基于多阈值目标提取的时序InSAR矿区地表沉降监测研究

利用传统SBAS-InSAR法进行地表沉降监测时,需要人工选取目标点进行轨道精炼与沉降反演,但在环境复杂的矿区很难通过人工选取到稳定的目标点,使得传统SBAS-InSAR法的应用存在诸多局限性。因此,提出一种基于多阈值目标提取的SBAS-InSAR法矿区地表沉降监测方法,在传统SBAS-InSAR法的基础上,设定离差阈值参数、区域窗口阈值参数与相干性阈值参数来提取地面较为稳定的目标点。将该方法与传统SBAS-InSAR法应用到实际案例中,获取研究区地表沉降监测结果进行时序分析并对比验证。研究结果表明:(1)矿区内存在三处开采沉陷区,且开采沉陷区位置与该煤矿开采工作区一致,最大年平均沉降速率为-156 mm/a,最大沉降量为-376 mm;(2)两种方法矿区沉降绝对平均差值不超过12 mm,说明多阈值目标提取的SBAS法可有效克服传统SBAS-InSAR法存在的局限性,同时还能保证较高的精度,在矿区地表沉降监测中更具有优势。

基于PCA-BP神经网络的随钻参数岩性智能感知方法研究

针对地下金属矿山掘进过程中岩层信息参数获取难度大、岩性判别精度低等问题,提出一种基于主成分分析法(PCA)和BP神经网络的岩性智能感知方法:首先,通过理论分析,构建基于PCA-BP神经网络的随钻参数岩性智能感知模型;然后,通过相似材料模拟3种不同岩性的“三层一体”岩样,利用特制的凿岩机钻进试验台获取钻机钻进速度、回转速度、钻压、回转压力、回转扭矩和泥浆泵压力等6种随钻参数;最后,对理论模型进行训练和检验。结果表明,PCA-BP神经网络岩性智能感知方法与传统的BP神经网络岩性智能感知模型相比,减少了模型计算量,且岩性智能感知的准确率得到了有效提升。