陜西某煤礦涌水量預(yù)測(cè)

張耀文，　李海君，　張莉麗，　孔慧敏

(防災(zāi)科技學(xué)院 地震科學(xué)系， 河北 廊坊　065201)

?

經(jīng)驗(yàn)交流

陜西某煤礦涌水量預(yù)測(cè)

張耀文，李海君，張莉麗，孔慧敏

(防災(zāi)科技學(xué)院 地震科學(xué)系， 河北 廊坊065201)

摘要：根據(jù)陜西某煤礦的水文地質(zhì)條件，分析了影響該礦井涌水量的主要因素及指標(biāo)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和大井法分別預(yù)測(cè)其二、三采區(qū)的不同工作面涌水量，并對(duì)計(jì)算結(jié)果進(jìn)行比較分析。分析結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果較為準(zhǔn)確，可將其作為該礦井制定疏水降壓方案的依據(jù)。

關(guān)鍵詞：涌水量預(yù)測(cè)； BP神經(jīng)網(wǎng)絡(luò)； 大井法

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160705.1503.016.html

0引言

陜西某煤礦自2006年建成投產(chǎn)以來(lái)，涌水量總體呈逐年增加趨勢(shì)，最大涌水量為5 458 m3/h，正常涌水量為5 000～5 200 m3/h[1]，水文地質(zhì)類(lèi)型為極復(fù)雜。目前煤層開(kāi)采導(dǎo)致的頂板水害問(wèn)題突顯為該礦井的主要安全隱患，因此準(zhǔn)確預(yù)測(cè)該礦井頂板涌水量對(duì)其制定防治水措施、保證礦井安全生產(chǎn)具有重要意義。

礦井涌水量預(yù)測(cè)的準(zhǔn)確性不僅取決于對(duì)礦井充水條件的正確分析和計(jì)算參數(shù)的合理選取，也與預(yù)測(cè)方法的科學(xué)性密切相關(guān)[2]。目前常用的礦井涌水量預(yù)測(cè)方法可大致歸為確定性方法和非確定性方法兩大類(lèi)，其中確定性方法包括解析法、水均衡法、數(shù)值法、物理模擬法等，非確定性方法包括水文地質(zhì)比擬法、相關(guān)分析法、BP神經(jīng)網(wǎng)絡(luò)、灰色系統(tǒng)理論等[2]。本文采用BP神經(jīng)網(wǎng)絡(luò)和大井法分別計(jì)算了陜西某煤礦二、三采區(qū)的5個(gè)工作面涌水量，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比分析，最終選用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果作為制定該礦井疏水降壓方案的依據(jù)。

1礦井水文地質(zhì)概況

該煤礦位于陜西黃土高原北端、毛烏素沙漠東南緣。礦區(qū)以風(fēng)沙地貌為主，所處水文地質(zhì)單元為禿尾河流域，水資源極為豐富。礦區(qū)構(gòu)造簡(jiǎn)單，地層平坦，總體趨勢(shì)為一個(gè)緩緩向北、西傾斜的單斜構(gòu)造。該區(qū)地表絕大部分被第四系沉積物覆蓋，地層由老至新依次為：三疊系上統(tǒng)永坪組(T3y)，侏羅系中統(tǒng)延安組(J2y)、直羅組(J2Z)，第三系上新統(tǒng)保德組(N2b)，第四系中更新統(tǒng)離石組(Q2L)，上更新統(tǒng)薩拉烏蘇組(Q3S)、全新統(tǒng)風(fēng)積沙(Q4eol)及沖積層(Q4al)。區(qū)內(nèi)含煤地層為延安組，現(xiàn)主采煤層為3-1煤層，平均厚度約3.2 m，全區(qū)可采。

礦區(qū)內(nèi)主要含水層(組)自上而下為松散層孔隙潛水含水層和直羅組孔隙裂隙承壓含水層。松散層孔隙潛水含水層的巖性以細(xì)砂、粉砂為主，局部含粗砂及砂礫石；含水層厚度為0～64.10 m，單位涌水量為0.06～0.39 L/(s·m)，滲透系數(shù)為0.813～4.760 m/d，富水性為弱—中等。直羅組孔隙裂隙承壓含水層的巖性以中粗粒砂巖為主，局部夾粉細(xì)砂巖；該含水層厚度為0～83.75 m，由于受風(fēng)化作用影響，巖層裂隙發(fā)育，滲透性及儲(chǔ)水條件較好，單位涌水量為0.040 2～0.666 L/(s·m)，滲透系數(shù)為0.142～0.882 m/d，富水性為中等。

2礦井涌水量的主要影響因素分析

(1) 充水含水層。目前該礦井主采3-1煤層的充水水源主要為地下水，其直接充水水源為直羅組孔隙裂隙承壓水，間接充水水源為松散層孔隙潛水，故直羅組孔隙裂隙承壓含水層的富水性強(qiáng)弱將直接影響涌水量的大小。一般而言，充水含水層的厚度、滲透系數(shù)、單位涌水量越大，含水層的富水性越強(qiáng)。此外，含水層的巖性脆塑性比(巖性脆性巖與塑性巖厚度比)越大或巖芯采取率越低，說(shuō)明含水層的巖石裂隙發(fā)育程度越高，滲透性越強(qiáng)，含水層富水性也越強(qiáng)[3]。因此，根據(jù)該礦井資料，礦井5個(gè)工作面充水含水層的滲透系數(shù)、含水層厚度、單位涌水量、巖性脆塑性比、巖芯采取率等指標(biāo)可以綜合表征直羅組孔隙裂隙承壓含水層的富水性強(qiáng)弱，并直接影響5個(gè)工作面頂板涌水量的大小。

(2) 采動(dòng)裂隙。煤層開(kāi)采以后，煤層頂板發(fā)育的導(dǎo)水裂隙帶為礦井充水的人為通道。當(dāng)導(dǎo)水裂隙帶發(fā)育高度達(dá)到煤層頂板充水含水巖層底界時(shí)，導(dǎo)水裂隙帶將溝通上覆充水含水層，不僅會(huì)增大其分布范圍內(nèi)的充水含水層靜儲(chǔ)量，而且會(huì)增加充水含水層動(dòng)儲(chǔ)量，最終使得礦井涌水量顯著增加。一旦導(dǎo)水裂隙帶發(fā)育高度到達(dá)充水含水層底界，發(fā)生礦井突水的可能性非常大[4]。因此，導(dǎo)水裂隙帶發(fā)育高度到充水含水層底界的距離這項(xiàng)指標(biāo)很大程度上影響著礦井涌水量的大小。二采區(qū)2個(gè)工作面的導(dǎo)水裂隙帶發(fā)育高度到充水含水層底界的距離均為0，即導(dǎo)水裂隙帶已導(dǎo)通直羅組孔隙裂隙承壓含水層，很有可能增大礦井涌水量，造成礦井突水，應(yīng)提前做好相應(yīng)的防治水措施。三采區(qū)3個(gè)工作面的導(dǎo)水裂隙帶發(fā)育高度到充水含水層底界的距離均大于4 m，導(dǎo)水裂隙帶應(yīng)不會(huì)成為充水通道，基本不影響礦井涌水量。

(3) 構(gòu)造斷裂。該礦區(qū)內(nèi)未發(fā)現(xiàn)褶皺，目前僅發(fā)現(xiàn)小型寬緩的波狀起伏和3條高角度正斷層，斷層破碎帶寬度為幾米至十幾米，斷層裂隙較發(fā)育，可溝通上覆充水含水層，為本礦井局部地段重要的充水通道。但上述導(dǎo)水?dāng)鄬硬⑽从绊懙蕉?、三采區(qū)的充水含水層，故本文計(jì)算二、三采區(qū)的工作面涌水量時(shí)暫不考慮該因素。

3礦井涌水量預(yù)測(cè)

3.1BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)方法

3.1.1BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向型的神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習(xí)大量的映射關(guān)系，而不需要其他數(shù)學(xué)知識(shí)來(lái)描述[5]。對(duì)于用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)涌水量而言，只要存在一定數(shù)量可供學(xué)習(xí)的涌水樣本，網(wǎng)絡(luò)便可通過(guò)訓(xùn)練建立起礦井涌水量與各種影響因素之間的映射關(guān)系，通過(guò)多次訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)模型就具備了記憶功能，可以應(yīng)用于實(shí)際礦井涌水量的預(yù)測(cè)。通過(guò)分析本礦井涌水量的影響因素，將本礦井涌水量與其各項(xiàng)影響指標(biāo)的映射關(guān)系概括為[6-7]

(1)

式中：Q為礦井涌水量；M為含水層厚度；K為滲透系數(shù)；q為單位涌水量；N為巖性脆塑性比；R為巖芯采取率；D為導(dǎo)水裂隙帶高度到充水含水層底界的距離。

3.1.2BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)，分別為輸入層、隱含層和輸出層，其中輸入層神經(jīng)元包括含水層厚度、滲透系數(shù)、單位涌水量、巖性脆塑性比、巖芯采取率及導(dǎo)水裂隙帶發(fā)育高度到充水含水層底界的距離等6個(gè)礦井涌水量影響指標(biāo)，輸出層神經(jīng)元為礦井涌水量。根據(jù)Kolmogorvo定理，隱含層神經(jīng)元個(gè)數(shù)取10。由此，得到了網(wǎng)絡(luò)結(jié)構(gòu)為6-10-1的BP神經(jīng)網(wǎng)絡(luò)模型(圖1)。隱含層的傳遞函數(shù)為logsig，輸出層的傳遞函數(shù)為purelin。經(jīng)過(guò)反復(fù)試算，發(fā)現(xiàn)訓(xùn)練函數(shù)為trainscg時(shí)，網(wǎng)絡(luò)收斂速度最快，擬合關(guān)系最佳。

圖1　BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

采用本礦井多個(gè)工作面的上述6個(gè)礦井涌水量影響指標(biāo)作為輸入信息，實(shí)測(cè)涌水量作為輸出信息，進(jìn)行模型參數(shù)識(shí)別與驗(yàn)證，并將其中22組數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)。為了防止神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練出現(xiàn)過(guò)擬合，神經(jīng)網(wǎng)絡(luò)工具箱將訓(xùn)練數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。其中訓(xùn)練集用于學(xué)習(xí)訓(xùn)練；驗(yàn)證集用來(lái)驗(yàn)證網(wǎng)絡(luò)模型的泛化能力，并在過(guò)擬合前停止訓(xùn)練；測(cè)試集在網(wǎng)絡(luò)訓(xùn)練過(guò)程中沒(méi)有接觸模型，它作為一個(gè)完全獨(dú)立的樣本來(lái)檢測(cè)網(wǎng)絡(luò)模型的準(zhǔn)確性。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2所示，通過(guò)73次訓(xùn)練，驗(yàn)證集最好的性能出現(xiàn)在第67次訓(xùn)練周期，其均方誤差為0.004。 且3個(gè)數(shù)據(jù)集的網(wǎng)絡(luò)模型輸出值與目標(biāo)值間的相關(guān)關(guān)系較好，相關(guān)系數(shù)R在0.96以上，如圖3所示。由圖3可知，所建立的BP神經(jīng)網(wǎng)絡(luò)模型較可靠，可以用來(lái)預(yù)測(cè)其他工作面的涌水量，預(yù)測(cè)結(jié)果見(jiàn)表1。

圖2　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

(a)訓(xùn)練集,R=0.98097(b)驗(yàn)證集,R=0.98097(c)測(cè)試集,R=0.96469(d)全部,R=0.98239

圖3BP神經(jīng)網(wǎng)絡(luò)模型輸出值與目標(biāo)值的相關(guān)關(guān)系

表1　BP神經(jīng)網(wǎng)絡(luò)模型涌水量預(yù)測(cè)結(jié)果

3.2大井法

本礦井煤層頂板涌水量主要來(lái)自其直接充水的直羅組孔隙裂隙承壓含水層，該含水層巖性相對(duì)較單一，在礦井疏排水過(guò)程中，地下水水流會(huì)在疏降區(qū)形成一個(gè)相對(duì)穩(wěn)定降落漏斗，符合裘布依方程設(shè)定的條件。在疏降區(qū)范圍內(nèi)，承壓水位將降至含水層底板以下，因此采用承壓轉(zhuǎn)無(wú)壓的地下水動(dòng)力學(xué)公式(式(2))進(jìn)行預(yù)測(cè)較合理[8]。

(2)

將各參數(shù)代入式(2)即可得到預(yù)測(cè)工作面的涌水量，具體參數(shù)值及涌水量計(jì)算結(jié)果見(jiàn)表2。

表2　大井法涌水量預(yù)測(cè)結(jié)果

3.3礦井涌水量預(yù)測(cè)結(jié)果分析

以上2種方法對(duì)5個(gè)工作面涌水量的預(yù)測(cè)結(jié)果對(duì)比見(jiàn)表3，三采區(qū)的31308、31310和31312工作面涌水量的預(yù)測(cè)值較為相似，但對(duì)于二采區(qū)的31201和31206工作面涌水量的預(yù)測(cè)值，這兩種方法計(jì)算結(jié)果有一定誤差。這主要由于這2個(gè)采區(qū)的煤層頂板導(dǎo)水裂隙帶發(fā)育情況不同，根據(jù)礦井涌水量影響因素分析可知，三采區(qū)的導(dǎo)水裂隙帶基本不會(huì)影響礦井涌水量的變化，而二采區(qū)的導(dǎo)水裂隙帶已溝通上覆直接充水含水層(直羅組孔隙裂隙承壓含水層)，考慮間接充水水源(松散層孔隙潛水)很有可能成為增加的補(bǔ)給來(lái)源，導(dǎo)致其工作面涌水量明顯增大，故BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算值更符合實(shí)際情況。同時(shí)，根據(jù)正在開(kāi)采的31201工作面實(shí)際涌水量為37 149 m3/d，也可以證實(shí)BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算結(jié)果更為準(zhǔn)確。

表3　礦井涌水量預(yù)測(cè)結(jié)果對(duì)比

BP神經(jīng)網(wǎng)絡(luò)模型建立在實(shí)測(cè)礦井涌水量與其影響指標(biāo)之間的映射關(guān)系之上，綜合考慮了含水層厚度、滲透系數(shù)、單位涌水量、巖性脆塑性比、巖芯采取率及導(dǎo)水裂隙帶發(fā)育高度到充水含水層底界的距離6個(gè)影響指標(biāo)。而大井法則對(duì)實(shí)際水文地質(zhì)條件做了一定簡(jiǎn)化，假定實(shí)際含水層全為均質(zhì)各向同性，而本礦井二采區(qū)的導(dǎo)水裂隙帶已導(dǎo)通充水含水層，即實(shí)際含水層局部存在人為充水通道，計(jì)算時(shí)將其概化為均質(zhì)含水層，導(dǎo)致預(yù)測(cè)結(jié)果有一定偏差。因此，對(duì)于本礦井而言，尤其是二采區(qū)，采用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)礦井涌水量更準(zhǔn)確。

4結(jié)語(yǔ)

分析了礦井涌水量的主要影響因素，采用BP神經(jīng)網(wǎng)絡(luò)模型和大井法分別計(jì)算了陜西某煤礦二、三采區(qū)的5個(gè)工作面涌水量。分析結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型比大井法計(jì)算結(jié)果更為可靠、準(zhǔn)確，因此推薦采用BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算結(jié)果作為該礦井制定疏水降壓方案的依據(jù)。經(jīng)計(jì)算可知，本礦井二采區(qū)31201，31206工作面涌水量為43 795.48～46 783.57 m3/d，三采區(qū)31308，31310，31312工作面涌水量為8 695.25～25 007.21 m3/d。

參考文獻(xiàn)：

[1]王生全,牛建立,劉洋,等.錦界煤礦水文地質(zhì)特征與礦井充水危險(xiǎn)性預(yù)測(cè)[J].煤田地質(zhì)與勘探,2014,42(6):55-58.

[2]虎維岳.礦山水害防治理論與方法[M].北京:煤炭工業(yè)出版社,2005:16-17.

[3]武強(qiáng),樊振麗,劉守強(qiáng),等.基于GIS的信息融合型含水層富水性評(píng)價(jià)方法——富水性指數(shù)法[J].煤炭學(xué)報(bào),2011,36(7):1124-1128.

[4]武強(qiáng),黃曉玲,董東林,等.評(píng)價(jià)煤層頂板涌(突)水條件的“三圖-雙預(yù)測(cè)法”[J].煤炭學(xué)報(bào),2000,25(1):60-65.

[5]王小川,史峰,郁磊,等.MATLAB 43個(gè)神經(jīng)網(wǎng)絡(luò)案例分析[M].北京:北京航空航天大學(xué)出版社,2013：11-15.

[6]凌成鵬,孫亞軍,楊蘭和,等.基于BP神經(jīng)網(wǎng)絡(luò)的孔隙充水礦井涌水量預(yù)測(cè)[J].水文地質(zhì)工程地質(zhì),2007,34(5):55-58.

[7]郭純清,田西昭.巖溶隧道涌水量綜合預(yù)測(cè)——以朱家?guī)r巖溶隧道為例[J].水文地質(zhì)工程地質(zhì),2011,38(3):1-8.

[8]劉小滿(mǎn),邢學(xué)玲,王心義.躍進(jìn)礦充水因素分析及礦井涌水量計(jì)算[J].煤礦安全,2011,42(10):121-124.

Prediction of water inflow of a coal mine of Shaanxi

ZHANG Yaowen，LI Haijun，ZHANG Lili，KONG Huimin

(Department of Earthquake Science, Institute of Disaster Prevention, Langfang 065201, China)

Abstract：Main factors and indicators that affect water inflow of a coal mine of Shaanxi were analyzed according to its hydrogeological conditions. BP neural network and large-well method were used to predict water inflow of different working faces of the second and third districts, and results of the two methods were compared. The analysis results show that the predict result of BP neural network model is more accurate, it can be used as basis for development of mine drainage and pressure decreasing program.

Key words:prediction of water inflow; BP neural network; large-well method

文章編號(hào)：1671-251X(2016)07-0066-04

DOI:10.13272/j.issn.1671-251x.2016.07.016

收稿日期：2016-01-22；修回日期：2016-05-25；責(zé)任編輯：胡嫻。

基金項(xiàng)目：防災(zāi)減災(zāi)青年科技基金項(xiàng)目(201201)；河北省教育廳高等學(xué)?？茖W(xué)研究計(jì)劃項(xiàng)目 (Z2013027)。

作者簡(jiǎn)介：張耀文(1986-)，女，內(nèi)蒙古烏拉特前旗人，講師，碩士，主要從事水文地質(zhì)方面的教學(xué)工作，E-mail:Zhangyaowen999@126.com。

中圖分類(lèi)號(hào)：TD742.1

文獻(xiàn)標(biāo)志碼：A網(wǎng)絡(luò)出版時(shí)間：2016-07-05 15:03

張耀文，李海君，張莉麗，等.陜西某煤礦涌水量預(yù)測(cè)[J].工礦自動(dòng)化，2016,42(7)：66-69.