礦井涌水量動態(tài)影響因素分析
——以貴州某煤礦為例

楊建華，蔡 云

(中國電建集團 貴州電力設(shè)計研究院有限公司，貴陽 550025)

礦井涌水量是煤礦安全監(jiān)測的重要指標之一，對其進行科學預(yù)測既能為煤礦安全生產(chǎn)提供重要保障，也是評判排水方案設(shè)計是否經(jīng)濟、合理的依據(jù)[1]。礦井涌水量主要受多因素的相互作用，如井下復(fù)雜水文地質(zhì)環(huán)境、地質(zhì)構(gòu)造、大氣降雨、開采程度、開采面積、煤層頂?shù)装宓膸r性特征等多種因素的影響，呈現(xiàn)出非線性、非平穩(wěn)特性和自相關(guān)性。目前，在涌水量預(yù)測方法研究方面，主要有解析法、水均衡法、水文地質(zhì)比擬法、相關(guān)分析法、灰色系統(tǒng)法和BP神經(jīng)網(wǎng)絡(luò)等方法[2-6]。其中，BP神經(jīng)網(wǎng)絡(luò)能更好地解決非線性映射，具有較好的預(yù)測效果[7]。本文分析了礦井復(fù)雜的水文地質(zhì)條件、開采深度不斷延深、開采面積增加等因素對礦井涌水量動態(tài)的影響，同時利用BP神經(jīng)網(wǎng)絡(luò)對礦井涌水量進行預(yù)測分析。

1 研究區(qū)背景

1.1 地質(zhì)背景

研究區(qū)位于貴州省水城縣境內(nèi)，地處貴州高原西部山區(qū)地形，為中等切割中山地貌、山脈綿延，主體呈東西延伸，地勢北高南西低，地形崎嶇，起伏較大。地層巖性為二疊系上統(tǒng)峨眉山玄武巖(P3β)、二疊系上統(tǒng)龍?zhí)督M(P3l)砂巖、二疊系中統(tǒng)關(guān)嶺組(T2g)灰?guī)r、白云質(zhì)灰?guī)r、第四系(Q4)殘積、坡積、沖積及洪積物。其地質(zhì)構(gòu)造較為發(fā)育，位于格目底向斜東段之南西翼，為一向北東傾斜的單斜構(gòu)造,地層傾角一般在20°～30°。主要含煤地層為龍?zhí)督M，現(xiàn)主采為M20號煤層，平均厚度為2.17 m，全區(qū)可采。礦區(qū)主要煤層統(tǒng)計見表1。

表1 礦區(qū)可采煤層統(tǒng)計表

1.2 水文地質(zhì)條件

礦區(qū)屬珠江水系北盤江上游巴拉河流域。區(qū)內(nèi)無較大河流經(jīng)過，季節(jié)性山澗小溪發(fā)育,流量受季節(jié)影響較大。當?shù)厍治g基準面為巴拉河,煤炭儲量大部分位于基準面之上。礦區(qū)充水水源主要為大氣降水，其次為老窯水，最后為含水層之間的地下水。礦井直接充水水源為三疊系龍?zhí)督M基巖裂隙水，主要巖性為泥巖、粉砂質(zhì)泥巖，為富水性較弱的含水層。礦區(qū)的主要含水層巖(組)自上而下為松散孔隙水含水層和龍?zhí)督M、飛仙關(guān)組基巖裂隙承壓含水層，永寧鎮(zhèn)組巖溶裂隙含水層。松散孔隙水含水層地下水位埋藏較淺，約為1.5～2 m，滲透系數(shù)為10.36 m/d，水質(zhì)類型為HCO3-Ca型，總硬度9.62，礦化度250 mg/L，為弱富水性含水層；基巖裂隙含水層由灰?guī)r、碎屑巖、粉砂巖、鈣質(zhì)砂巖、泥質(zhì)粉砂巖及煤層組成，該段石灰?guī)r中溶蝕裂隙較發(fā)育，含少量裂隙水，根據(jù)礦區(qū)抽水試驗以及水樣分析，礦區(qū)單位涌出量為0.013 3～0.018 8 L/s·m，滲透系數(shù)為0.005～0.006 m/d。水質(zhì)類型主要為HCO3-Ca-Mg型，礦化度<100 mg/L，為弱富水性含水層。巖溶裂隙含水層以灰?guī)r為主，地表巖溶較發(fā)育，含水層接受大氣降水補給后，地下水通過巖溶裂隙、溶洞集中運移，含水性能好，富水條件差；由于抗風化力較強，地表多呈狹長反向陡崖、峭壁，不利于大氣降雨的補給，排泄條件也較好，大氣降水通過垂直巖溶裂隙補給含水層，并通過巖溶裂隙、溶洞匯集、徑流和排泄，含較豐富的巖溶裂隙水，礦區(qū)鉆孔抽水涌出量0.007 L/s，鉆孔抽水單位涌出量為0.000 3 L/s·m，滲透系數(shù)為0.006 m/d，水質(zhì)類型主要為HCO3-Ca-Na型，礦化度90.75 mg/L，總硬度4.2～6.6，為富水性含水層。礦區(qū)的主要導(dǎo)水通道為冒落帶裂隙、斷層破碎帶。冒落帶裂隙發(fā)育在砂巖、泥巖中的裂隙。斷層破碎帶破壞了巖石的完整性，使巖石的裂隙發(fā)育，滲透性較強，抗水壓能力較弱。研究區(qū)地下水的補給主要來源為大氣降水，是礦井涌水量的間接充水水源，其充水過程通過地表巖石裂隙及煤層采空區(qū)、冒落塌陷區(qū)裂隙等孔隙、孔洞進入地下，主要運移和儲存于透水性較好的砂巖裂隙含水層，最終匯集于礦井坑道。

2 涌水量動態(tài)的影響因素分析

本次研究收集2011年12月至2017年6月間礦井月總涌水量數(shù)據(jù)進行數(shù)理統(tǒng)計分析(圖1)，以反映涌水量的基本特征，礦井月總涌水量值反映涌水量多年時間尺度上的變化特征。全礦涌水量的平均值為46.56 m3/h,最大值為257.72 m3/h,最小值為6.51 m3/h。標準差為51.80 m3/h。置信度(95%)為12.64 m3/h，置信區(qū)間(95%)為33.93～59.20 m3/h。此外，從多年涌水量動態(tài)特征類型為起伏型，涌水量一直呈有規(guī)律的起伏變化，變化周期為1 a左右，但各年的變幅度不等，每年月均涌水量最大值均在5-7月份。

圖1 月總礦井涌水量

2.1 大氣降水對涌水量的影響

根據(jù)整理資料分析可看出，降雨對礦井涌水量的影響最為明顯，礦井涌水量隨降雨量的變化而變化，因此可得出這類動態(tài)變化的成因主要與降水量變化有關(guān)。在豐水期間，涌水量隨降雨量的增加而明顯上升；枯水期間，涌水量隨降雨量減少而有所降低。這正體現(xiàn)了大氣降水是礦井涌水量的主要來源[8]。以2016年為例，從1-4月份，降雨量從30 mm上升至153 mm，涌水量從26.6 m3/h緩慢上升31.9 m3/h；隨后5月份降雨量達370.6 mm，涌水量快速增長且達到最高257.72 m3/h；在7-11月份，降雨量從281.92 mm急劇下降至25 mm，涌水量從7月份227.64 m3/h開始平穩(wěn)下滑，于11月份為47.19 m3/h；最后12月份時降雨量有所回緩增長為73 mm，涌水量增長為47.60 m3/h，由以上數(shù)據(jù)可看出大氣降水與礦井涌水量呈正相關(guān)。見圖2。

圖2 礦井涌水量與降雨量對比圖

2.2 礦井開采深度對涌水量的影響

根據(jù)整理資料分析，開采深度對涌水量的影響沒有太直接的聯(lián)系(圖3)，但隨著開采深度的增加，礦井周圍的水文地質(zhì)條件較為復(fù)雜，且缺乏資料。在前人研究的基礎(chǔ)上[9]，隨著開采深度的增加，對涌水量的影響體現(xiàn)在多方面，開采深度增加，會引起補給水源發(fā)生變化，在開采初期，涌水量是由煤礦儲量決定涌水量的大小，且開采量的緩慢增加，涌水量也隨著增長。在2011年12月至2012年7月，開采深度為103.51～125.74 m,涌水量也緩慢增長為10.8～48.1 m3/h。其次，開采深度會引起圍巖的物理性質(zhì)發(fā)生變化以及圍巖溫升。當溫度升高時，圍巖易發(fā)生脆性破壞，使周圍含水層的水對巖體的侵蝕作用增加，引起圍巖的滲透系數(shù)增大，引起涌水量的增多。最后，隨著開采深度的增加，原始地應(yīng)力發(fā)生變化，對圍巖的擾動較大，破壞圍巖完整性，出現(xiàn)擾動裂隙，周圍含水層的水從裂隙流動進入采空區(qū)，補給采空區(qū)積水，增大涌水量。

圖3 礦井涌水量與開采深度對比圖

2.3 礦井開采面積對涌水量的影響

開采面積隨開采巷道長度的增加而增長，前期，巷道涌水量隨開采面積增大而緩慢增大(圖4)，根據(jù)整理資料可得出，在2011年11月至2012年8月，隨著開采深度的增加，巷道長度的增大，開采面積也逐漸增大，其影響涌水量也緩慢凸顯。當開采面積達到一定時，開采面積對涌水量的影響較小，從2015年6月起，開采面積增長十分緩慢，但涌水量卻變化較大，說明開采面積已不是影響涌水量的主要因素。

圖4 礦井涌水量與開采面積對比圖

2.4 其它因素對涌水量的影響

影響總涌水量的因素還有斷裂構(gòu)造、觀測操作記錄不當?shù)?，其中觀測不當造成的干擾比較容易識別。在礦區(qū)，總共揭露斷層9條，其中正斷層8條，逆斷層1條。大于2 m落差斷層3條，其中對礦井巷道開拓布置有較大影響的斷層2條，受構(gòu)造應(yīng)力的影響，破壞煤礦頂板巖層完整性，降低了巖體強度，斷層破碎帶寬度為幾米至十幾米，斷層裂隙較發(fā)育，斷層破碎帶縮短了煤層采空區(qū)和含水層之間的距離，連通更多含水層，裂隙水、大氣降水、地表水等水源進入井巷系統(tǒng)，從而引起全礦涌水量的增加。

3 礦井涌水量預(yù)測

3.1 BP神經(jīng)網(wǎng)絡(luò)原理

ANN是根據(jù)對人腦的組織結(jié)構(gòu)、功能特征進行模仿而發(fā)展起來的一種新型信息處理系統(tǒng)和計算體系的方法[9],其屬于非線性動力學系統(tǒng)范疇，可實現(xiàn)輸入到輸出的非線性映射，具有良好的適應(yīng)性、組織特性以及較強的學習和容錯能力，能通過學習大量的樣本而獲取知識[10]。BP神經(jīng)網(wǎng)絡(luò)是Rumelhart、McClelland等提出誤差反向傳播算法而解決了多層前向型神經(jīng)網(wǎng)絡(luò)問題的方法。其優(yōu)點在于BP神經(jīng)網(wǎng)絡(luò)能更好地解決非線性映射，具有較好的預(yù)測效果。通過學習一定數(shù)量的樣本，不需要借助其數(shù)學知識就可得出輸入與輸出的映射關(guān)系。當BP神經(jīng)網(wǎng)絡(luò)運用在礦井涌水量預(yù)測時，只需要存在一定數(shù)量可供學習訓練的涌水量樣本，BP神經(jīng)網(wǎng)絡(luò)可通過訓練學習建立礦井涌水量與多因素影響之間映射模型，并通過反復(fù)多次訓練，BP神經(jīng)網(wǎng)絡(luò)模型便具備了記憶功能，即可應(yīng)用于實際礦井涌水量的預(yù)測之中。本文通過分析礦井涌水量動態(tài)的影響因素，將礦井涌水量與各影響因素指標的映射關(guān)系概括為：

Q=f(F，D，S)

式中:Q為礦井涌水量；F為月均降雨量；D為礦井開采深度；S為礦井開采面積。

3.2 BP神經(jīng)網(wǎng)絡(luò)模型

根據(jù)BP神經(jīng)網(wǎng)絡(luò)模的原理，可采用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)元分別為月均降雨量、礦井開采深度、礦井開采面積3個指標，輸出層神經(jīng)元為礦井涌水量。建立BP礦井涌水量預(yù)測模型，見圖5。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意

3.3 基于BP神經(jīng)網(wǎng)絡(luò)礦井涌水量預(yù)測結(jié)果及分析

采用收集的2011年12月至2017年6月的月均降雨量、礦井開采深度、礦井開采面積等指標作為輸入信息，實測涌水量作為輸出信息，進行模型參數(shù)識別與驗證。并將其中49組數(shù)據(jù)作為訓練樣本進行學習，其余的18組數(shù)據(jù)作為模型的驗證與分析，預(yù)測結(jié)果見表2和圖6。

表2 BP神經(jīng)網(wǎng)絡(luò)模型涌水量預(yù)測結(jié)果

圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測涌水量與實測涌水量對比圖

由圖6可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測礦井涌水量擬合度較好，具有較好的涌水量排放的參考價值。但預(yù)測過程中，有的涌水量預(yù)測值與實測值誤差較大，如2016年5月、2016年10月和2017年4月等誤差較大，主要是受降雨的影響較大。當降雨量變化較大時，BP神經(jīng)網(wǎng)絡(luò)模型來不及反映其變化關(guān)系，因此造成的誤差較大。

4 結(jié) 論

1)通過收集貴州某礦2011年12月至2017年6月的全礦涌水量資料整理分析得出，礦井涌水量最大值為257.72 m3/h,最小值為6.51 m3/h，標準差為51.80 m3/h，全礦涌水量的平均值為46.56 m3/h。此外，多年涌水量動態(tài)特征類型為起伏型，并呈現(xiàn)有規(guī)律的起伏變化，變化周期為1 a左右。但各年的變化幅度不等，每年月均涌水量最大值均在5-7月份，受降雨量的影響較大。

2)通過月均降雨量、礦井開采深度、礦井開采面積等影響因素對礦井涌水量動態(tài)進行分析可得出，礦井涌水量在前期，受降雨量、開采深度、開采面積的影響較大；在后期，主要受降雨量的影響。

3)采用BP神經(jīng)網(wǎng)絡(luò)模型對礦井涌水量進行預(yù)測，以月均涌水量、礦井開采深度、礦井開采面積為輸入，礦井涌水量為輸出，預(yù)測結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的涌水量與實測涌水量的擬合度較好。該模型可用來預(yù)測涌水量并為其他的礦井涌水量提供參考，并可為礦井制定疏水降壓方案提供科學依據(jù)。