基于熵权-模糊可变集理论的煤矿井突水水源识别

在阐述熵权法和模糊可变集理论的基础上,针对平顶山煤田首山一矿和十三矿4个充水水源中所提取的23个水样,构建了识别矿井突水水源的数学模型,并利用该模型对8个水样进行了来源识别。结果表明:各类充水水源中Ka^++Na^+,Ca^(2+),Mg^(2+),Cl^-,SO_4^(2-)和HCO_3^-等6项化学指标值在区间特定值附近出现的概率比较高,可用模糊可变集理论识别突水水源;熵权法计算的Ka^++Na^+和Ca^(2+)权重值分别为0.270 8和0.371 3,远高于其他指标的权重值,且其权重值之和占64.21%,说明两项指标在矿井突水水源识别中起主要作用;8组水样识别时,除水样8识别结果不符合实际外,其余均与实际类型相符,其准确率为87.5%;对于平顶山煤田来说,识别模型中的优化准则参数a选取2时,熵权-模糊可变集模型识别突水水源的准确性更高;应依据丰富的时空水质检测数据来建立模型并及时应用新的资料予以修正,以保证所建识别模型符合实际并与时俱进。

突水水源的独立性权–模糊可变理论识别模型

在煤矿开采过程中,矿井水害事故频繁发生。为快速准确地找出矿井突水水源,降低矿井突水给煤矿生产带来的危害,以赵各庄矿为例,运用独立性权系数与模糊可变理论相结合的方法,选取了Na^+,Ca^2+,Mg^2+,Cl^–,SO4^2–和HCO3^– 6种水化学指标,对赵各庄矿的20组水样数据进行分析计算。结果表明:独立性权系数–模糊可变理论模型排除了水样中各指标间冗余信息的影响,克服了水样各变量间权重难以确定以及变量对水质影响不均匀的问题,可在一定程度上保证突水水源识别模型的准确度;Cl^–权重值远大于其他各项化学指标的权重值,即Cl^–对突水水源的识别结果影响较大;采用本文所建模型判别赵各庄矿的8组测试水样,判别准确率达87.5%,表明该模型在矿井突水水源识别中具有重要参考价值。

基于深度学习理论的煤层底板突水危险性预测

煤层底板突水是下伏承压含水层与隔水层岩体相互作用的结果,其危险程度受到含水层特征、隔水层特征、结构面发育特征等因素的复合影响。选择含水层水压、单位涌水量、隔水层厚度、隔水层岩体质量、层理面数量、泥岩占比、构造复杂程度量化值7个指标因子构建综合评价体系,结合模糊可变集理论及实际涌水情况表征已采区域实际突水危险性等级;以已采区域评价结果构建数据集,对卷积神经网络(CNN)模型进行训练,并与BP神经网络模型进行对比,验证CNN模型的可靠性与准确性;最终利用CNN模型对未采区域煤层底板突水危险性进行精细化预测。结果表明:CNN模型较BP模型具有更高的准确度,未采区域内安全区、低威胁区、中威胁区及高威胁区面积占比分别为21.48%、45.78%、24.11%、8.63%。