A method for detecting dust particles in excavation working face based on image analysis
-
摘要: 基于光散射原理测定粉尘质量浓度只能定时定点手动检测，实时性差，且只能检测出粉尘质量浓度，并不能给出粒径分布范围。目前基于图像分析的粉尘颗粒检测研究主要是针对粉尘质量浓度或粒径分布进行单方面研究，并不能实现粉尘质量浓度和粒径分布范围的同时检测。针对上述问题，提出了一种基于图像分析的掘进工作面粉尘颗粒检测方法，探究图像特征与粉尘质量浓度、粒径分布间的关系。通过粉尘样本收集及图像采集装置，采集粉尘颗粒图像并获取采集图像时的粉尘质量浓度。编写粉尘样本图像处理算法，提取图像的灰度特征、纹理特征、几何特征相关参数。对提取的图像特征与实测粉尘质量浓度进行相关性分析，选取相关性较大的图像特征作为参数建立回归数学模型。提取粉尘颗粒对象像素点个数，结合转换系数，基于几何当量等效面积径计算粉尘粒径大小及分布范围。实验结果表明：实测粉尘质量浓度与建立的图像特征多元非线性回归模型数学模型计算值间的平均相对误差为12.37%，标准实测粒径与几何当量等效面积径得到的粒径分布间的最大相对误差为8.63%，平均相对误差为6.37%，验证了基于图像特征的粉尘质量浓度回归数学模型和基于几何当量等效面积径分布数学模型的准确性。Abstract: Based on the principle of light scattering, measuring dust concentration can only be done manually at fixed times and locations, with poor real-time performance. It can only detect dust mass concentration and cannot provide a range of particle size distribution. At present, research on dust particle detection based on image analysis mainly focuses on unilateral research on dust mass concentration or particle size distribution. It cannot achieve simultaneous detection of dust mass concentration and particle size distribution range. In order to solve the above problems, a method for detecting dust particles in excavation working face based on image analysis is proposed. It explores the relationship between image features and dust mass concentration and particle size distribution. By using a dust sample collection and image acquisition device, dust particle images are collected and the dust mass concentration at the time of image acquisition is obtained. An image processing algorithm for dust samples, is developed to extract parameters related to grayscale features, texture features, and geometric features of the image. The correlation analysis between the extracted image features and the measured dust mass concentration is performed, and the image features with high correlation is selected as parameters to establish a regression mathematical model. The method extracts the number of pixels in the dust particle object. Combining with the conversion coefficient, the method calculates the size and distribution range of the dust particle based on the geometric equivalent area diameter. The experimental results show that the average relative error between the measured dust mass concentration and the calculated values of the established image feature multiple nonlinear regression model mathematical model is 12.37%. The maximum relative error between the standard measured particle size and the geometric equivalent area size obtained from the particle size distribution is 8.63%, and the average relative error is 6.37%. This verifies the accuracy of the image feature based dust mass concentration regression mathematical model and the geometric equivalent area diameter distribution mathematical model.
-
0. 引言
我国华北区域煤炭开发的石炭系煤层正逐渐走向深部，由此煤层开发所面临的奥灰岩溶水威胁变得尤为突出[1]。采用长定向钻孔工艺对导、含水层进行超前区域注浆改造与加固是华北型煤田煤层底板岩溶水害防治的主要技术手段[2-3]。
煤矿注浆工程中，由于工艺和材料等因素可能造成注浆孔间盲区问题，所以有必要对注浆效果进行检测，以便发现盲区，消除隐患。目前针对注浆效果检测的手段还很有限，注浆检测技术理论也不成熟，注浆改造加固效果也没有一个明确的标准，如何对注浆效果进行正确有效的评价，成为煤矿注浆工程结束后亟需解决的难题[4]。
目前，针对注浆效果检测的方法主要有钻孔法、物探法等[5]。钻孔法方面：薛翊国等[6]采用钻孔取心、压水试验分析及注浆前后岩心力学实验分析进行注浆检测，取得了一定效果；刘世奇等[7]采用钻孔超声波检测注浆前后岩性岩体力学性质变化规律，通过弹性模量评价注浆效果。钻孔法直接高效，但造价较高，且由于地层存在不均匀性和各向异性会导致浆液扩散方向和范围具有不确定性，易导致安全隐患。物探法方面：李雁等[8]对破裂煤样注浆前后的裂隙结构进行了CT扫描；刘鑫明等[9]、刘恋等[10]在地面采用高密度电法检测浅层采空区注浆效果；齐飞等[11]、常青等[12]采用瞬变电磁法对注浆区域效果进行了检测；柴敬等[13]以温度为监测参量，引入光纤传感技术对被注介质内部浆液扩散范围和状态进行了监测；湛铠瑜等[14-16]采用动水注浆扩散、裂隙动水注浆模型对浆液扩散范围进行了试验，浆液扩散受水流流速、裂隙开度、注浆压力和浆液黏度的影响。物探法可探测浆液在钻孔周围的扩散范围，但由于工艺所限仅在注浆前后采集数据，定性地分析注浆效果，缺少对注浆全过程的跟踪动态监测，未得到注浆全过程的地层电性数据，很难对注浆效果进行准确评价。
电阻率对化学浆液的运动具有很好的“可视化”再现和指示浆液渗流位置功能[17]，在煤矿井下注浆层位全过程动态监测地层电阻率，是准确判断浆液扩散范围、评价导水断裂带注浆效果的关键。本文引入孔间电阻率监测系统对注浆改造岩层的电阻率变化特征进行全过程监测，以实现浆液扩散范围的精准探测。利用定向钻孔内布置的电阻率监测系统[18]，采用孔间电阻率监测技术，获取注浆全过程注浆层位电阻率的监测数据，然后采用三维电阻率反演对监测数据进行处理解释，得到注浆层位岩性电阻率变化规律，从而推测浆液扩散范围。
1. 孔间电阻率监测技术
1.1 电阻率监测系统
目前，煤矿工作面电阻率监测系统[19-20]被广泛应用于煤层底板采动破坏及导水通道发育过程的动态监测，该系统结构如图1所示。将电极及线缆埋入综采工作面两侧的巷道，监测主机置于2条巷道开口处，采用光端机将监测主机通过网络连接至井上控制服务器，在井上服务器通过采集操控软件对井下监测分站进行控制并采集数据，数据传输至井上服务器后由数据处理软件自动实现反演成像，采集系统的数据库与处理软件自动交互，传输与处理过程不需要人工干预，从而实现井下系统的无人化数据采集及数据初步分析。系统最大发射电压为105 V，最大发射电流为60 mA，发射频率为1～128 Hz，最小信号分辨率为5 μV，记录的工作参数为发射电流和接收电压信号。数据处理软件可实现开发数据库自动交互的数据实时处理，采用小波分析等技术对接收的电压信号进行预处理，并采用拟高斯−牛顿法进行三维反演及成像。
1.2 钻孔布置工艺
煤矿注浆改造工程一般为将煤层顶底板某一岩层通过注浆手段改造为稳定的隔水层，在工作面巷道内布置的电阻率监测收发装置纵向距离注浆位置达30～50 m，横向距离注浆位置最大达150 m，距离较远将导致精度降低，且在巷道中监测时易受巷道中各种设备和生产活动产生的电磁干扰，导致监测数据分辨率无法满足精细监测的需求。
因此设计将电阻率监测系统布置于钻孔中，形成孔间电阻率监测系统，避开巷道中各种干扰源，且电极具备稳定不变的接地条件，从而获取更高分辨率的原始数据。孔间电阻率监测系统的网络和监测主机与巷道监测系统一致，监测测线布置不同：首先通过水力送线工艺[21]，在长定向钻孔中送入电极和线缆，使电极等间距均匀平铺在定向钻孔中，然后在孔口将线缆接入监测主机，最后对定向钻孔进行注浆封孔，使每个电极与钻孔围岩接触较好。孔中线缆电极布置如图2所示，监测平面范围为2个孔之间扇形区域，监测的垂向范围与孔距有关，为30～60 m。
1.3 数据处理与解释方法
数据的正演通过数学模型计算得到其理论监测数据，数据的反演成像从监测数据中获取浆液扩散范围。正演采用有限体积法的离散偏微分方程，利用预条件双共轭梯度稳定算法对方程进行求解[22-23]。
$$ \left( {D{\boldsymbol{S}}\left( \sigma \right)G} \right){\boldsymbol{u}} = A\left( \sigma \right){\boldsymbol{u}} = {\boldsymbol{q}} $$ (1) 式中：D为三维散度；$ {\boldsymbol{S}}\left( \sigma \right) $为包含电导率$ \sigma $的对角矩阵；G为梯度算子；u为电位向量；$ A\left( \sigma \right) $为正演算子；q为包含了正负电流源位置的源向量。
采用拟高斯−牛顿法对采集的监测数据进行反演拟合，并用预条件共轭梯度法计算更新模型。则目标函数为
$$ \varPhi \left( m \right) = \frac{1}{2}{\left\| {d\left( m \right) - {d_{{\rm{obs}}}}} \right\|^2} + \frac{\beta }{2}{\left\| {{\boldsymbol{W}}\left( {m - {m_{{\rm{ref}}}}} \right)} \right\|^2} $$ (2) 式中：$ \varPhi \left( m \right) $为目标函数，m为反演迭代的模型，模型参数取$ \ln \sigma $；$ d\left( m \right) $为确定模型正演计算所得的数据；$ {d_{{\rm{obs}}}} $为观测的电压除以发射电流所得的数据；$ \beta $为正则化参数；W为模型正则化矩阵；$ {m_{{\rm{ref}}}} $为参考模型。
2. 注浆过程的数值模拟
浆液通过钻孔注入地层后，将降低地层的电阻率，并充填地层的原始裂隙。为研究孔间电阻率监测系统对注浆过程中地层电阻率变化规律的分辨能力，分析电阻率变化范围与浆液扩散范围之间的关系，同时给予实际工程理论支持和测线布置指导，开展注浆过程的数值模拟。
注浆工程电阻率监测模型如图3所示，孔1和孔2为监测施工孔，夹角30°，孔长480 m，为避免套管影响，距孔口80 m处开始布设电极，电极间距为20 m，共布设42个电极。孔3为注浆孔，假设浆液在破裂点处向四周均匀扩散，形成一个球状异常体。
以孔口为坐标原点，以钻孔所在的平面为x−y平面，以孔1方向为x方向，建立坐标系。球状异常体中心位置为（250，80，0） m，浆液电阻率为20 Ω·m，地层电阻率为100 Ω·m。随着浆液注入，球状异常体模型半径从0逐渐增大至30 m，分别选取半径为10，20，30 m的模拟监测数据进行反演成像， 浆液扩散范围的孔间电阻率监测反演成像如图4所示，图中红色虚线的圆圈为浆液扩散范围。可看出浆液扩散的位置存在低阻异常区（蓝色区域），在x方向上浆液扩散范围与模型参数基本吻合，在y方向上与模型参数有偏差。随着浆液逐渐扩散，低阻异常区范围逐渐变大，低阻异常强度逐渐增强。通过对注浆过程的数值模拟，表明采用孔间电阻率监测技术能够较为准确地圈定浆液扩散范围。
![]()
图 4 浆液扩散范围的孔间电阻率监测反演成像Figure 4. Inter hole resistivity monitoring for slurry diffusion range inversion imaging3. 工作面监测试验
3.1 矿井地质概况
某煤矿位于准格尔煤田中东部，目前主要综放开采石炭–二叠系太原组均厚为 18.93 m 的 6 号煤层，间接充水水源为煤层底板富水性中等、强的奥陶系岩溶裂隙含水层地下水（底板隔水层厚为 30～80 m，6 号煤带水压为0.7～1.5 MPa）。井田范围内落差大于 5 m 的断层和其他构造较为发育，导致奥陶系灰岩水可能通过构造涌入矿井，形成底板突水的水害问题[22]。
3.2 定向钻孔结果
煤层底板定向钻孔实施位置位于煤矿61304工作面辅助运输巷6号调车硐室，计划施工3个主孔，其中1号孔和4号孔为单独主孔，3号孔为1个主孔，其2个分支孔分别为3−1号和3−2号孔，钻孔水平钻进层位为煤层底板下35 m中砂岩，布置如图5所示。
![]()
图 5 定向钻孔及孔间电阻率监测布置Figure 5. Directional holes and inter hole resistivity monitoring layout通过定向钻孔结果发现在Y6异常区大部分区域内岩性、层位、水量正常，基本排除了Y6异常区内存在大型“陷落柱”的情况。为进一步消除区域内可能存在小型断裂带，对上述钻孔进行注浆封孔，并开展注浆效果检测，监测浆液扩散范围。
3.3 孔间电阻率监测布置
根据定向钻孔方案，在1号孔和4号孔中布置孔间电阻率监测系统，采用定向钻机将线缆推送至孔内，然后进行注浆封孔。注浆完成后，通过测试每个电极的发射电流判断电极接地情况。
本次采用的电极间距为20 m，布置见图5中的黑色圆点，2个钻孔共布置34个电极。收发装置采用偶极−偶极，1号孔和4号孔交替收发，共监测12 d，平均每天采集有效数据5组，相比巷道监测系统，孔中监测收发电极不受巷道中各种因素干扰，发射电流稳定，发射电流均大于45 mA，接收电压均大于500 μV，监测1号孔和4号孔间岩层电阻率动态变化过程。
3.4 监测结果分析
采用三维电阻率反演对监测数据进行处理成像，煤层底板下30 m注浆层位的电阻率反演成像结果如图6所示。
![]()
图 6 底板下30 m层位电阻率监测反演成像Figure 6. Inverse imaging of resistivity monitoring at 30 m horizon under the floor由图6（a）可看出，在未进行注浆时，电阻率稳定在120～150 $ {\Omega }\cdot \mathrm{m} $之间，未发现明显蓝绿色的低阻异常区，与钻孔结果一致；当向1号孔注浆116 t后，浆液水灰比为3∶1，注浆压力为6 MPa，在1号孔底旁侧岩层电阻率下降为50～90 $ {\Omega }\cdot \mathrm{m} $，命名为J1低阻异常区；向3−1号孔注浆20 t后，浆液水灰比为3∶1，注浆压力为6 MPa，在3−1号孔四周发现岩层电阻率下降为80～110 $ {\Omega }\cdot \mathrm{m} $，命名为J2低阻异常区。
根据孔间电阻率监测成果，推测J1和J2低阻异常区分别为1号和3−1号孔的浆液扩散区：1号孔浆液扩散x方向80～130 m、y方向300～330 m，3−1号孔浆液扩散x方向150～230 m、y方向200～270 m，均超过理论模拟的扩散半径10 m[23]，说明定向钻孔附近存在裂隙。根据低阻异常区推测3−1号孔附近裂隙较1号孔附近裂隙平面范围较大。
3.5 验证结果
为验证孔间电阻率监测系统监测浆液扩散范围的准确性，分别在运输巷和切眼进行打钻验证。在运输巷对J1低阻异常区进行打钻取心，发现异常区存在浆液水泥块，异常区外岩性正常。在J2低阻异常区内进行打钻取心，经施工穿层孔取心发现J2低阻异常区内存在水泥块，3−1号孔注浆浆液集中在J2低阻异常区附近。经验证，孔间电阻率监测发现低阻区与注浆浆液扩散范围基本一致。
4. 结论
1） 注浆浆液扩散过程数值模拟结果表明：孔间电阻率监测三维反演成像能识别浆液异常的扩散范围；根据电阻率随时间的变化趋势可推测浆液扩散范围，随着浆液逐渐扩散，异常区范围逐渐变大，异常强度逐渐增强。
2） 通过煤层底板长定向钻孔孔间电阻率监测试验表明：采用孔间电阻率监测系统对注浆区域内的岩层进行电阻率动态监测，通过对监测数据的电阻率三维反演成像推测了注浆浆液扩散范围，经打钻验证了推测的准确性。
3） 本次监测试验的2条测线均位于煤层底板下35 m层位，采集的数据严格意义上仍为二维数据体，导致垂向分辨率较低，需增加采集数据维度和数量或结合其他手段，可进一步提高解释的精度。
-
![]()
图 9 粉尘样本像素数量与整体图像像素数量的比值特征曲线
Figure 9. Ratio feature curve between the number of pixels in dust samples and the number of pixels in the overall image
![]()
图 10 图像采集时实测粉尘质量浓度
Figure 10. Actual dust concentration at the time of image acquisition
![]()
图 11 粉尘样本的粒径区间分布及占比
Figure 11. Distribution and proportion of particle size intervals in dust samples
![]()
图 12 粉尘质量浓度及粒径分布实验平台
Figure 12. Dust concentration and particle size distribution test platform
![]()
图 13 实测粒径分布与图像分析对比
Figure 13. Comparison between measured dust concentration and image analysis
表 1 特征参数与实测粉尘质量浓度
Table 1 Feature parameters and actual dust concentration
图像 灰度均值 粉尘像素数量与整体图像像素数量的比值/% 角二阶矩 纹理相关性 纹理同质性 纹理对比度 实测粉尘质量浓度/（mg·m−3） 1 129.294 22.41 0.00807 0.92941 0.42040 7.06547 281.25 2 166.347 5.87 0.02956 0.83449 0.50308 4.22411 103.84 3 195.747 2.68 0.02984 0.78039 0.48837 4.91054 79.33 $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ 98 157.779 10.76 0.00306 0.91502 0.45065 7.03906 146.87 99 160.324 11.63 0.00308 0.94126 0.40095 6.76993 154.86 100 151.017 9.17 0.00500 0.89669 0.39011 7.41074 136.24 
下载: 导出CSV
表 2 实测粉尘质量浓度与特征参数相关性
Table 2 Correlation between the measured dust mass concentration and the feature parameters
特征参量 相关系数 灰度均值 −0.803 83 粉尘像素数量与整体图像像素数量的比值 0.962 32 角二阶矩 −0.298 47 纹理相关性 0.605 03 纹理同质性 −0.379 32 纹理对比度 0.580 04
下载: 导出CSV
表 3 回归模型方差分析结果
Table 3 Variance analysis results of regression models
模型 F 值 P 值 R/% 多元线性模型 767.60 5.29×10−19 97.00 多元非线性模型 862.31 3.27×10−56 99.30
下载: 导出CSV
表 4 粉尘实测质量浓度与模型计算浓度对比
Table 4 Comparison between the actual concentration of dust and the calculated concentration of the model
实验序号 实测粉尘质量
浓度/（mg·m−3）计算粉尘质量
浓度/（mg·m−3）误差/% 1 281.25 314.93 2.28 2 103.84 114.45 12.73 3 79.33 83.09 3.68 $\vdots $ $\vdots $ $\vdots $ $\vdots $ 98 146.87 172.60 7.79 99 154.86 170.93 6.99 100 136.24 156.20 7.52
下载: 导出CSV
-
[1] 李德文,赵政,郭胜均,等. “十三五”煤矿粉尘职业危害防治技术及发展方向[J]. 矿业安全与环保,2022,49(4):51-58. LI Dewen,ZHAO Zheng,GUO Shengjun,et al. '13th Five-Year Plan' coal mine dust occupational hazard prevention and control technology and development direction[J]. Mining Safety & Environmental Protection,2022,49(4):51-58.
[2] 王双明,申艳军,宋世杰,等. “双碳”目标下煤炭能源地位变化与绿色低碳开发[J]. 煤炭学报,2023,48(7):2599-2612. WANG Shuangming,SHEN Yanjun,SONG Shijie,et al. Change of coal energy status and green and low-carbon development under the 'dual carbon' goal[J]. Journal of China Coal Society,2023,48(7):2599-2612.
[3] 程卫民,周刚,陈连军,等. 我国煤矿粉尘防治理论与技术20年研究进展及展望[J]. 煤炭科学技术,2020,48(2):1-20. CHENG Weimin,ZHOU Gang,CHEN Lianjun,et al. Research progress and prospect of dust control theory and technology in China's coal mines in the past 20 years[J]. Coal Science and Technology,2020,48(2):1-20.
[4] 袁亮. 煤矿粉尘防控与职业安全健康科学构想[J]. 煤炭学报,2020,45(1):1-7. YUAN Liang. Scientific conception of coal mine dust control and occupational safety[J]. Journal of China Coal Society,2020,45(1):1-7.
[5] 陈继民,陈鹤天. 激光在粉尘检测领域的进展与应用[J]. 应用激光,2018,38(3):496-501. CHEN Jimin,CHEN Hetian. The development and application of laser in dust detection[J]. Applied Laser,2018,38(3):496-501.
[6] 王智超,吴占松,杨英霞,等. 粉尘质量浓度测试方法的实验研究[J]. 清华大学学报(自然科学版),2013,53(3):366-370. WANG Zhichao,WU Zhansong,YANG Yingxia,et al. Experimental study of test method for dust mass concentration[J]. Journal of Tsinghua University(Science and Technology),2013,53(3):366-370.
[7] HALTERMAN A,SORSAN A,PETERS T M. Comparison of respirable mass concentrations measured by a personal dust monitor and a personal dataRAM to gravimetric measurements[J]. Annals of Work Exposures and Health,2017,62(1):62-71.
[8] 王凯,张霞,苏瑾. 地铁站中PM(2.5)和PM(10)光散射法与滤膜称重法比对[J]. 实用预防医学,2021,28(12):1539-1542. WANG Kai,ZHANG Xia,SU Jin. Comparison of PM(2.5) and PM(10) mass concentration in subway measured by light scattering method and gravimetric method[J]. Practical Preventive Medicine,2021,28(12):1539-1542.
[9] 简亚婷,高军,肖卫民,等. 微量振荡天平法确定激光粉尘仪大气颗粒物转换系数[J]. 井冈山大学学报(自然科学版),2014,35(3):1-6. JIAN Yating,GAO Jun,XIAO Weimin,et al. Using tapered element oscillating microbalance method to determine the conversion coefficient of atmospheric particulate matter tested by laser dust monitor[J]. Journal of Jinggangshan University (Natural Science),2014,35(3):1-6.
[10] 靳燕,王晓东. 基于β射线和光散射法的颗粒物测量系统[J]. 山西电子技术,2022(4):27-28,35. JIN Yan,WANG Xiaodong. An atmospheric particulate matter measurement system based on β-ray and light scattering method[J]. Shanxi Electronic Technology,2022(4):27-28,35.
[11] 陈建阁,李德文,许江,等. 基于光散射法无动力粉尘质量浓度检测技术[J]. 煤炭学报,2023,48(增刊1):149-158. CHEN Jiange,LI Dewen,XU Jiang,et al. Detection technology of unpowered dust concentration based on light scattering method[J]. Journal of China Coal Society,2023,48(S1):149-158.
[12] 颜鸽来,刘国庆. 基于主动荷电的电荷感应粉尘浓度检测技术[J]. 电子设计工程,2023,31(10):111-116. YAN Gelai,LIU Guoqing. Charge-induced dust concentration detection technology based on active charging[J]. Electronic Design Engineering,2023,31(10):111-116.
[13] 丁喜波,王珊,邹一风. 基于超声波声衰减的甲烷浓度测量方法[J]. 应用基础与工程科学学报,2018,26(3):672-679. DING Xibo,WANG Shan,ZOU Yifeng. The method of methane concentration measurement based on ultrasonic sound attenuation[J]. Journal of Basic Science and Engineering,2018,26(3):672-679.
[14] 陈锋,夏凤毅,罗爱爱. 基于图像法的粉尘浓度检测[C]. 《环境工程》2019年全国学术年会,北京,2019:179-183. CHEN Feng,XIA Fengyi,LUO Aiai. Dust concentration detection based on image method[C]. 2019 National Academic Annual Conference by Environmental Engineering,Beijing,2019:179-183.
[15] 刘丹丹,侯展博,胡丙阳,等. 基于CCD图像的粉尘浓度面维度分布测量方法[J]. 黑龙江科技大学学报,2023,33(1):99-102. DOI: 10.3969/j.issn.2095-7262.2023.01.017 LIU Dandan,HOU Zhanbo,HU Bingyang,et al. Surface dimension distribution measurement method of dust concentration based on CCD image[J]. Journal of Heilongjiang University of Science and Technology,2023,33(1):99-102. DOI: 10.3969/j.issn.2095-7262.2023.01.017
[16] 叶方平,方朝阳,徐显金,等. 基于图像透光率的粉尘浓度测量算法研究[J]. 应用光学,2022,43(3):496-502. DOI: 10.5768/JAO202243.0303005 YE Fangping,FANG Chaoyang,XU Xianjin,et al. Dust concentration measurement algorithm based on image transmittance[J]. Journal of Applied Optics,2022,43(3):496-502. DOI: 10.5768/JAO202243.0303005
[17] 刘伟华,袁伟. 基于图像分析的煤尘在线监测系统[J]. 电子测量技术,2010,33(1):125-128,146. LIU Weihua,YUAN Wei. Investigation of on-line monitoring instrument used in coal dusts based on image analysis[J]. Electronic Measurement Technology,2010,33(1):125-128,146.
[18] KONOSHONKIN A,KUSTOVA N,BOROVOI A,et al. Using the physical optics approximation for estimating the light scattering properties of large dust particles for lidar applications[C]. The 29th Interational Laser Radar Conference,2020. DOI: 10.1051/J.EPJCONF/202023708025.
[19] BAAGA D,KALITA M,DOBRZANIECKI P,et al. Analysis and forecasting of PM2.5,PM4,and PM10 dust concentrations,based on in situ tests in hard coal mines[J]. Energies,2021,14. DOI: 10.3390/en14175527.
[20] BADDOCK M C,STRONG C L,KEYS J F,et al. A visibility and total suspended dust relationship[J]. Atmospheric Environment,2014,89:329-336. DOI: 10.1016/j.atmosenv.2014.02.038
-
期刊类型引用(7)
1. 王江宏，刘硕，尹少波，常成林. 贝叶斯优化机器学习模型在孔间电阻率法电压预测中的应用研究. 能源与环保. 2025(03): 115-122 . 
百度学术
2. 胡俭，王航，王帅豪，操康波，毛小娃. 采空区多孔介质中气化灰渣凝胶渗流特性研究. 西安科技大学学报. 2025(02): 263-274 . 百度学术
3. 张盛行，汤雷，朱春光，石蓝星，明攀. 基于瞬变电磁法的均质土坝渗漏通道探测与消险质量评价. 水利与建筑工程学报. 2025(02): 98-105 . 百度学术
4. 杨玉冰. 电阻率CT探测在煤矿工作面顶板“四含”注浆改造评价中的应用. 工程建设与设计. 2024(11): 42-44 . 百度学术
5. 孙庆华，娄杰，胡鑫，谷超，孙强，张卫强. 基于电阻率响应的裂隙岩体粉煤灰注浆效果研究. 中国煤炭. 2024(10): 33-39 . 百度学术
6. 于远祥，沈鹏，张永亮，王有发. 动静组合荷载下隧道锚固围岩累积损伤效应与支护优化. 西安科技大学学报. 2024(06): 1095-1106 . 百度学术
7. 汪学明. 基于四电极测量原理的矿用高精度电导率传感器设计. 能源与环保. 2024(12): 211-216 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 215
- HTML全文浏览量: 48
- PDF下载量: 63
- 被引次数: 7
