基于水化学特征的聚类分析对矿井突水源判别

为了能够准确并快速地判别煤矿突水水源位置,基于水化学特征的模糊聚类分析,对突水水源进行综合评判。首先利用突水点的水化学分析指标离子的检测值与以往收集的各个主要含水层的水化学指标离子本底值通过软件绘制出三角形水质图,对比分析可排除最不可能的充水含水层;在此基础上再利用模糊数学聚类分析方法,将剩下的不确定充水含水层建立评判集合进行聚类分析,计算隶属度,通过对计算结果的分析,最终判定突水水源。分析结果表明,采用这2种方法判别突水水源,方法简单易操作,节省时间,可以避免由于水文地质条件的复杂性和模糊聚类分析的模糊性而造成的原因不唯一或结果失真,从而大幅提高判别结果的正确性。

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。

耦合主成分分析下煤矿矿井突水水源识别方法

煤矿矿井突水会导致矿井内部水位迅速上升,对煤矿生产造成严重影响,甚至导致煤矿停产。开展矿井突水水源识别可以及早发现突水风险,从而保障煤矿生产和矿工的生命安全。为此,提出一种耦合主成分分析下煤矿矿井突水水源识别方法。根据水源化学各组分间差异性确定突水水源判别指标变量,从煤矿矿井含水层随机选取18个水样化学信息,通过耦合主成分分析获得各水源组间相关性,提取4个重要的主成分表征所有样本信息特征,结合协方差矩阵、Fisher判别得到各类型水源组别的中心距离,识别出突水水源类型。实验结果表明,所提方法能够解决样本信息各变量间信息叠加问题,提升了突水水源识别准确率。

改进Fisher判别法的突水水源快速判别模型

为快速有效地判别矿井突水水源位置,预防水害事故的发生,根据平煤五矿实际水文地质特征,针对砂岩、太灰和寒灰含水层水质差异性,收集34组水样资料,并选取K^(+)+Na^(+)、Ca^(2+)、Mg^(2+)、SO_(4)^(2-)、Cl^(-)、HCO_(3)^(-)六大常规水化学离子作为判别因子,开展水化学特征分析;结合PCA降维统计算法,建立改进的Fisher水源判别模型,并利用待测样本对比改进前后Fisher模型的判别结果,同时将训练样本回代到改进模型中进行验证。结果表明,根据水化学类型无法准确区分寒灰水与太灰水;利用改进Fisher判别模型测试10组待测样本,判别准确率为100%,相较于基础Fisher模型,准确率提高了20%,应用改进Fisher判别模型可大幅提升水源识别准确率;已知训练样本的回代结果显示,改进Fisher判别结果与实际情况基本吻合。通过2种模型的对比分析,采用改进Fisher模型进行矿井水源识别准确率及可靠性高,具有一定研究价值,可为矿井水源识别提供新的思路。

BP神经网络判别模型在中关铁矿突水水源预测中的应用

中关铁矿属国内典型大水矿床,其地下水系统相对复杂,为保障工作人员的生命财产安全,需及时分析、准确预测矿井生产过程中突水水源。依据在中关铁矿三个开采水平面现有出水点采集水样的水质测试结果,分析中关铁矿地区水质特征,以BP神经网络判别模型建立矿井水源判别模型,根据测试结果数据分析,BP神经网络判别模型对于奥陶系灰岩水与闪长岩裂隙水判别正确率为100%、对于混水判别的正确率为80%。BP神经网络判别模型在中关铁矿突水水源预测中具有较高的准确性,为防治水提供理论依据。

系统聚类逐步判别法对皖北矿区突水水源的分析

以Ca2+、Mg2+、K++Na+、Cl-、SO42-、CO32-、HCO3-、pH值与TDS的测试结果为指标,对皖北矿区四含、煤系、太灰、奥灰4个主要突水含水层系统分别进行聚类分析。在此基础上,筛选出能代表各含水层水化学特征的水样进行逐步判别分析,并从中选出了SO42-与TDS两种标型组分,建立了皖北矿区突水水源的判别模型,该模型具有较好的判别效果。

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。

基于主成分分析的矿井突水水源Bayes判别模型

矿井突水严重威胁矿区安全生产,快速准确地判别突水水源,对有效防治矿井突水灾害有重大意义。根据鹤壁矿区6个主要含水层水化学成分的差异性,选取了Ca2+、Mg2+、Na++K+、CO2-3、HCO-3、Cl-、SO2-47个指标作为突水水源判别的评价因子,并选用鹤壁矿区294个水样作为学习样本,以Matlab为平台,先采用主成分分析法提炼出三个主成分Z1、Z2和Z3。然后把这3种主成分的值作为贝叶斯判别指标,建立了鹤壁矿区突水水源判别模型。利用该模型对鹤壁矿区随机选取22个突水水样进行水源判别,判别正确19个,错误3个,精度达到86%。判别错误的原因,主要是因为有的含水层水化学类型相似或者几个含水层之间存在一定的水力联系。研究结果表明,基于主成分分析的矿井突水水源Bayes判别模型能够满足矿井生产要求,可为防治水工作提供决策依据。

矿井突水水源判别方法概述

矿井突水灾害造成巨大的经济损失和人员伤亡,严重阻碍着我国煤炭行业的发展。一旦发生突水,及时准确地查明突水水源是解决和进一步预防突水灾害的前提,因此选择合适的判别方法是快速高效判别突水水源的关键,本文对近些年来判别矿井突水水源的各种方法进行探讨,概述各种方法的原理、应用现状及其适用条件,为保障矿井安全生产的防治水工作提供决策依据。

主成分分析与Bayes判别法在突水水源判别中的应用

准确有效地判别突水水源是解决矿井水害的前提条件。基于淮北袁店二矿各含水层共59个水样水质化验资料,利用主成分分析法,计算各水样的因子得分,并进行系统聚类,剔除错误样本。利用剩余水样作为学习样本,检验Bayes判别函数的判定准确性,得出准确率为92.5%,并进行交叉验证。利用该判别函数对某工作面底板下一富水区水样进行判别,结果与实际情况吻合。结果指示基于主成分分析与Bayes判别法较单一Bayes判别法更加准确,能够消除样本变量之间的相互影响,实现对突水水源的快速有效判别。

基于GIS和水质水温的矿井突水水源快速判别

针对淮南潘谢矿区新生界下含松散孔隙水与石炭系太原组石灰岩岩溶裂隙水水质接近的特殊情况,提出了基于GIS和水质水温的矿井突水水源快速判别方法。该法是利用测温钻孔的温度-深度拟合结果,构建基于GIS的利用水温识别突水水源的模型,并将其判别结果与基于水质的模糊综合评判计算的结果相结合,综合判别矿井突水水源。本法应用于潘一煤矿86-1号突水判别,实例结果显示,该法可以较好地适用于水质判别效果不佳,而含水层之间存在较大的地温差(埋深差)情况下的突水水源识别。

临涣矿区突水水源标型微量元素及其判别模型

利用示踪不同含水层水文地球化学特征的标型微量元素捕捉突水预兆期内的水文地球化学信息,建立判别模型分析煤矿重大突水水源,具有重要的理论与实践意义。本课题利用任楼井田及所在临涣矿区其他生产矿井的长观孔、矿井出水点从上而下分别取第四系第四含水层、二叠系煤系砂岩含水层、石炭系太原组岩溶含水层及奥陶系岩溶含水层24个水样,测试了24种微量元素含量。通过分析4类主要突水含水层微量元素含量与聚类规律,得到了Be、Zn、Ga、Sr、U、Zr、Cs、Ba8种主要突水含水层的标型微量元素,建立了以标型微量元素作为解释变量的突水水源Bayes线性判别模型。以24个水样为训练样本,得到模型判别正确率达到了80%,并分析了区域水循环与水文地球化学演化对判别模型效果具有一定程度的控制作用。

矿井突水水源判别的多组逐步Bayes判别方法研究

矿井突水是采矿过程中最具威胁的自然灾害之一。能否准确快速地判别矿井突水水源,不仅是矿井水文地质工作的主要内容,而且是煤矿防治水工作的重要基础。为了有效判别矿井突水水源,综合考虑水化学指标对水源判别的重要性,基于多组逐步Bayes判别分析理论,选取Na++K+、Ca2+、Mg2+、Cl-、SO42-和HCO3-共6项指标作为判别因子,利用国内某矿区各主要含水层的35个水样的水质资料作为训练样本,建立了矿井突水水源预测的多组逐步Bayes判别分析模型。实例分析表明,该模型结果与实际情况相符合,说明该模型在矿井突水水源判别中具有良好的实用性和有效性,为判别矿区新的突水水源提供了一种新思路。

基于投影寻踪技术的矿井突水水源判别模型——以新庄孜煤矿为例

投影寻踪是一种降维处理技术,它可以将高维分析问题通过投影方向转化为低维问题分析。应用该法的关键在于寻求最佳投影方向,这可以转化为一个复杂的非线性优化问题,结合Matlab的遗传算法工具箱进行优化求解。本文以淮南新庄孜煤矿为例,建立突水水源判别投影寻踪模型,并与模糊综合评判模型、神经网络模型、灰色聚类模型进行分析比较。结果表明:投影寻踪判别模型能够有效地判别突水水源,比模糊综合评判、神经网络模型、灰色聚类模型具有更高的准确性,为矿井突水水源判别提供了一个新途径。

同位素技术在判别矿井突水水源中的应用

应用同位素技术可以获得常规方法所不能取得的关键数据,为分析矿区地下水补给来源、各含水层之间的联系、地下水年龄及地下水混合比例等方面起了重要作用。研究结果表明:应用此项技术能准确、快速地确定矿区地下水的同位素特征,并判断出矿井突水的主要来源,可为制订有效的防治水措施提供科学依据。

基于多元统计分析的矿井突水水源Fisher识别及混合模型

综合运用多元统计分析技术、Fisher判别分析理论和混合计算理论,依据含水层地下水组分数据,分别建立河南焦作矿区突水水源的Fisher识别模型和混合模型,并分别对它们进行验证。结果表明:因子分析能有效建立识别模型训练水样;突水水源Fisher识别模型对混合程度较低地下水判别精度较高,利用回代估计法所得到的误判率小,具有较强的涌水水源判别能力;混合模型能有效确定地下水混合程度,δ18O的预测值与实测值偏差总体上低于10%,应用混合模型还能进行水文地球化学质量平衡模拟。

水化学法在矿井突水水源判断中的应用

介绍了徐州矿区不同含水层中地下水的主要化学特征,在此基础上应用水化学法,结合灰色系统关联理论,对徐州矿区董庄煤矿发生的一次突水进行了分析计算,判定突水水源为矿区老窑水。结果表明,该判断是可靠的。

基于粒子群径向基神经网络的矿井突水水源判别

以多项地下水化学组分指标作为判别因子,采用粒子群算法优化径向基函数神经网络中的参数,建立了最优结构的基于粒子群径向基函数神经网络的矿井突水水源判别模型,将此模型应用于实例分析中,并与其他方法进行了比较分析。结果表明:基于粒子群径向基函数神经网络的矿井突水水源判别模型的判别结果具有客观性和实用性,避免了权重分配等人为因素的干扰;与传统最小二乘法的RBF神经网络相比,其精度更高,优化结果更为合理,具有较强的突水水源判别能力,可为矿井突水水源判别提供了一条新途径。

基于多元混合模型的煤矿矿井突水水源分析

为准确判定煤矿矿井突水水源,基于多元混合模型理论,在水化学分析的基础上选取含水层和突水水样化学离子,建立矿井突水的多元混合模型。分析计算3个不同煤矿的矿井突水水样,并与BP神经网络方法和模糊综合评判法这2种传统突水水源分析方法相对比。结果表明:多元混合模型理论、BP神经网络方法和模糊综合评判方法均能够结合水化学数据对矿井突水水源进行有效判别,其中多元混合模型理论不仅简洁易懂,而且准确率高于传统的BP神经网络方法和模糊综合评判法。

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。