基于Piper-PCA-MLP神經(jīng)網(wǎng)絡(luò)的礦井涌水水源識別方法研究

劉旭東， 張 瑞， 萬 寶

(1.國家能源集團(tuán)新疆能源有限責(zé)任公司，烏魯木齊 841100；2.中材地質(zhì)工程勘察研究院有限公司，北京 101100； 3.首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048)

近年來，考慮到煤炭使用造成的嚴(yán)重污染，煤炭在我國能源消費結(jié)構(gòu)的比重逐步下降[1]。采礦過程中遇到的危害，如礦井涌水，水質(zhì)污染和其解決方法與水源密切相關(guān)[2]。因此，快速準(zhǔn)確識別涌水水源，對保障煤礦安全生產(chǎn)，提高煤炭生產(chǎn)效率至關(guān)重要。常見的礦井涌水水源識別方法有地下水水化學(xué)法、同位素法、水位、水溫判別法、多元統(tǒng)計學(xué)方法(層次聚類分析，F(xiàn)isher分析等)等[2-5]，由于各含水層的水巖相互作用，以及補給、徑流和排泄條件不同，不同含水層的水化學(xué)組分存在差異，運用水化學(xué)方法初步判別涌水水源是較為簡易的方法[6]。然而隨著煤炭開采深度的增加，不同含水層的水源相互混合，單一的識別方法顯然不能快速識別涌水水源，利用多種涌水水源識別方法相互結(jié)合構(gòu)建模型可提高水源判別的準(zhǔn)確性，是當(dāng)下研究的熱點。黃平話等基于Piper-PCA-Bayes-LOOLV識別模型，在貝葉斯判別模型的基礎(chǔ)上，以平頂山礦的主要含水層水樣為例，進(jìn)一步提高了涌水的預(yù)測效率[7]。人工神經(jīng)網(wǎng)絡(luò)具有極強的非線性函數(shù)逼近能力，近年來被廣泛應(yīng)用于水源判別領(lǐng)域[8]。施龍青等提出PCA-PSO-ELM突水水源模型，以焦作礦區(qū)前29組水樣數(shù)據(jù)作為訓(xùn)練樣本，后7組水樣數(shù)據(jù)作為測試樣本，其判別結(jié)果與ELM、BP神經(jīng)網(wǎng)絡(luò)模型對比，其水源識別精度得到了較大的提高[9]。

在前人研究的基礎(chǔ)上，在烏東煤礦主要含水層采集了水樣，建立了基于Piper-PCA-MLP神經(jīng)網(wǎng)絡(luò)的涌水水源識別模型。為了凸顯模型的可靠性和準(zhǔn)確性，分別對水樣數(shù)據(jù)建立PCA-層次聚類模型、MLP和PCA-RBF模型進(jìn)行相互對比，證明了該模型的可行性。利用Piper三線圖揭示了礦區(qū)不同地下水含水層的水化學(xué)特征，刪除異常水樣，運用軟件構(gòu)建主成分分析和MLP神經(jīng)網(wǎng)絡(luò)相結(jié)合的礦井涌水水源模型，通過主成分分析法，將多個相關(guān)，重疊的信息指標(biāo)轉(zhuǎn)化為獨立指標(biāo)，消除疊加信息的影響，建立效率和準(zhǔn)確性更高的Piper-PCA-MLP涌水水源判別模型。

1 模型的理論原理

地下水的化學(xué)成分是在一定溫度和壓力下，水與所在含水層的礦物之間發(fā)生水巖相互作用的結(jié)果[10]，所以由不同礦物構(gòu)成的含水層中水的化學(xué)性質(zhì)就存在差別。利用Piper三線圖可揭示礦區(qū)不同含水層的水化學(xué)特征，而在不同含水層取樣可能會受到其它因素的影響，同一含水層可能會出現(xiàn)異常的水化學(xué)離子[11-13]。通過 Piper 三線圖可以有效地刪除異常水樣，為模型的建立和提高識別精度建立了基礎(chǔ)。

相比于其他分類模型，MLP神經(jīng)網(wǎng)絡(luò)具有良好的分類效果，但在面對高維數(shù)據(jù)時建模時間較長[14-16]。用主成分分析法對高維數(shù)據(jù)集進(jìn)行特征提取，再將提取后的數(shù)據(jù)集輸入MLP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和調(diào)參，將有效地提高M(jìn)LP神經(jīng)網(wǎng)絡(luò)建模效率和收斂速度。主成分分析法(PCA)包括四個求解步驟：①對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，②求出協(xié)方差矩陣，③求解協(xié)方差矩陣的特征值及對應(yīng)的特征向量，④選擇m(m≤p)個主成分，計算主成分得分。在選取主成分個數(shù)時，一般取決于累計方差貢獻(xiàn)率。通常取單個主成分使得方差的累計貢獻(xiàn)率達(dá)到85%以上。

基于上述思想，本文將三者結(jié)合，通過Piper三線圖分析了礦區(qū)不同地下水含水層的水化學(xué)特征，刪除異常水樣，由于礦區(qū)不同水化學(xué)離子之間存在極強的相關(guān)性，通過PCA算法對不同含水層礦井水水化學(xué)離子進(jìn)行特征提取，得到的特征數(shù)據(jù)集經(jīng)標(biāo)準(zhǔn)化后作為MLP神經(jīng)網(wǎng)絡(luò)分類模型的輸入，訓(xùn)練后得到Piper-PCA-MLP神經(jīng)網(wǎng)絡(luò)模型；進(jìn)而用模型實現(xiàn)不同含水層礦井涌水水源的高效分類。

2 地質(zhì)及水文地質(zhì)條件

烏東煤礦位于烏魯木齊市東北部,主要開采煤層為西山窯組的B1-2、B3-6煤層。礦區(qū)范圍內(nèi)主要有鐵廠溝河和蘆草溝河，其中蘆草溝水流較小，上游站日平均流量為0.031～0.190m3/s，年徑流量為356萬m3；下游站日平均流量為0～0.214m3/s，年徑流量為135萬m3。鐵廠溝上游站月平均流量為0.068～0.247m3/s，年徑流量為423萬m3；下游站月平均流量為0～0.148m3/s，年徑流量為186萬m3。這兩條河多因上游截流而干枯，只在每年冰雪融化時有一定量的水，雨季有時發(fā)洪水。礦井分南、北、西采區(qū),西區(qū)涌水主要受蘆草溝河谷及河漫灘的第四系全新統(tǒng)沖洪積卵礫石層補給，為了減小河水對礦井涌水的補給量，西區(qū)東翼建有截流工程。但近年來隨著采深加大，采動影響范圍不斷擴大，破壞了蘆草溝河床附近第四系沖洪積含水層，截流工程失去作用，西區(qū)東翼涌水量持續(xù)增大，威脅礦井安全生產(chǎn)。根據(jù)礦井開采以來的情況可知，礦井自身采空區(qū)情況清楚，基本不存在大的涌水，但由于采空區(qū)受地表水、大氣降水、河流滲漏等補給，局部地段可能會存在少量涌水，快速準(zhǔn)確地識別涌水水源對保障工作面安全、順利回采及其重要。

根據(jù)井田內(nèi)形成的地質(zhì)資料，井田共劃分了4個含(隔)水層。

1)第四系孔隙潛水含水層。主要分布在井田內(nèi)的蘆草溝河、鐵廠溝河的河床兩岸，或在大、小洪溝等沖溝中。由礫石、砂土組成，其中洪積礫石層礫徑多在60mm左右，夾小礫石和砂礫，松散，透水性強。最大埋藏深度51.48～97.50m，含水層最大厚度31.22m。抽水試驗結(jié)果顯示，單位涌水量為0.039 9～5.786 L/(s·m)，屬弱—極強含水層。

2)中侏羅統(tǒng)頭屯河組裂隙孔隙弱含水層。主要分布于井田的中部，呈東西向條帶延展，整合于西山窯組之上，巖性主要由砂巖、泥巖組成。該巖組出露位置較高，四周裸露地表。

3)中侏羅統(tǒng)西山窯組裂隙孔隙弱含水層。巖性為湖相及泥炭沼澤相之粉砂巖、煤層、泥巖為主，夾細(xì)砂巖，在底部B1-2煤層之頂?shù)装迮加兄?、粗砂巖。本含水層是礦井開發(fā)的直接充水含水層。它與其它含水層的關(guān)系是：在井田西部除溝谷含水層有微弱的滲透補給外，構(gòu)造含水帶在北緣是它的蓋層，在東部鐵廠溝切割所有煤層有弱滲透補給，北緣有第四系含水層含水段補給。

4)下侏羅統(tǒng)三工河組相對隔水層。出露于井田的中南部，呈條帶狀東西向延展。巖性以泥質(zhì)粉砂巖、粉砂巖為主夾薄層細(xì)砂巖、灰?guī)r。井田內(nèi)該組沒有出露全，按其巖性組合，將此層劃為相對隔水層。由于此層在井田內(nèi)所處地理位置相對較高，形似一擋水墻，阻隔了從南部山區(qū)而來的基巖裂隙水。

根據(jù)礦井涌水因素分析，烏東煤礦煤層開采直接涌水含水層為西山窯組含水層，間接涌水含水層為第四系含水層以及周圍地表水。

3 水化學(xué)特征分析

3.1 樣品采集

表1 水質(zhì)測試結(jié)果

3.2 水質(zhì)分析

含水層水質(zhì)PIPER三線圖如圖1所示。

圖1 含水層水質(zhì)Piper三線圖Figure 1 Aquifer water quality Piper trilinear diagram

由圖1可知，各含水層間的水化學(xué)組分大多位于菱形中部偏右位置。研究發(fā)現(xiàn)，僅依靠含水層的水化學(xué)特征不能準(zhǔn)確對涌水水源進(jìn)行判別。因此筆者嘗試構(gòu)建主成分分析和MLP神經(jīng)網(wǎng)絡(luò)相結(jié)合的礦井涌水水源模型，通過建立Piper-PCA-MLP神經(jīng)網(wǎng)絡(luò)模型對水化學(xué)組分相差不大的水樣進(jìn)行判別。

4 Piper-PCA-MLP神經(jīng)網(wǎng)絡(luò)模型分析

4.1 評價指標(biāo)的優(yōu)化

為減少量綱對判別指標(biāo)的影響，利用SPSS軟件對22組原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。隨后對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行相關(guān)性分析，得出樣本間的Person相關(guān)系數(shù)。由表2可知，樣本選取的8個水化學(xué)成分之間是明顯相關(guān)的。例如，Na++K+和Cl-的相關(guān)系數(shù)為0.967,Mg2+和TDS的相關(guān)系數(shù)為0.927；此外，樣本指標(biāo)信息明顯重疊，有必要對指標(biāo)進(jìn)行降維處理。

表2 水化學(xué)成分指標(biāo)的相關(guān)性系數(shù)

烏東煤礦涌水水源的類型包括地表水、第四系地下水和基巖裂隙孔隙水三類。對22組樣本數(shù)據(jù)進(jìn)行隨機選擇,利用PCA算法對水樣數(shù)據(jù)進(jìn)行篩選，保留水樣指標(biāo)中的主要因子，以22組水樣數(shù)據(jù)中17組作為訓(xùn)練樣本，5組作為測試樣本建立MLP神經(jīng)網(wǎng)絡(luò)模型。

4.2 數(shù)據(jù)的預(yù)處理

利用SPSS軟件求解成分得分系數(shù)矩陣，得出前三項成分的特征解釋率為72.3%、14.6%和9.14%,分析認(rèn)為提取的前3種主成分即可解釋90%的信息，滿足實驗要求，預(yù)處理后的部分?jǐn)?shù)據(jù)見表3、表4。

表3 水樣成分解釋方差率

續(xù)表

表4 成分得分系數(shù)矩陣

在確定主成分個數(shù)為3的基礎(chǔ)上，結(jié)合成分得分系數(shù)矩陣，得到各主成分與原始變量的數(shù)學(xué)表達(dá)式：

(1)

4.3 參數(shù)選取

在水源識別模型中，輸入變量為由主成分分析后提取的前三項主成分指標(biāo)組成，輸出變量為水源類型。使用軟件對MLP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，篩選后的22個典型水樣中選取17個作為模型輸入的訓(xùn)練樣本,5個作為測試樣本，MLP神經(jīng)網(wǎng)絡(luò)圖見圖2。

圖2 PCA-MLP神經(jīng)網(wǎng)絡(luò)Figure 2 PCA-MLP neural network

為了凸顯模型的可靠性和客觀性，選取同一樣本集對樣本數(shù)據(jù)分別建立PCA-RBF、MLP、PCA-分層聚類模型，并對其分析結(jié)果進(jìn)行對比，其中PCA-RBF、MLP神經(jīng)網(wǎng)絡(luò)模型分別選取17個作為訓(xùn)練樣本,5個作為測試樣本進(jìn)行水源類型分析，其他相關(guān)參數(shù)的設(shè)置如表5。

表5 其他模型相關(guān)參數(shù)

4.4 模型預(yù)測結(jié)果

4.4.1 PCA-層次聚類模型判別結(jié)果

層次聚類方法通過從下往上合并簇，將每一個樣點視為一個簇，計算各個簇之間的距離，最近的兩個簇聚合成一個新簇，用于將所有的水樣分成幾個顯著的不同的組，可以用來測試水樣數(shù)據(jù)，并確定樣品是否可以分為水化學(xué)基團(tuán)[16]。因此，利用PCA算法對22個水樣數(shù)據(jù)進(jìn)行降維處理，保留水樣指標(biāo)中的主要因子，以減少誤差(圖3)。

圖3 PCA-層次聚類分析結(jié)果Figure 3 PCA-hierarchical clustering analyzed results

由圖3可知，使用瓦爾德法的PCA-層次聚類分析可把水源分為3類，但是分類準(zhǔn)確性較差，其中第四系地下水水樣Q1、Q4和基巖地下水水樣H8被分類為地表水，地表水水樣S2和基巖地下水水樣J2、J5、H5、H6和H9被分類為第四系地下水，其原因在于烏東煤礦各含水層水質(zhì)邊界不明顯和水化學(xué)組分差異性不大的特點，使用常見的地下水水化學(xué)法和聚類分析方法并不能很好的判別礦井突水水源，其誤差較大。因此，筆者采用人工神經(jīng)網(wǎng)絡(luò)法，構(gòu)建PCA-MLP模型，并與MLP模型和PCA-RBF模型進(jìn)行對比判斷其模型的預(yù)測結(jié)果。

4.4.2 各神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

通過訓(xùn)練集建立的PCA-MLP模型對22組水樣數(shù)據(jù)進(jìn)行判別，得到表6所示的各預(yù)測模型判別結(jié)果。其中第四系孔隙潛水水源編號為Ⅰ類，地表水水源編號為Ⅱ類，基巖裂隙孔隙水水源編號為Ⅲ類。

表6 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

續(xù)表

由表6可知，相比與MLP模型，PCA-RBF模型，采用基于Piper-PCA-MLP模型的預(yù)測結(jié)果與實際水源類別基本吻合，僅將J2基巖裂隙水誤判為第四系地下水，MLP模型和PCA-RBF模型的誤判率都為3/22，MLP模型將Q3和Q4第四系地下水誤判為地表水，PCA-RBF模型將Q4地下水誤判為地表水，將S1地表水誤判為第四系地下水。根據(jù)含水層地質(zhì)情況進(jìn)行分析，第四系地下水和地表水之間形成了一定的水力聯(lián)系，增加了誤判的概率。與其它模型相比，本文所采用Piper-PCA-MLP模型準(zhǔn)確率較高。

5 結(jié)論

1)通過 Piper 三線圖法可以有效地刪除異常水樣，為模型的建立和提高識別精度建立了基礎(chǔ)。本文從 23個水樣中篩選出22個準(zhǔn)確反映含水層水化學(xué)特性的水樣，根據(jù)烏東煤礦各含水層的水化學(xué)特征和水樣分析數(shù)據(jù)，對22個樣的8個離子指標(biāo)進(jìn)行主成分分析(PCA)。提取三個主成分，以三個主成分做為判別指標(biāo)，建立了Piper-PCA-MLP模型。

2)對于各含水層水化學(xué)組分差異性不大的礦井涌水水源，使用常見的地下水水化學(xué)法和層次聚類分析方法并不能很好的判別各含水層水化學(xué)組分差異性不大的礦井突水水源，其誤差較大，通過筆者建立的Piper-PCA-MLP模型與其它神經(jīng)網(wǎng)絡(luò)模型相比，模型的準(zhǔn)確率達(dá)到95.4%,其判別效果優(yōu)于MLP模型(86.3%)和PCA-RBF模型(86.3%),為礦井涌水水源的判別提供了一種新方法。

3)建立的Piper-PCA-MLP水源模型僅用于烏東煤礦礦井涌水水源識別方面的研究，在以后的研究中應(yīng)在徹底分析其它礦區(qū)的基礎(chǔ)上，收集不同時期的水樣數(shù)據(jù)，以促進(jìn)該模型的應(yīng)用。