Identification of Mine Water Inrush Source Based on PCA-BP Neural Network

It is of great significance to analyze the chemical indexes of mine water and develop a rapid identification system of water source, which can quickly and accurately distinguish the causes of water inrush and identify the source of water inrush, so as to reduce casualties and economic losses and prevent and control water inrush disasters. Taking Ca2+, Mg2+, Na+ + K+, , , Cl-, pH value and TDS as discriminant indexes, the principal component analysis method was used to reduce the dimension of data, and the identification model of mine water inrush source based on PCA-BP neural network was established. 96 sets of data of different aquifers in Panxie mining area were selected for prediction analysis, and 20 sets of randomly selected data were tested, with an accuracy rate of 95%. The model can effectively reduce data redundancy, has a high recognition rate, and can accurately and quickly identify the water source of mine water inrush.

Hydrogeochemical Characteristics and Groundwater Inrush Source Identification for a Multi-aquifer System in a Coal Mine

Correct identification of water inrush sources is particularly important to prevent and control mine water disasters.Hydrochemical analysis,Fisher discriminant analysis,and geothermal verification analysis were used to identify and verify the water sources of the multi-aquifer groundwater system in Gubei coal mine,Anhui Province,North China.Results show that hydrochemical water types of the Cenozoic top aquifer included HCO3-Na+K-Ca,HCO3-Na+K-Mg and HCO3-Na+K,and this aquifer was easily distinguishable from other aquifers because of its low concentration of Na++K+and Cl-.The Cenozoic middle and bottom aquifers,the Permian fissure aquifer,and the Taiyuan and Ordovician limestone aquifers were mainly characterized by the Cl-Na+K and SO4-Cl-Na+K or HCO3-Cl-Na+K water types,and their hydrogeochemistries were similar.Therefore,water sources could not be identified via hydrochemical analysis.Fisher model was established based on the hydrogeochemical characteristics,and its discrimination rate was 89.19%.Fisher discrimination results were improved by combining them with the geothermal analysis results,and this combination increased the identification rate to 97.3%and reasonably explained the reasons behind two water samples misjudgments.The methods described herein are also applicable to other mines with similar geological and hydrogeological conditions in North China.

Working principle and application of HEMS with lack of a cold source

With the increase of mining depth, the temperature of the original rock in deep mines increases. High temperature heat hazards at working surfaces and driving faces are becoming increasingly more serious. Given the problem of mine cooling technologies at China and abroad and the actual conditions of a coal mine, we developed HEMS (High Temperature Exchange Machinery System) with inrushing mine water as the source of cold energy. Combined with the characteristics of a shortage of inrushing water in the coal mine, we proposed the Sanhejian model of HEMS with its lack of a cold source. The cooling engineering construction, given the present conditions in the Sanhejian Coal Mine, consisted of two phases. In phase I horizontal water circulation was used as cold energy, while phase II was the geothermal utilization project. For the key equipment of HEMS-PT or HEMS-T, we provided the operational principle from theory and an actual application. Finally, we analyzed the operational effect of HEMS. After cooling, the temperature at the working face was below 30 °C, which meets the national regulations. This system opens up new technology to solve the problem of deep mine heat hazards, which makes good sense in energy conservation and pollution reduction, improves the environment and realizes sustainable economic development.

蒙陕接壤区煤层顶板涌水水源智能判别方法

蒙陕接壤区煤炭高强度开采诱发的煤层顶板水害问题日益凸显,高效智能地判别煤层顶板涌水水源是顶板水害防治的关键。以蒙陕接壤区3个典型矿井为研究对象,将无机指标K^(+)+Na^(+)、Ca^(2+)、Mg^(2+)、Cl^(-)、SO_(4)^(2-)、HCO_(3)^(-)、TDS和有机指标UV_(254)、TOC、溶解性有机质(DOM)的荧光光谱作为判别指标,利用主成分分析法(PCA)对80组地下水水样数据进行主成分提取,提出一种人工鱼群算法(AFSA)改进随机森林(RF)的PCA-AFSA-RF顶板涌水水源智能判别方法。首先,建立PCA-RF判别模型,其准确率(A_(c))、精确率(P_(r))、召回率(R_(c))和F-measure指数(f_(1))分别达到了83.00%、83.17%、80.42%和79.57%;其次,通过AFSA对PCA-RF判别模型中决策树数目、树深和内部节点分裂所需的最小样本数进行寻优,在AFSA中引入遗传机制以避免陷入局部最优,建立基于PCA-AFSA-RF的煤层顶板涌水水源智能判别模型,该模型A_(c)、P_(r)、R_(c)、f_(1)分别达到92.18%、91.11%、87.58%和88.82%,较PCA-RF分别提高9.18%、7.94%、7.16%和9.25%,回代准确率达到97.50%;最后,利用该模型对12个矿井水水样进行判别,结果与现场实际相一致,表明AFSA改进后的PCA-RF模型具有更好的准确性和泛化能力。研究结果可为煤层顶板涌水水源的准确判别提供新方法。

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。

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。

浅海环境中用于目标深度属性判别的线谱起伏特征量分析

浅海环境中目标辐射线谱的起伏特征可用于水面、水下目标深度属性判别.已有研究未给出表征水面、水下线谱起伏差异的物理量性质,导致利用不同物理量进行目标深度属性判别时性能不佳.针对这一问题,本文从声源深度起伏所导致的线谱起伏出发,采用微分方法与统计方法对线谱起伏规律进行分析,研究了线谱起伏产生的物理机理,得到了适合用于水面、水下目标深度属性判别的物理量.首先,分别推导了复声压实部、声功率与声压幅值关于声源深度的导数关系式,得到了以上三种物理量在声源深度起伏时的起伏大小;其次,利用仿真实验数据从接收深度、声源水平距离、线谱频率等层面对理论推导进行验证,并对线谱的归一化起伏特征进行了分析.最后,利用海试数据验证了相关结论.结果表明,当声源的深度起伏时,水面、水下线谱的起伏差异源自各阶模态的相互作用.声源频率、声源水平距离、接收深度三种因素决定了模态间相互作用的性质.声压幅值适用于构建目标深度属性判别特征量,可用于表征低频线谱的强度起伏差异.数值仿真和海试数据处理结果表明,相较于声压实部和声功率,利用声压幅值构建的归一化水面、水下目标深度属性判别特征量具有更优性能.

基于锶同位素的潘二煤矿相邻灰岩含水层突水水源判识模型研究

矿井突水是采矿生产过程中威胁最大的地质灾害之一,快速有效地判别突水水源是预防矿井水害的关键所在。通过分析潘二煤矿含水层的水化学性质,开展了相邻水岩水锶同位素的测试与分析,选取^(87)Sr/^(86)Sr、Ca^(2+)、Na^(+)+K^(+)、Mg^(2+)、HCO_(3)^(-)、SO_(4)^(2-)、Cl^(-)7个判别指标,结合主成分分析与Fisher理论、主成分分析与距离判别理论、主成分分析与BP神经网络,分别建立基于锶同位素的混合水源判别模型(Sr-F模型、Sr-D模型、Sr-B模型),利用模型对未知水样进行判识。结果表明:基于锶同位素的Sr-B判识模型的判识效果最好,其准确率达到95%;基于主成分分析与BP神经网络突水水源判别模型能够有效地提高突水水源识别精度,能准确地判识相邻灰岩含水层突水水源,为矿井安全生产提供保障。

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。

全光纤微震监测技术在底板突水监测中的应用研究

目前国内的光纤微震监测系统多是基于光学光栅传感技术,而光纤光栅波长解调限制了系统检测频率与灵敏度,且长时间、连续不间断的微震监测成功案例较少。针对上述问题,提出了一种新型全光纤微震监测系统。以潘二煤矿11023工作面回采过程中底板突水监测为工程背景,使用全光纤微震监测系统与ESG微震监测系统进行对比,得出全光纤微震监测系统具有以下优势:记录的波形频谱特征更清晰,表现出高信噪比优势;对扰动深度的监测范围更大,远距离监测效果更好;震源定位结果分布更加合理,更符合工作面实际开采情况。在监测工作面回采全周期内,分析了11023工作面断层异常区底板破坏与微震活动性关系:在断层和煤层变薄异常区附近,微震事件的数量增多、强度增大;工作面初采期间应力集中释放,受采动影响,底板破坏较深;相对大能量事件主要分布在断层异常区的底板,底板破坏深度约为27 m,微震事件在3煤底板60 m以下没有成线或成面聚集的情况,说明裂隙并未扩展,未形成导水通道,工作面安全回采。

基于PCA-GA-RF的矿井突水水源快速识别模型

矿井突水已成为影响矿山安全生产的主要危害之一,快速准确识别突水水源类型是矿井突水灾害治理的关键步骤。提出了1种基于PCA-GA-RF的矿井突水水源识别模型;基于安徽省颍上县谢桥煤矿的88组水样实测数据,遵循分层随机抽样的原则,按照7∶3的比例将其分为62组训练样本和26组预测样本,经PCA提取4个主成分,构建PCA-GA-RF模型,并与PCA-RF、PCA-ABC-RF和PCA-FA-RF模型对比。结果表明:PCA-GA-RF模型判别结果准确率为96.153 8%,与其他模型相比准确率、精确率、召回率和F1值(精确召回率)最高,具有优越性。

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。

柳家村隧洞水化学特征分析及涌水水源判别方法研究

柳家村隧洞作为滇中引水工程的重要组成部分,在开挖过程中需穿越高水位富水地层,因而容易发生突涌水事故。隧址区地处红层,地下水作为当地居民生产生活的重要水源,因此揭示研究区地下水水化学特征,构建涌水判别模型,对于当地地下水资源的开发利用具有重要意义。分别从3个不同含水层中采集了11组地下水水样以及2个施工支洞的2组涌水水样,运用Piper三线图、离子比例系数、水化学指标相关性分析等方法揭示了区域地下水水化学特征;以主成分分析法和Fisher判别法作为基础模型,构建了一种由R型聚类分析、主成分分析、Fisher判别分析三者耦合的涌水水源快速判别模型,该模型可以较好地适用于水样数据较少的地区;此外,利用柳家村隧洞的实际样本数据,对该模型进行了验证,并与主成分分析、Fisher判别分析两者结合的方法进行了对比。结果表明:地下水中离子成分主要来源于地层中的方解石、白云石、石膏、芒硝等矿物的溶解;利用本文提出的涌水水源快速判别模型判别涌水水源的精度相比于主成分分析、Fisher判别分析两者耦合的方法提高了9.1%。

自适应接地电阻的本安型电法监测场源信号发射装置设计

电法监测技术因其对煤岩电阻率变化的高灵敏特点而逐步在突水风险较高的矿井进行推广应用,然而由于井下工作面两巷工况环境复杂,不同场源发射监测电极间的接地条件差异较大且随时间变化,难以在整个监测周期内提供稳定的场源信号。设计了一种基于STM32F407的负反馈式本安型电法监测场源信号发射装置,该装置可自适应调节不同发射电极间的接入电阻,具备双重可靠本安保护电路,实现了本安限制条件下场源信号的最大功率稳定发射,既而使场源能量最大化加载至目标监测地质体来获得尽可能强的场源响应信号,提升电法监测系统数据采集质量,提高反演解释的准确性。

浅析煤层顶底板突水成因及影响因素

为防止煤层底板突水事故的发生,保障井下人员生命安全以及维护井下采煤设备,本文对煤层底板突水成因及影响因素进行了分析总结,对从源头上治理煤层底板突水具有重要意义。根据矿井突水的性质,得出矿井突水中以断层突水最为严重,约占突水事故的80%。当矿井突水的发生无可避免时,需要对生产工艺进行优化,同时加强安全管理,最大程度地减轻人员伤亡及财产损失。

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。

黄陵一号煤矿814工作面充水性因素与涌水量预测

为实现煤矿综采工作面安全高效开采,通过对黄陵矿业一号煤矿814工作面充水水源、充水通道、充水强度展开分析,得出814工作面充水因素,并通过“动、静态水结合法”对814工作面涌水量进行预测。结果表明,直罗组下段裂隙水为工作面直接充水水源,对工作面回采充水影响较大,回采前有必要对工作面上覆延安组中部砂岩含水层和直罗组下段砂岩裂隙含水层进行疏放,消除上覆直接充水水源对814工作面的水害隐患;工作面回采期间,正常涌水量为60.4 m^(3)/h,最大涌水量为84.7 m^(3)/h。

矿山采动突水危险源划分与致灾危险性评价研究

为了实现工作面开采过程中对煤层顶底板突水危险性进行动态评价,依据西北型、华北型煤矿区水文地质结构、突水主控因素、突水致灾模式、水害类型的分析,建立了水源、通道和采动三准则来表征煤层顶/底板突水危险源与致灾危险性之间的关联,构建了煤层顶/底板突水危险性的关键危险源的评价指标体系,将指标体系中随着工作面开采具有动态变化的指标因素(含水层水压、应力-应变、导裂带高度/破坏带深度)作为危险源动态特征辨识的目标,建立多场-多参数的工作面突水危险性动态评价概念模型,提出了矿井突水的临界判别准则,依托深度学习/强化学习的海量参数分析计算能力,为煤层顶/底板突水危险性动态评价分区提供理论支撑。

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。