权利要求
1.一种地质勘查探矿安全监测方法，其特征在于，所述地质勘查探矿安全监测方法包括以下步骤：
通过分布式
传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;
对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;
基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;
将所述融合地质探矿数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;
根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配。
2.如权利要求1所述的一种地质勘查探矿安全监测方法，其特征在于，所述对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，包括：
对震动传感器数据进行带通滤波，利用FBG传感器的温度波长特性对形变传感器数据进行温度补偿，通过内置温度传感器进行实时校正，得到标准地表层数据;
对应力数据进行去趋势处理，消除钻孔过程中的机械振动影响;对渗流数据进行流量校准，根据传感器标定参数和钻孔孔径计算实际渗流速度后对气体数据进行零点漂移校正，得到标准钻孔层数据;
将三维点云数据进行去噪处理，利用统计滤波器和半径滤波器去除离群点，对光学影像进行几何校正和辐射校正后利用GCP地面控制点进行影像配准，得到标准三维点云数据。
3.如权利要求2所述的一种地质勘查探矿安全监测方法，其特征在于，所述将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据，包括：
利用RTK-GNSS技术获取所述标准地表层数据和标准钻孔层数据的传感器位置坐标;
通过POS系统与地面基站差分计算标准三维点云数据，得到点云数据和影像数据的空间定位;
建立空间转换参数库，根据不同传感器类型和地形条件选择转换模型，利用转换模型对数据进行转换，得到对齐地质探矿数据;
利用熵权法对所述对齐地质探矿数据中的信息熵动态调整各类数据权重，得到加权地质探矿数据;
通过自适应加权融合算法，根据所述加权地质探矿数据的实时方差调整权重，得到融合地质探矿数据。
4.如权利要求1所述的一种地质勘查探矿安全监测方法，其特征在于，所述基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型，包括：
构建多层LSTM网络，网络结构至少包括输入层、2个隐藏层和输出层，根据传感器数据维度确定输入层神经元数量;隐藏层每层神经元数为128;输出层神经元数为10，对应不同时间步的特征向量;
构建3D-CNN网络，网络结构至少包括3个卷积层、2个池化层和1个全连接层，卷积层采用3×3×3的卷积核，第一层卷积核数量为32，第二层为64，第三层为128;池化层采用最大池化操作，全连接层神经元数为256，输出特征向量用于描述地质结构的空间特征。
5.如权利要求1所述的一种地质勘查探矿安全监测方法，其特征在于，所述基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型，还包括：
将LSTM输出的时序特征向量和3D-CNN输出的空间特征向量进行拼接，作为全连接层的输入，
通过全连接层和Softmax层进行地质风险等级的分类识别，建立LSTM-3D-CNN地质勘查探矿风险识别模型。
6.如权利要求1所述的一种地质勘查探矿安全监测方法，其特征在于，所述将所述地质风险密度数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果，包括：
将预处理和融合后的地质风险密度数据输入到LSTM-3D-CNN模型中，输出5个风险等级的概率分布;
设定风险阈值，当风险概率大于0.7时判定为高风险区域;当风险概率大于0.6且小于等于0.7时判定为中高风险区域，根据判断结果输出地质风险识别结果。
7.如权利要求1所述的一种地质勘查探矿安全监测方法，其特征在于，所述根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配，包括：
根据风险识别结果，将高风险区域标记为作业禁区，基于Dijkstra算法以安全边界划分图为基础，基于路径长度、风险等级和通行条件因素优化勘查路径;
基于作业禁区和优化后的勘查路径，利用GIS技术生成安全边界划分图，图中包含不同风险等级区域的边界、勘查路径、钻孔位置和传感器部署点信息。
8.一种地质勘查探矿安全监测系统，其特征在于，所述地质勘查探矿安全监测系统包括以下模块：
地质数据采集模块，用于通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;
地质数据融合模块，用于对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;
识别模型建立模块，用于基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;
安全风险识别模块，用于将所述融合地质探矿数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;
地质风险响应模块，用于根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配。
9.如权利要求8所述的一种地质勘查探矿安全监测系统，其特征在于，所述安全风险识别模块包括以下子模块：
输出子模块，用于将预处理和融合后的地质风险密度数据输入到LSTM-3D-CNN模型中，输出5个风险等级的概率分布;
设定子模块，用于设定风险阈值，当风险概率大于0.7时判定为高风险区域;当风险概率大于0.6且小于等于0.7时判定为中高风险区域，根据判断结果输出地质风险识别结果。
10.如权利要求8所述的一种地质勘查探矿安全监测系统，其特征在于，所述地质风险响应模块包括以下子模块：
标记子模块，用于根据风险识别结果，将高风险区域标记为作业禁区，基于Dijkstra算法以安全边界划分图为基础，基于路径长度、风险等级和通行条件因素优化勘查路径;
生成子模块，用于基于作业禁区和优化后的勘查路径，利用GIS技术生成安全边界划分图，图中包含不同风险等级区域的边界、勘查路径、钻孔位置和传感器部署点信息。
说明书
技术领域
[0001]本发明涉及地质勘查技术领域，特别是一种地质勘查探矿安全监测方法及系统。
背景技术
[0002]在地质勘查与探矿领域，保障作业安全与提高勘查准确性一直是行业关注的核心问题。随着勘查工作逐渐向地形复杂、地质条件恶劣的区域推进，传统方法多依赖人工分析或简单的数据统计，效率低且准确性差。通过人工绘制地质图来判断风险区域，不仅耗时耗力，还容易受到主观因素影响，难以满足复杂地质条件下的快速、精准监测需求。仅依靠人工巡查或少量固定监测点的震动传感器，无法捕捉到地表层细微形变以及钻孔层复杂的应力、渗流和气体变化信息，难以提前发现潜在地质灾害隐患。
发明内容
[0003]本发明的目的是为了解决上述问题，设计了一种地质勘查探矿安全监测方法及系统。
[0004]实现上述目的本发明的技术方案为，进一步，在上述一种地质勘查探矿安全监测方法中，该地质勘查探矿安全监测方法包括以下步骤：
通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;
对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;
基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;
将所述融合地质探矿数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;
根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配。
[0005]进一步，在上述一种地质勘查探矿安全监测方法中，所述对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，包括：
对震动传感器数据进行带通滤波，利用FBG传感器的温度波长特性对形变传感器数据进行温度补偿，通过内置温度传感器进行实时校正，得到标准地表层数据;
对应力数据进行去趋势处理，消除钻孔过程中的机械振动影响;对渗流数据进行流量校准，根据传感器标定参数和钻孔孔径计算实际渗流速度后对气体数据进行零点漂移校正，得到标准钻孔层数据;
将三维点云数据进行去噪处理，利用统计滤波器和半径滤波器去除离群点，对光学影像进行几何校正和辐射校正后利用GCP地面控制点进行影像配准，得到标准三维点云数据。
[0006]进一步，在上述一种地质勘查探矿安全监测方法中，所述将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据，包括：
利用RTK-GNSS技术获取所述标准地表层数据和标准钻孔层数据的传感器位置坐标;
通过POS系统与地面基站差分计算标准三维点云数据，得到点云数据和影像数据的空间定位;
建立空间转换参数库，根据不同传感器类型和地形条件选择转换模型，利用转换模型对数据进行转换，得到对齐地质探矿数据;
利用熵权法对所述对齐地质探矿数据中的信息熵动态调整各类数据权重，得到加权地质探矿数据;
通过自适应加权融合算法，根据所述加权地质探矿数据的实时方差调整权重，得到融合地质探矿数据。
[0007]进一步，在上述一种地质勘查探矿安全监测方法中，所述基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型，包括：
构建多层LSTM网络，网络结构至少包括输入层、2个隐藏层和输出层，根据传感器数据维度确定输入层神经元数量;隐藏层每层神经元数为128;输出层神经元数为10，对应不同时间步的特征向量;
构建3D-CNN网络，网络结构至少包括3个卷积层、2个池化层和1个全连接层，卷积层采用3×3×3的卷积核，第一层卷积核数量为32，第二层为64，第三层为128;池化层采用最大池化操作，全连接层神经元数为256，输出特征向量用于描述地质结构的空间特征。
[0008]进一步，在上述一种地质勘查探矿安全监测方法中，所述基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型，还包括：
将LSTM输出的时序特征向量和3D-CNN输出的空间特征向量进行拼接，作为全连接层的输入，
通过全连接层和Softmax层进行地质风险等级的分类识别，建立LSTM-3D-CNN地质勘查探矿风险识别模型。
[0009]进一步，在上述一种地质勘查探矿安全监测方法中，所述将所述地质风险密度数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果，包括：
将预处理和融合后的地质风险密度数据输入到LSTM-3D-CNN模型中，输出5个风险等级的概率分布;
设定风险阈值，当风险概率大于0.7时判定为高风险区域;当风险概率大于0.6且小于等于0.7时判定为中高风险区域，根据判断结果输出地质风险识别结果。
[0010]进一步，在上述一种地质勘查探矿安全监测方法中，所述根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配，包括：
根据风险识别结果，将高风险区域标记为作业禁区，基于Dijkstra算法以安全边界划分图为基础，基于路径长度、风险等级和通行条件因素优化勘查路径;
基于作业禁区和优化后的勘查路径，利用GIS技术生成安全边界划分图，图中包含不同风险等级区域的边界、勘查路径、钻孔位置和传感器部署点信息。
[0011]进一步，在一种地质勘查探矿安全监测系统中，所述地质勘查探矿安全监测系统包括以下模块：
地质数据采集模块，用于通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;
地质数据融合模块，用于对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;
识别模型建立模块，用于基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;
安全风险识别模块，用于将所述融合地质探矿数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;
地质风险响应模块，用于根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配。
[0012]进一步，在一种地质勘查探矿安全监测系统中，所述安全风险识别模块包括以下子模块：
输出子模块，用于将预处理和融合后的地质风险密度数据输入到LSTM-3D-CNN模型中，输出5个风险等级的概率分布;
设定子模块，用于设定风险阈值，当风险概率大于0.7时判定为高风险区域;当风险概率大于0.6且小于等于0.7时判定为中高风险区域，根据判断结果输出地质风险识别结果。
[0013]进一步，在一种地质勘查探矿安全监测系统中，所述地质风险响应模块包括以下子模块：
标记子模块，用于根据风险识别结果，将高风险区域标记为作业禁区，基于Dijkstra算法以安全边界划分图为基础，基于路径长度、风险等级和通行条件因素优化勘查路径;
生成子模块，用于基于作业禁区和优化后的勘查路径，利用GIS技术生成安全边界划分图，图中包含不同风险等级区域的边界、勘查路径、钻孔位置和传感器部署点信息。
[0014]其有益效果在于，通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;对所述多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将所述标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;将所述融合地质探矿数据输入至所述LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;根据所述地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据所述安全边界划分图进行分级响应和资源调配。1、能够对大面积区域的快速、高精度测量。多种数据采集方式相互补充，全面覆盖地质勘查区域，提升监测的全面性和准确性。2、能够对多维度地质数据进行深度分析，准确识别不同类型的地质风险，并输出风险等级概率分布。提高了地质风险预警的准确性和及时性，有助于提前采取防范措施，降低地质灾害发生的可能性。3、方便工作人员了解现场情况，可根据风险等级快速做出反应，合理分配资源。实现安全管理的智能化和动态化，有效保障地质勘查探矿作业的安全与高效进行。
附图说明
[0015]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
[0016]图1为本发明实施例中一种地质勘查探矿安全监测方法的第一个实施例示意图;
图2为本发明实施例中一种地质勘查探矿安全监测方法的第二个实施例示意图;
图3为本发明实施例中一种地质勘查探矿安全监测系统的第一个实施例示意图。
具体实施方式
[0017]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0018]本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
[0019]下面结合附图对本发明进行具体描述，图1所示，一种地质勘查探矿安全监测方法，该地质勘查探矿安全监测方法包括以下步骤：
步骤101、通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;
具体的:一、地表层震动和形变数据采集;
采用分布式传感器网络实现地表层数据采集。传感器类型选择高精度的微机电系统(MEMS)震动传感器和光纤布拉格光栅(FBG)形变传感器。其中，MEMS震动传感器部署密度为每平方千米20-30个，均匀分布于勘查区域地表，用于实时捕捉频率范围在0.1-100Hz的震动信号，精度为0.01m/s²。FBG形变传感器以线性阵列形式布设，间距为5-10米，利用波长编码技术监测地表形变，分辨率为0.1mm，能识别地表的微小位移和沉降。传感器网络通过无线Mesh网络进行数据传输，通信频段选择2.4GHz，保障数据传输的稳定性和抗干扰能力。
[0020]二、钻孔层应力、渗流和气体数据采集;
设计多参数探杆系统，探杆主体采用高强度合金材料，耐温范围为-40℃-120℃，耐压强度为100MPa。探杆内置应力传感器(精度0.1%FS)、渗流传感器(流量测量精度1%)和气体传感器(可检测氧气、甲烷、一氧化碳等气体，分辨率分别为0.1%VOL、1ppm、1ppm)。在钻孔过程中，根据钻孔深度(每5-10米)定点采集数据，采样频率为10Hz。探杆通过有线电缆与地面数据采集系统连接，电缆采用屏蔽双绞线，减少电磁干扰，保障数据传输的准确性。
[0021]三、地表位移三维点云数据采集;
使用无人机搭载高精度激光雷达(LiDAR)和光学相机进行数据采集。无人机选择多旋翼或固定翼型号，续航时间不低于60分钟，飞行高度根据勘查精度要求设定为50-200米，飞行速度控制在5-15m/s。LiDAR设备的点云密度不低于100点/m²，测距精度为±5cm，扫描角度范围为360°×70°。光学相机分辨率不低于2000万像素，配合POS系统(定位精度平面±0.1m，高程±0.2m)实现影像的高精度定位。数据采集时，按照规划的飞行航线进行作业，航线重叠率不低于60%(航向)和30%(旁向)，保障数据的完整性和三维建模的准确性。
[0022]步骤102、对多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;
具体的，本实施例中对震动传感器数据进行带通滤波，利用FBG传感器的温度波长特性对形变传感器数据进行温度补偿，通过内置温度传感器进行实时校正，得到标准地表层数据;
对应力数据进行去趋势处理，消除钻孔过程中的机械振动影响;对渗流数据进行流量校准，根据传感器标定参数和钻孔孔径计算实际渗流速度后对气体数据进行零点漂移校正，得到标准钻孔层数据;
将三维点云数据进行去噪处理，利用统计滤波器和半径滤波器去除离群点，对光学影像进行几何校正和辐射校正后利用GCP地面控制点进行影像配准，得到标准三维点云数据。
[0023]利用RTK-GNSS技术获取标准地表层数据和标准钻孔层数据的传感器位置坐标;
通过POS系统与地面基站差分计算标准三维点云数据，得到点云数据和影像数据的空间定位;
建立空间转换参数库，根据不同传感器类型和地形条件选择转换模型，利用转换模型对数据进行转换，得到对齐地质探矿数据;
利用熵权法对对齐地质探矿数据中的信息熵动态调整各类数据权重，得到加权地质探矿数据;
通过自适应加权融合算法，根据加权地质探矿数据的实时方差调整权重，得到融合地质探矿数据。
[0024]具体的：一、数据预处理;
地表层数据;
震动传感器数据：采用小波变换与中值滤波结合的方式。先利用db4小波基进行3层分解，去除高频噪声和基线漂移，再通过3×3窗口的中值滤波消除异常值干扰，保留0.1-100Hz有效震动信号频段。
[0025]形变传感器数据：基于多项式拟合的温度补偿策略。建立FBG传感器温度-波长偏移量的三阶多项式模型，通过内置温度传感器实时采集环境温度，代入模型计算并修正波长偏移量，补偿后形变测量误差控制在0.03mm以内。
[0026]钻孔层数据;
应力数据：应用经验模态分解(EMD)进行去趋势处理。将应力信号分解为多个固有模态函数(IMF)，去除包含机械振动的高频IMF分量，重构得到真实应力变化趋势。
[0027]渗流数据：基于达西定律和伯努利方程构建流量校准模型。结合钻孔孔径、压力差等参数，对渗流传感器原始数据进行非线性校正，保障流量测量误差在0.8%以内。
[0028]气体数据：采用卡尔曼滤波算法进行零点漂移校正。建立气体浓度状态空间模型，根据历史校准数据动态更新滤波参数，实时修正传感器零点偏移，提高测量精度。
[0029]无人机数据;
三维点云数据：采用统计滤波与体素网格下采样结合的去噪方法。先通过统计滤波去除明显离群点，再利用体素网格法将点云数据下采样至合适密度，在保证精度的同时减少数据量。
[0030]光学影像数据：基于特征匹配的自动几何校正技术。利用SIFT算法提取影像特征点，结合地面控制点(GCP)构建透视变换模型，实现影像的几何畸变校正，校正后平面误差控制在±3cm以内。
[0031]二、时空对齐;
时间同步：在数据采集端部署高精度GPS授时模块，为每个传感器和无人机设备提供统一的UTC时间基准，时间同步误差控制在±5ms以内。
[0032]空间配准：针对地表层和钻孔层数据，利用RTK-GNSS技术获取传感器精确位置坐标，精度为厘米级;对于无人机数据，通过POS系统与地面基站差分计算，实现点云数据和影像数据的高精度空间定位。建立空间转换参数库，根据不同传感器类型和地形条件自动选择最优转换模型，保障时空对齐误差在空间±5cm、时间±5ms以内。
[0033]三、置信权重定义与数据融合;
权重动态调整机制：引入熵权法与专家评分相结合的权重优化策略。根据历史数据的信息熵动态调整各类数据权重，同时结合地质专家经验对权重进行修正，使权重分配更符合实际地质条件。
[0034]融合算法改进：采用自适应加权融合算法，在加权平均基础上，根据数据的实时方差调整权重。方差越小的数据权重越高，实现数据的自适应融合，提高融合数据的可靠性。
[0035]步骤103、基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;
具体的，本实施例中构建多层LSTM网络，网络结构至少包括输入层、2个隐藏层和输出层，根据传感器数据维度确定输入层神经元数量;隐藏层每层神经元数为128;输出层神经元数为10，对应不同时间步的特征向量;
构建3D-CNN网络，网络结构至少包括3个卷积层、2个池化层和1个全连接层，卷积层采用3×3×3的卷积核，第一层卷积核数量为32，第二层为64，第三层为128;池化层采用最大池化操作，全连接层神经元数为256，输出特征向量用于描述地质结构的空间特征。
[0036]将LSTM输出的时序特征向量和3D-CNN输出的空间特征向量进行拼接，作为全连接层的输入;
通过全连接层和Softmax层进行地质风险等级的分类识别，建立LSTM-3D-CNN地质勘查探矿风险识别模型。
[0037]具体的：一、LSTM时序分析网络;
构建多层LSTM网络，网络结构包括输入层、2个隐藏层和输出层。输入层神经元数量根据传感器数据维度确定，假设同时输入震动、形变、应力、渗流和气体共5类数据，输入层神经元数为5;隐藏层每层神经元数为128，采用ReLU激活函数;输出层神经元数为10，对应不同时间步的特征向量。网络训练采用Adam优化算法，学习率初始化为0.001，批次大小为32，训练周期为100次。通过Dropout技术(dropout率为0.2)防止过拟合，提高模型的泛化能力。
[0038]二、3D-CNN空间特征提取器;
设计3D-CNN网络，包括3个卷积层、2个池化层和1个全连接层。卷积层采用3×3×3的卷积核，第一层卷积核数量为32，第二层为64，第三层为128，每层采用BatchNormalization和ReLU激活函数;池化层采用2×2×2的最大池化操作;全连接层神经元数为256，输出特征向量用于描述地质结构的空间特征。网络训练使用交叉熵损失函数，优化器为SGD，学习率为0.01，动量为0.9，批次大小为16，训练周期为80次。
[0039]三、LSTM-3D-CNN模型融合;
将LSTM输出的时序特征向量和3D-CNN输出的空间特征向量进行拼接，作为全连接层的输入，通过全连接层和Softmax层实现地质风险等级的分类。模型输入数据格式为时间序列×空间体素(T×X×Y×Z×C)，其中T为时间步长(设为10)，X、Y、Z为空间维度(10×10×5)，C为数据通道数(5类数据)。模型训练过程中，采用早停法(EarlyStopping)监控验证集损失，当验证集损失在10个周期内不再下降时停止训练，保障模型收敛且避免过拟合。
[0040]步骤104、将融合地质探矿数据输入至LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;
具体的，本实施例中将预处理和融合后的地质风险密度数据输入到LSTM-3D-CNN模型中，输出5个风险等级的概率分布;
设定风险阈值，当风险概率大于0.7时判定为高风险区域;当风险概率大于0.6且小于等于0.7时判定为中高风险区域，根据判断结果输出地质风险识别结果。
[0041]具体的：
将预处理和融合后的地质风险密度数据输入到LSTM-3D-CNN模型中，模型输出5个风险等级(低、中低、中、中高、高)的概率分布。设定风险阈值，当高风险概率大于0.7时，判定为高风险区域;中高风险概率大于0.6且小于等于0.7时，判定为中高风险区域，以此类推。输出结果包括每个空间体素的风险等级、风险概率分布以及整体风险分布热力图。
[0042]步骤105、根据地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据安全边界划分图进行分级响应和资源调配。
[0043]具体的，本实施例中根据风险识别结果，将高风险区域标记为作业禁区，基于Dijkstra算法以安全边界划分图为基础，基于路径长度、风险等级和通行条件因素优化勘查路径;
基于作业禁区和优化后的勘查路径，利用GIS技术生成安全边界划分图，图中包含不同风险等级区域的边界、勘查路径、钻孔位置和传感器部署点信息。
[0044]具体的：一、高风险作业禁区标记;
根据风险识别结果，将高风险区域(风险等级为高和中高)标记为作业禁区。禁区边界采用缓冲区分析方法，以风险体素为中心，向外扩展5米作为安全缓冲距离，保障作业人员和设备的安全。禁区内禁止任何勘查作业活动，并设置明显的警示标志。
[0045]二、勘查路径优化;
基于Dijkstra算法和A*算法，以安全边界划分图为基础，考虑路径长度、风险等级和通行条件等因素，优化勘查路径。优先选择低风险区域路径，避开高风险禁区，同时保障路径的连通性和可行性。路径规划结果以三维可视化形式呈现，为勘查人员提供导航指引。
[0046]三、安全边界划分图生成;
采用GIS技术生成安全边界划分图，图中包含不同风险等级区域的边界、勘查路径、钻孔位置、传感器部署点等信息。地图比例尺根据勘查区域大小和精度要求设定，一般为1:5000或1:10000，支持二维和三维视图切换，方便不同场景下的应用。
[0047]四、分级响应与资源调配;
建立四级响应机制：
低风险(Ⅰ级)：正常开展勘查作业，定期(每天)检查传感器运行状态和数据质量。
[0048]中低风险(Ⅱ级)：增加现场巡查频率(每半天一次)，加强设备维护和数据监控。
[0049]中风险(Ⅲ级)：暂停部分高风险作业活动，组织专家进行风险评估，制定针对性的防范措施。
[0050]中高和高风险(Ⅳ级)：立即停止所有作业活动，撤离人员和设备，启动应急预案，进行实时动态监测和预警。
[0051]根据风险等级和响应级别，进行资源调配。包括调配应急救援设备、增加监测传感器数量、调整无人机飞行计划等，保障在不同风险情况下，能够合理分配资源，保障勘查工作的安全进行。
[0052]其有益效果在于，通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;对多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;将融合地质探矿数据输入至LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;根据地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据安全边界划分图进行分级响应和资源调配。1、能够对大面积区域的快速、高精度测量。多种数据采集方式相互补充，全面覆盖地质勘查区域，提升监测的全面性和准确性。2、能够对多维度地质数据进行深度分析，准确识别不同类型的地质风险，并输出风险等级概率分布。提高了地质风险预警的准确性和及时性，有助于提前采取防范措施，降低地质灾害发生的可能性。3、方便工作人员了解现场情况，可根据风险等级快速做出反应，合理分配资源。实现安全管理的智能化和动态化，有效保障地质勘查探矿作业的安全与高效进行。
[0053]请参阅图2，在一种地质勘查探矿安全监测方法中，将标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据包括以下步骤：
步骤201、利用RTK-GNSS技术获取标准地表层数据和标准钻孔层数据的传感器位置坐标;
步骤202、通过POS系统与地面基站差分计算标准三维点云数据，得到点云数据和影像数据的空间定位;
步骤203、建立空间转换参数库，根据不同传感器类型和地形条件选择转换模型，利用转换模型对数据进行转换，得到对齐地质探矿数据;
步骤204、利用熵权法对对齐地质探矿数据中的信息熵动态调整各类数据权重，得到加权地质探矿数据;
步骤205、通过自适应加权融合算法，根据加权地质探矿数据的实时方差调整权重，得到融合地质探矿数据。
[0054]以上对本发明一种地质勘查探矿安全监测方法的实施例进行介绍，请参阅图3，在一种地质勘查探矿安全监测系统中，地质勘查探矿安全监测系统包括以下模块：
地质数据采集模块，用于通过分布式传感器获取地表层的震动和形变数据，利用多参数探杆采集钻孔层的应力、渗流和气体数据，基于无人机采集地表位移的三维点云数据，得到多维度地质探矿数据;
地质数据融合模块，用于对多维度地质探矿数据进行数据预处理，得到标准地质探矿数据，将标准地质探矿数据进行时空对齐后定义置信权重，对多维度数据进行加权融合，输出融合地质探矿数据;
识别模型建立模块，用于基于LSTM时序分析网络处理传感器动态数据，利用3D-CNN空间特征提取器解析地质结构图像，建立LSTM-3D-CNN地质勘查探矿风险识别模型;
安全风险识别模块，用于将融合地质探矿数据输入至LSTM-3D-CNN地质勘查探矿风险识别模型中进行识别，输出地质风险识别结果;
地质风险响应模块，用于根据地质风险识别结果标记高风险作业禁区并优化勘查路径，生成安全边界划分图，根据安全边界划分图进行分级响应和资源调配。
[0055]以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
说明书附图(3)
声明：
“地质勘查探矿安全监测方法及系统” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
399
编辑：北方有色网
来源：中建岩土地质工程（深圳）有限公司
咨询细节
2026年08月06日 ~ 08日 
