论文部分内容阅读
煤炭是全球最重要的能源之一,在现今社会中有着举足轻重的地位。煤炭开采所引发的地表沉降会对煤矿生态环境造成长时间难以修复的破坏,严重情况下还会损害矿区居民的生命安全和财产安全。煤炭的私挖滥采、违法盗采、越界越层开采现象屡禁不止,不仅浪费了大量煤炭资源,而且极易引发地表坍塌、裂缝等地质灾害,而现有监管方法多采用群众举报、现场巡查、地质勘探等方式,难以满足时效性,不适于大范围无靶区地下采空区探测,为政府、企业监管带来了困难。因此,为有效监控地下煤炭开采,并提取地表动态形变信息,预防因煤炭开采引起的地质灾害,地下采空区特征参数的准确获取至关重要。合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar,In SAR）作为一种较为先进的对地观测技术,具有重访周期短,穿透能力强,覆盖范围广,监测精度高等特点,已广泛应用于地质灾害监测、地表形变信息提取等领域。然而,目前利用In SAR获取地表形变反演地下采空区特征参数的研究相对较少。由于煤矿地表形变量级较大、地表植被覆盖较多,导致SAR影像对的失相干,给反演过程引入了误差。同时,由于煤矿地质采矿条件存在差异性,也为地下采空区的反演带来了困难。为此,针对上述不足,本文选取具有不同地质采矿条件的大柳塔煤矿和张双楼煤矿作为研究对象,以SAR/In SAR地表形变为约束,深入研究了利用群智能优化算法、深度卷积网络理论反演地下采空区的方法。主要研究成果如下:（1）发展了一种融合SAR偏移跟踪算法（Offset-Tracking,OT）和概率积分法（Probability Integral Method,PIM）的大梯度地表形变区域的地下采空区特征参数反演方法。通过PIM建立地下采空区和地表沉降的关联模型,将地下采空区特征参数视作未知参数,使用基于反向学习的混沌蝙蝠算法（Opposititionbased Learning Chaotic Bat Algorithm,OLCBA）将SAR/In SAR方法获取的地表真实沉降与建立的关联模型结合,反算出地下采空区特征参数。模拟实验表明,反演得到的地下采空区特征参数与真实值误差较小,最大相对误差和中误差分别为3.70%和6.24m,此时绝对误差为0.37m。将该方法应用于反演大柳塔煤矿52304工作面特征信息,反演出的8个参数中最大相对误差为81.50%,最大绝对误差为34.56m。（2）提出了一种基于分布式目标In SAR（DS-In SAR）的深部采空区特征参数及PIM参数反演方法。针对深部开采煤矿地表形变量相对较小,且煤矿地表植被覆盖较多,造成影像失相干,同时反演模型中的PIM参数需要实测反演或经验确定等问题,本文在获取DS-In SAR时序形变的基础上,研究了采空区参数和PIM主要参数的反演方法。模拟实验表明,反演得到的地下采空区参数与真实值误差较小,最大相对误差为6.28%,最大绝对误差出为7.50m。将该方法应用到张双楼煤矿93604工作面及其PIM参数反演中,获取的采空区参数中最大相对误差为14.79%,最大绝对误差为42.67m,PIM参数相对误差不超过34%,证明了方法的有效性。（3）提出了一种基于深度神经网络的地下采空区特征参数反演方法。为利用SAR/In SAR技术获取的地表形变直接反演采空区特征参数,本文首先采用已知的采空区特征参数结合PIM生成开采沉陷形变场,并转换为图数据以构建训练数据集;然后设计卷积神经网络模型,并通过PIM构建训练和测试数据集训练模型参数;最后将In SAR获取的地表形变带入训练好的深度神经网络模型,直接反演得到地下采空区特征参数。本文以张双楼煤矿为研究对象完成了反演实验,实验结果表明:训练的深度学习框架可以快速且高精度得到真实采空区参数,最大相对误差为33.17%,最大绝对误差为38.50m。该论文有图38个,表13个,参考文献91篇。