安全管理网

基于BP人工神经网络的矿井水源识别技术研究

作者:刘德民 连会青  
评论: 更新日期:2015年11月04日

摘要:准确识别矿井水源是有效制订煤矿防治水措施的前提条件,为实现矿井充水水源识别,减少水害事故的发生,以兴隆庄煤矿上组煤充水水源识别为例,在分析矿井水文地质条件及水化学条件的基础上,利用BP人工神经网络强大的非线性分析功能,构建了矿井水源识别人工神经网络模型,实现了矿井水源的识别,研究表明BP人工神经网络能够实现矿井水源识别,精度可以满足矿井水害防治需要。
关键词:矿井水害;水源识别;人工神经网络;BP

矿井水害发生前一般均有滴、淋水等出水现象,据不完全统计,各种水害类型的突水事故中,90%以上水害发生前均出现出水现象。当有出水现象发生时,根据各含水层水质的差异特征迅速识别出水水源,就可以制订可行的矿井水害防治措施,减少水害事故损失,甚至避免水害事故发生,对减少人员伤亡及财产损失具有重大意义。
本文在总结前人研究的基础上,分析了兴隆庄煤矿上组煤水文地质条件和水化学特征,在此基础上设计了矿井水源BP人工神经水源识别模型,实现了水源的准确判别,可以为矿井防治水工作提供一定技术支撑。
一、矿井水文地质条件
兴隆庄井田位于兖州向斜的北翼,区内断裂发育,大部分为高角度正断层,倾角60°~80°,揭露断层57条,其中落差≥10m的断层共有27条,本区的大断层总体在天然状态下含、导水性不强。
上组煤开采主要充水含水层有第四系下组松散孔隙含水层、山西组3煤顶砂岩裂隙含水层、石炭—二叠系太原组中的三灰含水层。第四系中含水层下组厚0~79.80m,平均47.77m,分布较稳定,其中较稳定的含水砂、砂砾层2~4层,总厚10m~20m,含水性较强,为孔隙承压含水层。3煤顶板砂岩为中—细砂岩至粗砂岩,厚度在22m左右,砂岩胶结程度和胶结物也很不均一,以钙质胶结和泥质胶结为主。2003年补9号孔对3煤顶板砂岩进行了注水试验,单位注水量为0.00000195L/s•m,渗透系数0.00000339m/d。太原组三灰位于太原组的上部,厚度为1.27~6.64m,平均厚度为5.18m,层位稳定,全区发育。三灰为灰白至深灰色石灰岩,岩溶不太发育,仅在构造部位能见小裂隙、小溶洞。本层含水层水为溶隙裂隙承压水。以储存量为主,易于疏干。在精查勘探时期,曾对三灰含水层做过3次抽水试验,抽水成果:三灰含水层钻孔水位标高+39.86~+40.21m,单位涌水量为0.0149~0.242L/s•m,矿化度为0.387~0.694g/。三灰上距3煤40.11~52.10m,平均45.73m。间距中南部较大,西部较小。开采3煤时巷道有时要穿过三灰。因此三灰对矿井充水有影响。
二、矿井水化学特征
第四系下组含水层水总矿化度0.179~0.574g/L,平均0.403 g/L,总矿化度较低,但较上组含水层水总矿化度有一定的增加。Ca2+是下组含水层主要的阳离子,平均离子浓度分别为53.1mg/L,Na+平均浓度分别为62.9 mg/L,两者的平均毫克当量百分比分别为42.6%和43.5%。CL-含量为40.2 mg/L,平均毫克当量百分比18.6%,SO42-的浓度为44.7 mg/L,平均毫克当量百分比14.5%,下组水的水质类型以HCO3-Ca•K+Na型为主,局部出现HCO3•SO4-Ca•K+Na型和HCO3•CL-Ca•K+Na型水,见图1(a)。
3煤顶砂岩裂隙水总矿化度较第四系水明显增大,平均为1.23,最大为3.44 g/L,属于微咸水至咸水,3煤顶砂岩裂隙水中主要的阳离子演变成Na++K+,其离子浓度平均为350mg/L,是第四系下组水Na++K+离子浓度的5.6倍,毫克当量百分比为48.7%~99.1%,平均为88.3%,而Ca2+和Mg2+离子相对含量显著降低,平均毫克当量百分比为7.0%和4.6%,阴离子中仍然以HCO3-为主,平均离子浓度为679mg/L,较第四系下组水也有明显的增加,是第四系下组水HCO3-平均离子浓度的2.7倍,水质类型以HCO3 - K+Na型为主,部分采样点出现HCO3•SO4-Ca•K+Na型或HCO3•SO4- K+Na型水,见图1(b)。

图1 兴隆庄矿上组煤主要充水含水层水质Piper三线图
三灰水阳离子以Na++K+为主,离子浓度为227.7mg/L~546.7 mg/L,平均毫克当量百分比为97.2%,Ca2+和Mg2+浓度较低。阴离子以HCO3-为主,平均离子浓度为837.5 mg/L,毫克当量百分比为77.6%~89.3%,水质类型为HCO3 - K+Na型为主,见图1(b)。和3煤顶板裂隙水相似,不过其SO42-的含量要小于3煤顶板裂隙水。
三、矿井充水水源BP人工神经网络结构设计及实现
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。BP人工神经网络具有以下特点:1) 非线性映射能力:BP神经网络实质上实现了一个从输入到输出的映射功能,数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题,即BP神经网络具有较强的非线性映射能力。2) 自学习和自适应能力:BP神经网络在训练时,能够通过学习自动提取输出、输出数据间的“合理规则”,并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力。3) 泛化能力:所谓泛化能力是指在设计模式分类器时,即要考虑网络在保证对所需分类对象进行正确分类,还要关心网络在经过训练后,能否对未见过的模式或有噪声污染的模式,进行正确的分类。也即BP神经网络具有将学习成果应用于新知识的能力。4) 容错能力:BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响,也就是说即使系统在受到局部损伤时还是可以正常工作的。即BP神经网络具有一定的容错能力。
根据兴隆庄矿水文地质条件及水化学特征,设计3层BP人工神经网络结构,输入层6结点分别为Na++K+、Mg2+、Ca2+、CL-、SO 、HCO3-的离子浓度,中间层9个结点,输出层3个结点,代表水源类型,其标准形式为(1 0 0)、(0 1 0)、(0 0 1),分别代表上组煤充水水源的第四系下组水、3煤层顶板砂岩裂隙水和三灰水。

网友评论 more
创想安科网站简介会员服务广告服务业务合作提交需求会员中心在线投稿版权声明友情链接联系我们