EN
Các thách thức điện từ đối với việc phát hiện UAV trong mỏ
Nhiễu nền mặt đất, méo dạng đa đường truyền và hiệu ứng đảo nhiệt
Các khu mỏ tạo ra môi trường điện từ đặc biệt khắc nghiệt đối với việc phát hiện UAV. Ba hiện tượng có liên hệ mật thiết với nhau—nhiễu nền mặt đất, méo dạng đa đường truyền và hiệu ứng đảo nhiệt—làm suy giảm hệ thống radar một cách có hệ thống:
- Nhiễu nền mặt đất mật độ cao của thiết bị tĩnh và di động—máy xúc, xe tải vận chuyển, máy nghiền—kết hợp với địa hình không đều tạo ra các tín hiệu radar liên tục và biến đổi, làm lu mờ dấu hiệu của thiết bị bay không người lái (UAV) có diện tích phản xạ radar thấp (low-RCS).
- Độ méo tín hiệu do truyền nhiều đường (Multipath distortion) tín hiệu radar phản xạ trên các vách đá dốc đứng và vách hố khai thác thẳng đứng, tạo ra các tiếng vọng giả xuất hiện như các mục tiêu lặp lại trên các mặt phẳng phương vị và độ cao—gây khó khăn cho việc theo dõi và phân loại.
- Đảo nhiệt trong các giếng khoan và hố khai thác sâu, gradient nhiệt độ làm khúc xạ sóng vô tuyến lệch khỏi cảm biến radar. Các nghiên cứu đã ghi nhận mức suy giảm tín hiệu lên đến 50% ở độ sâu vượt quá 200 mét.
Các hiệu ứng này trở nên nghiêm trọng hơn trong điều kiện bão bụi hoặc mưa, làm giảm phạm vi phát hiện hiệu dụng từ 30–60% so với ngưỡng cơ sở trên địa hình mở.
Dấu hiệu của UAV có diện tích phản xạ radar thấp (low-RCS) và di chuyển chậm trong bối cảnh nhiễu từ thiết bị hạng nặng
Các UAV cỡ nhỏ hiện đại làm trầm trọng thêm những thách thức trong việc phát hiện tại các mỏ đang hoạt động thông qua khả năng tàng hình về mặt vật lý và phổ:
- Tiết diện phản xạ radar (RCS) của chúng thường dưới 0,01 m²—tương đương với kích thước của chim—trong khi các phương tiện vận tải hạng nặng vượt quá 100 m², tạo ra sự chênh lệch về độ mạnh tín hiệu phản hồi ở mức 4–5 bậc độ lớn.
- Tốc độ bay hành trình dưới 15 m/s trùng lặp với tốc độ chuyển động của băng chuyền và chu kỳ quay của gầu xúc, làm mờ ranh giới phân biệt về đặc tính động học. Ngoài ra, rung cơ học còn tạo ra nhiễu hài không thể phân biệt được với tín hiệu vi-Doppler đặc trưng của UAV di chuyển chậm.
- Phát xạ tần số vô tuyến (RF) công suất cao từ các thiết bị như máy xúc gầu dây cáp (dragline), máy khoan và máy nghiền làm bão hòa các dải tần FMCW quan trọng, đòi hỏi xử lý tín hiệu có khả năng phân giải các dịch chuyển vi-Doppler dưới 5 Hz.
Nếu không áp dụng các kỹ thuật loại bỏ nhiễu chuyên biệt và ngưỡng thích nghi, xác suất phát hiện UAV giảm xuống dưới 40% đối với các thiết bị bay không người lái hoạt động trong phạm vi 500 mét so với thiết bị đang vận hành.
Các điều chỉnh công nghệ radar nhằm đảm bảo phát hiện UAV đáng tin cậy
Nâng cấp radar xung-Doppler và radar FMCW cho điều kiện khai thác mỏ đặc thù
Để khắc phục các nhiễu đặc thù trong khai thác mỏ, các hệ thống radar hiện đại kết hợp kiến trúc nhận thức vật lý với hoạt động đa dải tần:
Hệ thống radar xung-Doppler hoạt động bằng cách phân loại các tín hiệu vào các ô Doppler khác nhau dựa trên tốc độ, từ đó giúp lọc bỏ nhiễu phát sinh từ các vật thể đứng yên và thiết bị di chuyển chậm, đồng thời giữ nguyên tín hiệu của UAV. Radar FMCW bổ sung thêm một lớp khả năng ở đây, cung cấp các phép đo khoảng cách rất chính xác, cho phép phát hiện những chiếc micro-UAV cỡ nhỏ ngay cả khi tiết diện phản xạ radar (RCS) của chúng chỉ khoảng 0,01 mét vuông. Khi kết hợp các công nghệ này trên nhiều dải tần số khác nhau, hiệu quả sẽ được nâng cao đáng kể. Việc sử dụng tần số dải L/S mang lại hiệu suất tốt hơn trong môi trường nhiều bụi và điều kiện ẩm ướt, trong khi dải tần X cung cấp khả năng theo dõi chi tiết và sắc nét. Sự kết hợp này đạt tỷ lệ thành công khoảng 93% trong việc phát hiện drone ở độ cao dưới 50 mét gần các băng chuyền khai thác mỏ và khu vực hố khai đào — nơi tầm nhìn thường bị hạn chế. Ngoài ra, còn một điểm đáng chú ý nữa là xử lý tín hiệu tiên tiến thực tế có thể khắc phục tình trạng mục tiêu bị hiển thị lặp do phản xạ tín hiệu từ tường mỏ và các cấu trúc khác.
Xử lý CFAR được tối ưu hóa bằng AI nhằm giảm thiểu cảnh báo sai do hài số băng chuyền và các vách đá cao
Các thuật toán CFAR truyền thống đơn giản là không hoạt động hiệu quả trong môi trường khai thác mỏ do những hài số có biên độ cao lặp đi lặp lại phát sinh từ các thiết bị như máy nghiền, băng chuyền và máy gầu ngoạm. Điều này gây ra nhiều cảnh báo sai, làm khó khăn cho việc phát hiện tín hiệu thực tế của UAV. Phương pháp mới sử dụng CFAR được tăng cường bằng AI thay thế các ngưỡng cố định bằng các mô hình học máy đã được huấn luyện dựa trên dữ liệu thực tế từ phổ tần số của thiết bị khai thác. Điểm khác biệt của phương pháp này nằm ở khả năng phân biệt các mẫu chuyển động bất thường của UAV với các chu kỳ vận hành thông thường của máy móc xung quanh. Ngoài ra, các mô hình này còn tự điều chỉnh theo điều kiện cụ thể tại từng vị trí, bao gồm cả các yếu tố như hình dạng của các vách đá cao và nhiễu điện từ phát sinh từ bộ truyền động dây đai.
Các thử nghiệm thực địa xác nhận mức giảm 41% số cảnh báo sai so với phương pháp CFAR thông thường, đồng thời duy trì hiệu suất ổn định trong điều kiện bão bụi—khi các giải pháp thay thế dựa trên quang học và tần số vô tuyến (RF) đều thất bại.
Hiệu suất Phát hiện UAV Trong Thực Tế và Việc Xác Thực
Triển khai tại Pilbara của Rio Tinto: Tỷ lệ phát hiện đạt 92% ở khoảng cách 1,2 km trong điều kiện bụi và nghịch nhiệt
Các hệ thống radar được triển khai tại khu vực Pilbara của Tây Úc đã có thể phát hiện các thiết bị bay không người cỡ nhỏ (micro-UAV) với độ chính xác khoảng 92% ngay cả khi chúng bay ở khoảng cách xa tới 1,2 km. Khu vực này đặt ra những thách thức nghiêm trọng do bụi quặng sắt liên tục trong không khí, hiện tượng đảo nhiệt và hoạt động công nghiệp diễn ra suốt 24/7. Điều gì khiến những hệ thống này hoạt động hiệu quả đến vậy? Chúng sử dụng công nghệ Doppler tiên tiến trên nhiều dải tần số để phân biệt những mục tiêu nhỏ bé, di chuyển chậm giữa toàn bộ nhiễu nền gây ra bởi các hạt bụi và những thay đổi trong cách sóng vô tuyến lan truyền qua khí quyển. Kết quả thử nghiệm cho thấy phương pháp tiếp cận kép dải tần này thực sự vượt qua được mọi kiểm tra khắt khe trong môi trường điện từ mà nhiều người coi là khắc nghiệt nhất đối với các hoạt động khai thác mỏ trên toàn thế giới.
Thử nghiệm năm 2023 của Anglo American: Giảm 41% cảnh báo sai nhờ điều chỉnh ngưỡng thích ứng
Năm 2023, Anglo American đã tiến hành một thử nghiệm nhằm đánh giá tác động của việc áp dụng kỹ thuật ngưỡng thích ứng dựa trên trí tuệ nhân tạo (AI) đối với hoạt động khai thác khoáng sản tại một trong những mỏ lớn của họ. Kết quả cho thấy hệ thống này đã giảm khoảng 41% số cảnh báo sai so với các radar sử dụng ngưỡng cố định truyền thống. Hệ thống đặc biệt hiệu quả trong việc loại bỏ các tín hiệu gây phiền nhiễu phát sinh từ băng chuyền cũng như các phản xạ bất thường từ các vách đá cao. Toàn bộ hệ thống hoạt động nhờ khả năng cập nhật liên tục bản đồ nhiễu nền theo thời gian thực, dựa trên cả hoạt động của máy móc và dữ liệu mà radar thu nhận được. Điều này giúp hệ thống duy trì độ chính xác cao trong việc phân biệt các mối đe dọa thực sự với nhiễu nền, mà không cần bất kỳ can thiệp thủ công nào để điều chỉnh thiết lập. Đây là một thành tựu ấn tượng, bởi toàn bộ thiết bị đều được di chuyển thường xuyên và lịch làm việc thay đổi liên tục giữa các ca.
Câu hỏi thường gặp
Nhiễu nền là gì trong bối cảnh phát hiện UAV tại các mỏ?
Nhiễu mặt đất đề cập đến các yếu tố gây nhiễu radar do mật độ cao của cả thiết bị khai thác tĩnh và di động, cũng như địa hình không đều, có thể che khuất các dấu hiệu tiết diện phản xạ radar (RCS) thấp của máy bay không người lái.
Đảo nhiệt ảnh hưởng như thế nào đến việc phát hiện UAV?
Hiện tượng đảo nhiệt trong các mỏ khoáng sản tạo ra các gradient nhiệt làm khúc xạ sóng vô tuyến lệch khỏi các cảm biến radar, dẫn đến suy giảm tín hiệu đáng kể và khiến việc phát hiện UAV trở nên khó khăn hơn.
Tại sao các UAV vi mô hiện đại lại khó phát hiện trong môi trường mỏ?
Các UAV vi mô hiện đại có tiết diện phản xạ radar thấp tương đương với chim và di chuyển với tốc độ gần giống các hoạt động khai thác, khiến chúng khó phân biệt với tiếng ồn xung quanh cũng như rung động từ máy móc.
Giải thuật CFAR được tối ưu hóa bằng AI cải thiện việc phát hiện UAV trong môi trường khai thác như thế nào?
CFAR được tối ưu hóa bằng AI thay thế các thiết lập ngưỡng cố định bằng các mô hình học máy có khả năng thích ứng với dữ liệu thực tế và điều kiện môi trường, từ đó giảm đáng kể số lượng cảnh báo sai và nâng cao độ chính xác trong việc phát hiện UAV.