基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。

基于水位、水温、突水量和水质的充水水源识别神经网络模型

华北石炭-二叠系岩溶型煤田主采煤层底板的太原组薄层灰岩岩溶水和奥陶系或寒武系厚层灰岩岩溶水的水化学特征存在着天然相似性,单纯以若干项水化学指标辨识这些水源存在着误判甚至错判的风险。目的为解决寒武系灰岩水、太原组下段灰岩水和部分太原组上段灰岩水的水质指标相似而难以完全正确识别的问题,方法提出并构建基于水位、水温、突水量和水质识别充水水源的神经网络模型。以平顶山矿区充水水源识别为例,以阴阳离子毫克当量百分比[γ(Na)%,γ(Ca+Mg)%,γ(HCO_(3)^(-))%,γ(SO_(4)+Cl)%]、钠钙比、碱硬比、ρ(CO_(3)^(2−))、ρ(SO_(4)^(2−))、TDS、ρ(Na+K)、水位、水位动态变化、水温、突水量、衰减天数共15项指标作为识别因子,构建结构为15-10-6的神经网络模型。结果结果表明,所有训练样本对自身水源的拟合均值均超过0.98,比单纯以水质指标为识别因子的建模方法识别正确率高,能够有效消除因水质指标相似但水源不同而出现的误判或错判情况。结论建模方法已经嵌入平顶山矿区识别充水水源计算机软件和手机APP软件中,经过检验,识别正确率达到91.3%。

拉曼光谱联合WOA特征筛选的矿井水源识别方法研究

在矿井突水灾害防治过程中,准确、快速判别突水水源类型对煤矿安全生产意义非常重大,而传统的水化学方法存在耗时长、检测复杂等不足,为此提出采用拉曼光谱进行矿井突水水源辨识这一新思路。首先从淮南矿区采集老空水、顶板砂岩裂隙水、奥灰水、太灰水和地表水以及它们混合的水样作为实验对象,并借助拉曼光谱系统收集水样的拉曼光谱数据。随后,采用常见的光谱预处理方法对原始拉曼光谱进行降噪。接着,采用鲸鱼优化算法(WOA)对水样的拉曼光谱进行特征信息筛选,得到最能够表征矿井水样的特征拉曼信息。最后,将筛选出的特征拉曼信息作为输入,分别构建BP神经网络(BPNN)、K-近邻算法(KNN)、支持向量机(SVM)、决策树(DT)以及朴素贝叶斯(NB)分类模型,以此来验证拉曼光谱结合WOA筛选特征拉曼信息用于矿井水源识别的可行性。实验证明:利用WOA可以从2048个拉曼数据点中筛选得到102个特征拉曼信息,将拉曼信息的点数缩减为原来的4.98%,而且WOA筛选的特征拉曼信息的建模精度高于全拉曼数据建模精度,此外,采用WOA筛选的特征拉曼信息构建BPNN、KNN、SVM、DT和NB水源辨识模型时,其分析速度都有着不同程度的提升。研究结果表明,采用WOA筛选矿井水源拉曼光谱的特征信息,可以有效地减少拉曼光谱数据的冗余,提升拉曼光谱分析的速度,这可以为矿井水源的快速检测提供借鉴。

基于Piper-层次聚类-灰色关联度的突水水源识别

快速准确地识别煤矿突水的来源对于煤矿安全开采十分重要,是煤矿防治水的基础工作。基于Piper三线图-层次聚类-灰色关联度的综合方法对甘肃省某煤矿的突水水源进行了识别。工作面井下排水、断层裂隙水和顶板砂岩裂隙水的水化学类型均为SO_(4)-K·Na型水,地表水水化学类型为SO_(4)·HCO_(3)-Ca型水。在Piper三线图中,井下排水与其他类型水在图中的距离较远,初步判断井下排水是来自多种水源的混合水。通过层次聚类分析得到煤层开采产生的井下排水与顶板砂岩裂隙水以及断层裂隙水的水质特征相对距离较近,特征类似。最后,采用灰色关联度判别模型进行判断,结果表明煤层顶板裂隙水以及断层裂隙水与井下排水的关联度较好。综合上述3种方法可知,工作面开采产生的井下排水主要来源于顶板砂岩水和断层裂隙水,与地表水的关系较小。推测可能是在开采过程中地层扰动导致的顶板水补给以及导水裂隙带导通孔隙水补给。因此,顶板含水层和导水裂隙带的研究与探查是该煤矿今后防治水工作的重点。

王庄煤矿矿井水水化学分析及水源识别关键技术

针对王庄煤矿矿井充(突)水水源种类多、临时突水点水源判别存在困难的问题,本文以王庄煤矿142个突水点水样水质分析结果为基础,对各水样的水源做了系统分析,详细划分出影响王庄煤矿安全生产的主要充水水源,即二叠系砂岩裂隙水、太原组薄层灰岩水、奥灰水及采空区(老窑)积水。基于改进后的Fisher水源判别基本原理,设计了王庄煤矿矿井水水源识别系统,实现了临时突水点水源的快速识别。

矿井突水水源识别的主成分分析-混沌麻雀搜索-RF模型

为快速、准确地识别矿井突水水源,根据矿井不同含水层水化学成分的差异性,将Na^(+)+K^(+)、Ca^(2+)、Mg^(2+)、Cl^(-)、SO_(4)^(2-)、HCO_(3)^(-)及总硬度作为判别指标。利用主成分分析(Principal Component Analysis,PCA)对数据进行降维,并通过混沌麻雀搜索算法(Chaotic Sparrow Search Algorithm,CSSA)对随机森林(Random Forest,RF)模型中树深和树数目参数进行寻优,建立了基于PCA-CSSA-RF的矿井突水水源识别模型。选取新庄孜矿实测的45组样本数据进行预测分析,33组数据用于模型训练,12组数据用于识别测试,并将结果与其他模型识别结果进行对比。研究表明,利用PCA对数据进行降维可以减少原始数据中的冗余,利用CSSA优化的RF模型可提高全局搜索能力和预测能力,用该模型可提高突水水源识别的效率和准确率。

基于水力学与水化学耦合的矿井涌(突)水水源识别方法研究

为解决当前水源识别仅考虑矿井水化学特性及水位观测等少量因素,缺乏矿井突水力学支撑相关问题,以林西煤矿1021中回采工作面为例,提出了一种基于水力学与水化学耦合的矿井涌(突)水水源识别方法。该方法首先根据封闭不良钻孔、断层、老空区、底板等矿井突水力学模型,求解涌(突)水点不同水源或通道突水的临界防隔水煤岩柱厚度Lv;其次对比Lv和实际隔水煤岩柱厚度Le之间定量关系,判定不同水源突水的先验概率;然后以先验概率为纽带,利用贝叶斯判别分析,建立基于水力学与水化学耦合的矿井突水水源识别模型;最后利用该模型对1021中回采工作面涌水点水源进行验证识别。研究结果表明:由于第Ⅲ含水层、第Ⅳ含水层水化学特征相似,建立单一的水化学识别模型,会将涌(突)水点水源误判为第Ⅲ含水层水。而基于水力学与水化学耦合的水源识别模型可精确识别出该涌(突)水点水源属于第Ⅳ含水层水,判识结果与工程实际情况一致,有效提高了矿井涌(突)水水源识别精度。

基于Fisher判别法的岱庄矿涌(突)水水源识别

由于岱庄矿十下灰、十三灰和奥灰水源水质根据目前常规水质化验资料无明显的区别元素,容易产生误判。为实现对岱庄矿涌水水源的准确识别,在收集该矿地质及水文地质资料的基础上,首先对主要涌水含水层水化学特征进行分析,其次选取Na^(+)+K^(+),Ca^(2+),Mg^(2+),Cl^(-),SO_(4)^(2-),HCO_(3)^(-)这6种特征离子含量作为Fisher判别分析的因子,随后利用SPSS25.0软件建立岱庄矿涌水水源Fisher判别函数模型,最后选取该矿3组测试水样对模型进行验证。结果表明:利用Fisher判别分析理论建立的涌水水源识别模型,可准确识别这些水质相近的涌水水源,回代准确率达91.3%,3组测试水样判别结果也与工程实际情况一致,表明此模型在岱庄矿涌水防治上具有一定的指导意义。

基于MIV-IPFA-ELM的矿井突水水源识别模型

为提高矿井突水水源识别准确率,提出一种基于MIV-IPFA-ELM的矿井突水水源识别模型。利用改进的探路者算法(IPFA)对极限学习机(ELM)的参数进行寻优,构建IPFA-ELM判别模型;采用平均影响值(MIV)方法计算各判别指标平均影响贡献率,根据计算结果剔除影响贡献率较低的判别指标;将筛选后的判别指标作为输入向量重新对模型进行训练,构建MIV-IPFA-ELM模型。以秦南矿井的实测水源数据为例,借助SMOTE算法生成类平衡实验数据集,并以该数据集验证构建模型的有效性,将实验结果与其他模型相比较。研究结果表明:MIV-IPFA-ELM模型的平均预测准确率为96.33%,远高于其他模型的预测准确率,均方误差为0.129,平均绝对误差为0.0625,较其他对比模型有明显的降低。

Fisher判别法在矿井突水水源识别中的应用——以钱营孜煤矿为例

准确识别矿井突水水源对有效地预防矿井突水事故具有积极意义。本文以钱营孜矿为例,在系统分析矿井地质和水文地质条件的基础上,收集31个“四含水”、“砂岩裂隙水”、“灰岩水”共3类突水水源的常规水化学测试数据,利用Fisher判别原理,选取K+ + Na+,Ca2+,Mg2+,Cl-,SO42- ,HCO3-,pH值,总硬度,总碱度共9种判别指标(特征因子),筛选出K+ + Na+和Mg2+为特征因子,建立Fisher水源判别模型,并用回代的方式对判别模型进行判别效果检验,结果表明回判总正确率为100%,判别效果好。该模型可用于矿井突水水源预测。

基于PCA-AWOA-ELM模型的矿井突水水源识别

矿井突水是煤矿生产过程最具威胁的灾害之一,为了保障煤矿安全生产,提高矿井突水水源识别精度,提出一种基于改进鲸鱼优化算法(AWOA)耦合极限学习机的水源识别模型。以岱庄煤矿为例,选取Na^(+)、Ca^(2+)、Mg^(2+)、Cl^(-)、SO_(4)^(2-)、HCO_(3)^(-)作为判别指标,基于SPSS因子分析提取评价指标主成分,6种离子间相关性较大,Ca^(2+)和Mg^(2+),Ca^(2+)、Mg^(2+)与SO_(4)^(2-)、Cl^(-)之间的相关性均达到了0.7以上,SO_(4)^(2-)和Cl^(-)之间的相关性也达0.68,通过主成分分析提取了3个主成分,从六维空间降低到三维空间,在减少了样本指标之间信息重复的同时,也减少了极限学习机输入层数量,提高了模型对各类型数据的泛化能力。其次,引入混沌动态权重因子和精英反向机制对鲸鱼算法进行改进,改进的鲸鱼优化算法克服了极限学习机权值阈值随机取值的缺点,混沌动态权重因子、精英反向机制的引入降低了模型计算复杂度,提高了算法精度,算法速度,跳出了局部寻优。通过训练38组样本数据,优化极限学习机的权值和阈值,最终构建PCA-AWOA-ELM水源识别模型,并对10组未知的测试样本进行预测。结果表明,PCA-AWOA-ELM模型的预测精度达100%,PCA-WOA-ELM模型精度为90%,PCA-ELM、ELM模型精度为60%,PCA-AWOA-ELM模型识别精度、运行速度、稳定性均明显高于PCA-WOA-ELM模型、PCA-ELM模型和ELM模型,为矿井安全生产提供了重要保障。

煤矿区地表水与矿井水水力联系判断及水源识别方法研究

煤矿矿井水随意排放将对区域地表水体系造成污染,同时被动式的采空区积水通过导水裂隙也可能造成地表水体系污染风险,为保障矿山地质环境安全,在鄂尔多斯马泰壕煤矿开展开采沉陷区积水水源识别方法的研究,在开采沉陷区地表及煤矿水文孔采集大量水样充分分析了其化学特性。在此基础上采用Piper法、聚类法分析、灰色关联度法、主成分分析法和RBF神经网络法,对水源进行了识别与分析,研究表明地表积水与潜水具有一定的水力联系,但工作面涌水和采空区存水与沉陷区积水之间不存在水力联系。研究结果可为煤矿开采沉陷区水源识别分析过程提供依据,同时为煤矿区水污染防治与环境评估方法的研究提供思路与方法的借鉴。

基于KPCA-GWO-SVM的矿井突水水源识别

为提高矿井突水水源识别的精准度,提出1种基于KPCA-GWO-SVM的矿井突水水源识别模型;该算法利用核主成分分析(KPCA)进行特征降维,加快水源识别速度,通过灰狼优化算法(GWO)搜寻支持向量机(SVM)的最优参数,使水源识别精准度更高;以赵各庄矿为研究对象,分析各含水层主要水化学类型,选取6种离子指标,经KPCA提取3个主成分,随机选取总样本量70%为训练集(共47组),30%作为预测集(共20组),构建KPCA-GWO-SVM模型并与KPCA-PSO-SVM、KPCA-WOA-SVM和KPCA-SVM模型对比。结果表明:KPCA-GWO-SVM的水源预测结果与实际结果一致,比未经KPCA处理模型的预测准确率高10%且寻优速度更快;与其他模型相比准确率最高,具有优越性。

煤层气高产水井原因分析及水源识别——以沁水盆地柿庄南区块3号煤井为例

高产水、低产气是煤层气生产过程中常见的一种现象,查明煤层气井高产水原因、确定产水来源一直是行业性难题。为此,以柿庄南区块3号煤层高产水井为例,根据测井、录井、微地震监测及生产数据,运用排除法找到了该区高产水井产水高的原因,通过同位素示踪、产水量和含水层发育特征相关性分析等技术手段,弄清了高产水井的产水来源。分析结果表明:①断层和压裂缝沟通含水层是该区煤层气井高产水的主要原因;②断层沟通含水层型高产水井产出水主要为来自于上石炭统太原组及奥陶系的石灰岩岩溶水;③压裂缝沟通含水层型高产水井产出水主要来源于下二叠统山西组底部的K_(7)砂岩。

水源识别技术在涩北气田气井出水中的应用

出水是导致涩北气田气井产量不稳定、产量递减和天然气可采储量降低的主要因素,同时也加剧了气井的出砂。在进行水源定性分析的基础上,通过一系列的技术手段,将多种水源分析方法相结合,综合判断出水层位和出水原因。为此,建立了多因素水源识别技术模式,并运用理论模型定量计算出凝析水、层内可动水的产出特征,实现了量化界定,提高了涩北气田气井出水水源识别的准确程度,对制订涩北气田防水治水措施起到了积极作用。

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。

淮南张集矿水文地球化学特征及水源识别

为了研究淮南张集矿的地下水水化学特征及其水源,共收集45个样品的常规水化学资料(其中,第四系水12个、煤系水27个、灰岩水6个)。借助Piper图和Durov图划分了三个含水层的水质类型,并对主要组分的特征进行了分析。通过对比分析各含水层不同组分的箱线图,研究发现当[K++Na+]>500mg/L、[Cl-]>450mg/L、[TDS]>1500mg/L时,能区分出煤系水;当[K++Na+]<200mg/L、[HCO-3]<250mg/L、[SO2-4]>35mg/L、p H>9时能区分出灰岩水,剩下的可能是第四系水。在此基础上建立的水源识别模型对第四系水、煤系水、灰岩水进行判别,正确率分别为:96.3%、100%、93.7%,有较好的水源识别效果。

矿井突水水源识别的距离判别分析模型

应用距离判别分析理论,结合矿井含水层的水化学分析资料,选取6种离子组分的浓度作为突水水源识别的判别因子,建立矿井突水水源识别的距离判别分析模型;以35组采样的水源样品作为学习样本进行训练,建立相应线性判别函数对35组实测数据用回代估计方法逐一进行检验,正确率为97.14%。将建立的模型对待识别的4个样本进行测试,并与实测结果进行比较。此外,利用本文方法对梧桐庄煤矿的突水水源进行了识别。研究结果表明:距离判别分析模型分类性能良好,预测精度高,回代估计的误判率为0.0286。

淮北青东煤矿深层地热水的水文地球化学特征与水源识别

深层地热水是矿井地质灾害的警示因素,探究其水文地球化学特征及来源,对矿井水害和热害防治具有现实意义。本文以淮北煤田青东煤矿深层地热水为研究对象,采集同水平(-585 m)的13个地热水样和11个非地热水样,对比分析两类水体离子特征差异,探讨地热水水化学成分形成作用及控制因素,同时收集矿井各突水含水层水样共31个,基于Fisher突水识别模型对地热水水源展开识别,结合地下水循环及构造条件,分析地热水成因。结果表明,地热水的TDS、Ca^(2+)、Cl^(-)指标高于非地热水,水化学类型以SO4·Cl-Ca·Mg为主,呈弱碱性;两类水水化学差异是不同地下水化学成分的综合反映,地热水的水化学成分主要受水岩作用和离子交替作用共同控制,其中水岩作用以硅酸盐溶解、含煤地层黄铁矿氧化、蒸发盐溶解最为显著,地热水的水岩作用和离子交替作用程度相比非地热水强;地热水由深部奥灰水补给,经断裂导水通道至太原组石灰岩含水层混合而成,且奥陶系石灰岩含水层水混合比例高。研究结果对矿井防治水工作提供了指导。

矿井突水水源识别预测研究——以新庄孜矿为例

矿井突水水源识别是煤矿预防突水事故发生的关键工作,为快速、有效判别矿井突水水源,选取Ca2+,Mg2+,K++Na+,HCO-3,SO2-4,Cl-和总硬度7种主要判别指标。利用Logistic回归分析模型,对7种判别指标的重要程度进行回归分析,提取最主要的判别指标作为水源识别的影响因素,建立基于Logistic分析的矿井突水水源识别的随机森林(RF)模型。将煤矿实测的33组数据作为训练数据,进行预测模型训练,另外选用12组数据作为测试数据,利用该模型进行预测,并与Fisher判别方法和神经网络方法进行对比。结果表明:利用Logistic回归分析法能有效地提取影响矿井突水水源识别的因素,去除冗余影响因素,可有效地预测矿井突水水源类型,使矿井突水水源预测模型错误率降低至1/12。