿山贯通测量的质量控制[D].西安:西安科技大学,2018. [4]王鹏磊.矿山测量数据处理系统的研究与设计[D].西安:西安科技大学,2015. [5]令紫娟.矿山测量信息系统的研究与设计[D].西安:西安科技大学,2012. [6]张继荣.测绘新技术在矿山测量中的应用研究[J].内蒙古煤炭经济,2021,(03):195-196. [7]张国良.矿山测量学[M].徐州:中国矿业大学出版社,2016,3-4. [8]王远.测绘新技术在矿山测量中的应用[J].冶金管理,2021,(15):15-16. [9]康旭.方向附合导线网的数据处理[D].西安:西安科技大学,2011. [10] 付帅.现代化矿山测量技术发展现状及创新研究[J].世界有色金属,2021,(21):17-18. [11]刘晓,张戈.煤矿井下巷道贯通测量技术及其精度控制—以某矿井为例[J].河北地质大学学报,2019,42(05):75-79. [12]曹英莉,高金成.金属矿山大型贯通工程测量技术方案研究[J].西部探矿工程,2021,33(03):168-170. [13]方建锋.矿山测量工作问题分析及对策措施[J].山西冶金,2020,43(04):178-179+182. [14]宋林澎,刘文明.矿山测量中的常见问题与预防措施探讨[J].世界有色金属,2020,(17):11-12. [15]孟敏.论述贯通测量误差来源及质量控制技术[J].能源与节能,2015,(05):65-66. [16]高俊强,王斌.测有一个陀螺方位角地下导线的计算及最佳加测位置的理论证明[J].南京工业大学学报(自然科学版),2005,(03):47-50. [17]张宇冉.地铁隧道加测陀螺边最佳位置估算方案[J].城市勘测,2016,(05):145-147. [18]韩群柱,耿宏锁,李宇.地下工程导线测量中加测陀螺方位角的最佳位置研究[J].西北农林科技大学学报(自然科学版),2004,(12):116-120. [19]张国庆.贯通工程加测陀螺定向边最佳位置的确定[J].江西煤炭科技,2009,(03):45-46. [20]李孝茂.井下大型贯通加测陀螺定向边的重要性及其精度分析[J].工程建设与设计,2018,(02):53-54. [23]孙兴凯,郑崇启.巷道贯通测量误差预计系统开发及应用[J].矿业工程研究,2013,28(02):1-5. [24]李付岗,蔚科.一井内巷道贯通误差预计及软件开发[J].科技视界,2020,(13):169-171. [25]沙从术,胡愈.基于AutoCAD图解矿山两井定向的计算方法研究[J].煤炭科学技术,2013,41(10):112-116. [28]穆森茂.贯通测量技术在矿井开采巷道中的应用分析[J].山东煤炭科技,2022,40(02): 180-182. [29]游治宏.煤矿巷道贯通测量技术及其精度控制分析[J].矿业装备,2022,(01):72-74. [30]谷彦斐,徐泮林.地下贯通工程测量的精度影响误差分析[J].测绘与空间地理信息, 2020,43(08):201-204+207+211. [31]中华人民共和国能源部制定.煤矿测量规程[S].北京:煤炭工业出版社,1989. [36]喻小东,张鹏飞.矿井加测陀螺边方向附合导线的数据处理[J].现代矿业,2011,27(06):65-66+84. [37]关秋平.矿山测绘应用现状与质量控制的探究[J].居舍,2018,(09):143. [38]杨方盛.荣华一矿立井与荣华斜井两井特大型贯通误差预计与分析[J].矿山测量,2019,47(03):114-116. [39]赵吉先,孙小荣.地下工程测量[M].北京:测绘出版社,2013:112-121. [40]闫建伟,顾和和,张成校.GPS静态测量与四等水准测量高程精度对比分析[J].全球定位系统,2012,37(03):72-74. [41]于凤兵,祖鹏蕾.全站仪三角高程法在立井联系测量导入高程中的应用[J].矿山测量,2013,(03):31-32+35+5. [42]张杰,王智君.陀螺定向测量方法在矿井贯通中的应用[J].世界有色金属,2022,(01):15-17. [43]蒙恬,赵志刚.陀螺定向测量及提高贯通精度的措施[J].科学技术创新,2020,(26):20-21. [44]康志红.全站仪在煤矿井下平面控制测量中的应用[J].内蒙古煤炭经济,2018,(12): 11+26. [45]王云岗.全站仪在矿山井下平面控制测量的应用[J].内蒙古煤炭经济,2015,(08): 129+131. [48]张蓓.煤矿地下开采方法和工艺管理[M].徐州:中国矿业大学出版社,2014:56-58. [50]李海峰.数字化测量技术在矿山测量中的应用分析[J].西部资源,2020,(05):126-128. [51]张国良.矿山测量学[M].徐州:中国矿业大学出版社,2017:124-126. [52]中国统配煤矿总公司生产局组织修订.煤矿测量手册上册[M].煤矿测量手册上册.煤炭工业出版社,1990:36-39. [53]彭伟平.对井下三角高程测量限差修正的探讨[J].有色金属(矿山部分),2001,(03):35-39. [54]中国有色金属工业协会.工程测量规范:GB 50026-2007[M].中国计划出版社,2007. [55]李万木,王少安.浅析井下三角高程测量限差[J].焦作工学院学报(自然科学版),2000,(01):59-61. [56]薛怀军,穆月祥.现行《煤矿测量规程》之探讨[J].山东煤炭科技,2006,(06):53-54. [57]桑光灿,袁文.关于修改《煤矿测量规程》的若干意见[C].中国煤炭学会矿山测量专业委员会学术会议,2005. [58]高金辉,马和平.对修改《煤矿测量规程》的几点建议[J].矿山测量,2001,(03):60-61+4. [59]唐焕庆,魏可胜.对井下长距离贯通测量技术的探讨[J].工程技术(引文版),2016,(04):00138-00138. [60]孙金礼,陈杰.煤矿井下巷道贯通测量精度分析及技术方法[J].煤炭科学技术,2010,38(06):112-114+66. [61]李兴国.大型矿井巷道贯通测量方法与误差分析[J].煤炭科学技术,2012,40(07):93-95. [62]李 亮.大型矿井巷道贯通测量方法与误差分析[J].山东煤炭科技,2019,(06):189-191. [63]高山,张利刚.隧道洞内导线加测陀螺方位角最佳位置的研究[J].测绘与空间地理信息,2016,39(09):10-12+15. [64]张利刚.长大隧道洞内控制测量方法的研究[D].成都:西南交通大学,2016. [65]范慧颖.基于深度学习的冰川遥感图像语义分割[D].西安:西北大学,2021. [66]仝真.基于深度学习的立木图像分割方法[D].杭州:浙江农林大学,2021. [67] 李冬冬.基于深度学习的遥感图像地物分割研究[D].北京:北京工业大学,2020. [68]薛海洋.基于深度学习的图像分割算法研究[D].南宁:广西大学,2020. [69]王圣杰.基于全卷积神经网络的遥感影像建筑物提取方法研究[D].西安:西安科技大学,2021. [70]郭晓丽.基于全卷积神经网络的植物图像分割算法研究与实现[D].呼和浩特:内蒙古大学,2021. [71]徐婷宜.基于卷积神经网络的医学图像分割算法研究[D].扬州:扬州大学,2021. [72]姚梦柔.基于卷积神经网络的地震波初至到时拾取研究[D].太原:太原理工大学，2021. [73]于媛媛.基于UNet深度卷积神经网络的CTA颈动脉斑块分割算法研究[D].北京:北京交通大学,2021. [74]王旭冉.基于改进U-Net的遥感影像语义分割研究[D].银川:宁夏大学,2020. [75]杨丹,李崇贵.应用U-Net模型和多时相Landsat-8影像对森林植被的分类[J].东北林业大学学报,2021,49(09):55-59+66. [76]陈永.基于深度学习的高分辨率遥感影像建筑物提取和变化检测研究[D].南京:南京信息工程大学,2021. [77]王蓝玉.基于Deeplab V3+网络的遥感地物图像语义分割研究[D].哈尔滨:哈尔滨工业大学,2020. [78]周伟,宗杰. Python开发技术详解[M].北京:机械工业出版社,2009,21-24. |
| 中图分类号： | TD173 |
| 开放日期： | 2022-06-24 |
谷歌
火狐
