基于QPSO-BP神經(jīng)網(wǎng)絡(luò)的礦井突水水源判識模型研究

摘" 要：為厘清礦井水化學(xué)成分與礦井突水水源之間的非線性關(guān)系，實(shí)現(xiàn)突水來源的快速、準(zhǔn)確判別。本研究提出了一種基于量子粒子群算法（quantum particle swarm optimization， QPSO）優(yōu)化反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)的礦井突水水源判識模型，并將該判識模型運(yùn)用于黔北煤田龍鳳礦區(qū)以驗(yàn)證其實(shí)用性。通過與BP模型、遺傳算法（genetic algorithm， GA）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型GA-BP、粒子群算法（particle swarm optimization， PSO）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型PSO-BP、量子粒子群算法優(yōu)化的支持向量機(jī)（support vector machine， SVM）模型QPSO-SVM和量子粒子群算法優(yōu)化的隨機(jī)森林（random forests， RF）模型QPSO-RF判識結(jié)果進(jìn)行對比，結(jié)果表明，QPSO算法有效優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)模型性能，提升了模型收斂速度和分類精度；QPSO-BP模型相較于以上5種模型分類性能更佳，對突水水源分類判識的準(zhǔn)確率達(dá)到了93.75%。以上結(jié)果表明，QPSO-BP模型在礦井突水水源判識上有更好的優(yōu)越性和應(yīng)用前景。

關(guān)鍵詞：礦井突水；水源識別；量子粒子群算法；BP神經(jīng)網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)

中圖分類號：TD713

文獻(xiàn)標(biāo)志碼：A

文章編號" 1000-5269（2025）01-0114-11

DOI：10.15958/j.cnki.gdxbzrb.2025.01.16

收稿日期：2024-08-13

基金項(xiàng)目：2023年度貴州省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃資助項(xiàng)目（gzusc2023080）；國家自然科學(xué)基金資助項(xiàng)目（52164006）；貴州省科技支撐計(jì)劃資助項(xiàng)目（黔科合支撐一般248）；貴州大學(xué)青年教師國家自然科學(xué)基金培育資助項(xiàng)目（貴大培育 81號）

作者簡介：李迎雪（2003—），女，貴州大學(xué)礦業(yè)學(xué)院2021級安全工程專業(yè)在讀本科生，E-mail：2932586549@qq.com.

*通訊作者：鄭祿林，E-mail：llzheng@gzu.edu.cn.

礦井水害是煤礦生產(chǎn)不容忽視的重大災(zāi)害［1］，其一旦發(fā)生常常伴隨著嚴(yán)重的人員傷亡和巨大的經(jīng)濟(jì)損失［2］。根據(jù)數(shù)據(jù)顯示，自2008年至2023年間，中國煤礦共發(fā)生了164起水害事故，導(dǎo)致776人喪生［3］，對我國煤礦安全生產(chǎn)構(gòu)成了顯著威脅。針對礦井突水問題，防治工作需重點(diǎn)關(guān)注前期預(yù)測與后期治理兩大關(guān)鍵環(huán)節(jié)［4］。在此過程中，精準(zhǔn)快速判識充水水源顯得尤為重要［5］。精準(zhǔn)快速地識別水源類別預(yù)測突水類型，是礦井防治水工作及應(yīng)急響應(yīng)的關(guān)鍵步驟之一［6］。這不僅有助于后期依據(jù)水源類型制定相應(yīng)治理策略，還能促進(jìn)預(yù)測工作的前移，從過程治理轉(zhuǎn)向源頭預(yù)防［7］。

當(dāng)前，礦井涌（突）水水源的判識方法主要涵蓋地理信息分析，可拓識別法，水溫、水位、水化學(xué)分析，地理信息系統(tǒng)理論法等［8-14］，其中，水化學(xué)分析法因其實(shí)用性而受到廣泛關(guān)注。由于不同水源或含水層中的化學(xué)組分存在差異，且當(dāng)水源發(fā)生運(yùn)移或變化時(shí)，其化學(xué)組分亦會隨之變化［15］?；诖?，研究者們構(gòu)建了多種判識模型。例如，通過微量元素、同位素結(jié)合不同評價(jià)方法構(gòu)建判識模型［16-17］；利用多元統(tǒng)計(jì)分析，以含水層水化學(xué)特征為指標(biāo)進(jìn)行水源類型判識［18］；以及采用算法優(yōu)化模型，提升模型在涌（突）水水源判識中的效率和精度［19-24］。這些方法不僅提升了判識的準(zhǔn)確性，也推動(dòng)了礦井水害防治理論的發(fā)展。然而，這些方法在實(shí)際應(yīng)用中仍存在不足。如線性回歸分析模型主要適用于線性擬合；多元統(tǒng)計(jì)分析法在確定離子標(biāo)準(zhǔn)時(shí)需要大量數(shù)據(jù)進(jìn)行模糊聚類分析；機(jī)器學(xué)習(xí)對訓(xùn)練樣本要求高、識別速度慢，且難以處理復(fù)雜數(shù)據(jù)和泛化能力有限。

根據(jù)上述不足及前人研究基礎(chǔ)，本研究基于不同含水層水化學(xué)組分的相關(guān)性特征，在利用線性判別分析法（linear discriminant analysis， LDA）進(jìn)行特征選擇與降維后，再利用量子粒子群算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行尋優(yōu)，以提高模型全局搜索能力和預(yù)測精度，更好地解決礦井突水水源模型判別精度不高，收斂慢的問題，助力礦山企業(yè)實(shí)現(xiàn)水害的超前預(yù)防及后期針對性治理措施的制定。

1" 研究區(qū)概況

黔北煤田龍鳳煤礦，所處大地構(gòu)造位置特殊，區(qū)域地質(zhì)構(gòu)造復(fù)雜，隱伏構(gòu)造和巖溶發(fā)育。煤層主要賦存于二疊系上統(tǒng)龍?zhí)督M，屬海陸交互相沉積，當(dāng)前主要可采煤層（9#）距離長興組一般不足100 m，距離地表一般小于300 m［25］。上覆充水含水層主要為二疊系上統(tǒng)長興組和三疊系下統(tǒng)夜郎組灰?guī)r水，下伏充水含水層為二疊系中統(tǒng)茅口組灰?guī)r水，從而構(gòu)成“三明治”式水文地質(zhì)條件，如表1所示。加之受燕山運(yùn)動(dòng)和喜馬拉雅運(yùn)動(dòng)的影響，形成了大規(guī)模的斷層和褶皺，致使區(qū)內(nèi)的地質(zhì)構(gòu)造和水文地質(zhì)條件更加復(fù)雜，水害類型豐富，尤其受頂?shù)装鍘r溶水困擾嚴(yán)重。因此，選擇龍鳳礦區(qū)代表典型煤礦開展水源識別研究具有代表性和重要意義。

2" QPSO-BP模型基本原理

2.1" LDA判別分析法基本原理

LDA判別分析法是一種經(jīng)典的線性學(xué)習(xí)方法［26］。通過投影的方法，將帶有標(biāo)簽的數(shù)據(jù)（點(diǎn)）映射至一個(gè)具有更低維度的空間，確保投影后的數(shù)據(jù)（點(diǎn)）呈現(xiàn)出清晰的類別區(qū)分。

在文本分類任務(wù)中，相較于其他傳統(tǒng)方法，LDA展現(xiàn)出了其獨(dú)特的優(yōu)勢。它不僅局限于簡單的文本分類，而是通過深入分析主題之間的內(nèi)在聯(lián)系，在標(biāo)簽語料庫之間構(gòu)建了一個(gè)層次豐富、結(jié)構(gòu)復(fù)雜的語義網(wǎng)絡(luò)。此外，LDA模型在應(yīng)用中還具備降低數(shù)據(jù)維度的功能，用戶可根據(jù)實(shí)際需求選擇適當(dāng)?shù)闹黝}數(shù)量，進(jìn)而高效地處理大規(guī)模數(shù)據(jù)集?；谏鲜鰞?yōu)勢，選用LDA模型進(jìn)行文本分類，并應(yīng)用于突水水源的判別是合適的。LDA主要有以下幾個(gè)計(jì)算步驟：

（1）求解類內(nèi)散度矩陣Sw，Sw反映了相同頂板類型數(shù)據(jù)屬性點(diǎn)的聚集程度，Sw可按下式確定；

Sw=∑kj=1∑x∈Xj（x－μj）（x－μj）T（1）

式中：k為樣本種類，Xj為j類樣本的集合（j=1，2，…，k），x為對應(yīng)種類下的樣本值， μj為j類樣本均值向量。

（2）求解類間散度矩陣Sb，Sb反映了不同頂板結(jié)構(gòu)數(shù)據(jù)間的離散程度，Sb可按下式確定；

Sb=∑kj=1Nj（μj－μ）（μj－μ）T（2）

式中：Nj為j類樣本個(gè)數(shù)（j=1，2，…，k）， μ為所有樣本均值向量。

（3）計(jì)算矩陣S-1wSb，得到m個(gè)特征值及對應(yīng)的m維特征向量；

（4）提取最大的d個(gè)特征值及對應(yīng)的特征向量組成的矩陣W；

（5）組成降維后特征數(shù)據(jù)集Li=WTXi，降維后的樣本數(shù)據(jù)集Z={Li，K}，其中，Xi是初始數(shù)據(jù)，WT為矩陣W的轉(zhuǎn)置矩陣。

2.2" BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)，是一種多層前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［27］。該網(wǎng)絡(luò)由輸入層、若干隱藏層以及輸出層構(gòu)成，其結(jié)構(gòu)示意如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)簡潔明了，易于應(yīng)用，且具備高效的學(xué)習(xí)速率。此外，BP神經(jīng)網(wǎng)絡(luò)具有良好的收斂性，能夠確保在訓(xùn)練過程中逐步逼近最優(yōu)解。其泛化能力強(qiáng)，使得模型在未見過的數(shù)據(jù)上也能保持較高的性能?；谝陨蟽?yōu)勢，本文決定采用BP網(wǎng)絡(luò)模型作為研究的基礎(chǔ)模型。

2.3" 量子粒子群優(yōu)化算法的基本原理

QPSO是一種模擬社會性生物活動(dòng)及群體智能的隨機(jī)搜索算法，其相對于PSO［28］引入了粒子的量子行為來優(yōu)化粒子群尋優(yōu)搜索范圍，取消了粒子位置的移動(dòng)方向?qū)傩?，極大地增強(qiáng)了解空間中粒子的隨機(jī)性，使得解落入局部極值的概率大大降低，全局搜索能力得到極大增強(qiáng)。QPSO主要有以下幾個(gè)計(jì)算步驟：

（1）QPSO算法引入的新名詞m，它表示p的平均值，即平均粒子歷史最優(yōu)位置，公式為

m=1M∑Mi=1p（3）

式中：M為粒子群的大小;p為粒子當(dāng)前最優(yōu)位置。

（2）粒子i當(dāng)前的最優(yōu)位置更新公式為

pi=αp+（1-α）g（4）

式中：α為（0，1）間的均勻分布數(shù)值；g為粒子群當(dāng)前最優(yōu)位置。

（3）每個(gè)粒子位置更新公式為

xi（t+1）=pi±β|m－xi（t）|ln1θ（5）

式中：θ為（0，1）間的均勻分布數(shù)值;β為收縮擴(kuò)張系數(shù)，用來控制算法收斂速度，一般其值不大于1。取+和-的概率為0.5。

2.4" 模型建立

1）對得到的數(shù)據(jù)運(yùn)用LDA線性判別法進(jìn)行降維預(yù)處理。

2）按照1∶3的比例劃分測試集和訓(xùn)練集，當(dāng)所有訓(xùn)練樣本輸入到 BP 模型后，計(jì)算每個(gè)粒子群的規(guī)模位置和迭代次數(shù)等參數(shù)，通過搜索計(jì)算平均最優(yōu)位置，從而判定是否更新粒子適應(yīng)度值個(gè)體和全局最優(yōu)位置［29］。

3）根據(jù)新的最優(yōu)位置點(diǎn)，輸出新的粒子群，通過多次迭代重新計(jì)算樣本總誤差，直至找到最優(yōu)權(quán)值和閾值，終止迭代學(xué)習(xí)［30］。

4）將需預(yù)測樣本輸入到學(xué)習(xí)過程已訓(xùn)練好的 BP 網(wǎng)絡(luò)模型，網(wǎng)絡(luò)輸出值即為突水水源預(yù)測值。

模型建立流程圖，如圖2所示。

3" QPSO-BP模型應(yīng)用

3.1" 樣品采集

綜合礦井涌（突）水特性及以往突水情況，選取了地表水、二疊系上統(tǒng)長興組灰?guī)r含水層水、二疊系中統(tǒng)茅口組灰?guī)r含水層水以及老窯積水4種具有代表性的水樣類型。在龍鳳、林華、貴源、安洛、新化5個(gè)礦區(qū)采集水樣15個(gè)，其中，地表水樣3個(gè)，長興灰?guī)r水樣4個(gè)，茅口灰?guī)r水樣4個(gè)，老空水樣4個(gè)。采樣前使用待取水樣對1 L的取樣瓶進(jìn)行2至3次的清洗［31］，以確保所采集水樣樣本的純凈性。采集后的水樣被妥善放置在溫度設(shè)定為4 ℃的保溫袋中，以防止光照干擾，并嚴(yán)格確保在72 h之內(nèi)送達(dá)水化學(xué)實(shí)驗(yàn)室，并依據(jù)《地下水質(zhì)分析方法》（DZ/T0064—2021）進(jìn)行專業(yè)的檢測分析。

此外，根據(jù)對當(dāng)前研究文獻(xiàn)與礦區(qū)工程實(shí)際情況的綜合考量，從礦區(qū)以往水文地質(zhì)資料中額外選取了包含水化學(xué)數(shù)據(jù)資料的45個(gè)樣本集，其中，地表水樣14個(gè)，長興灰?guī)r水樣12個(gè)，茅口灰?guī)r水樣8個(gè)，老空水樣11個(gè)。

3.2" 數(shù)據(jù)選取與處理

3.2.1" 數(shù)據(jù)選取

在數(shù)據(jù)集的構(gòu)成中，包含Na++K+、Ca2+、Mg2+、SO2-4、HCO-3、Cl-等6個(gè)關(guān)鍵特征。然而，由于煤礦區(qū)地下水存在顯著的水巖相互作用，這一自然現(xiàn)象導(dǎo)致含水層的水質(zhì)參數(shù)出現(xiàn)交叉重疊現(xiàn)象，如圖3龍鳳煤礦水樣Piper三線圖所示。這種交叉重疊現(xiàn)象增加了對突水水源進(jìn)行精確且高效判別的難度。此外，在樣品的采集與后續(xù)處理過程中，存在多種潛在因素，如人為操作失誤、設(shè)備故障等，這些都可能造成水樣數(shù)據(jù)出現(xiàn)異常［32］，所以需要對原始數(shù)據(jù)進(jìn)行處理，對缺失值進(jìn)行補(bǔ)充，剔除離群數(shù)據(jù)，同時(shí)運(yùn)用LDA對原始數(shù)據(jù)進(jìn)行處理，在保持?jǐn)?shù)據(jù)分類的前提下減少初始數(shù)據(jù)維度，降低數(shù)據(jù)復(fù)雜程度，提高模型判別效率和精度。

根據(jù)圖3所示，龍鳳煤礦水樣Piper三線圖出現(xiàn)顯著交叉重疊現(xiàn)象，這在一定程度上限制了對突水水源的準(zhǔn)確判別。在突水水源判識方面，Piper三線圖方法并未達(dá)到預(yù)期效果。鑒于此，為了提升突水水源判識的效率和準(zhǔn)確性，引入機(jī)器學(xué)習(xí)模型是一種高效且可靠的解決方案。

為確保水化學(xué)成分與礦井水來源之間非線性關(guān)系的精準(zhǔn)構(gòu)建，選用Na++K+、Ca2+、Mg2+、SO2-4、HCO-3、Cl-等6個(gè)關(guān)鍵特征作為輸入?yún)?shù)［33］。同時(shí)，為明確標(biāo)識不同水源，采用數(shù)字1、2、3、4分別代表地表水、長興灰?guī)r水、茅口灰?guī)r水和老空水4種類型作為輸出標(biāo)識，得到數(shù)據(jù)集如表2。

3.2.2" 數(shù)據(jù)處理

建立初始樣本集后，按照2.1中LDA降維法的計(jì)算步驟對表1樣本降維，得到降維后最大主特征值見表3。

前兩個(gè)因素累計(jì)貢獻(xiàn)率達(dá)到98.41%，因此，選取主特征值6.413、0.293作為最大主特征值，其對應(yīng)的特征向量矩陣W見表4，矩陣W表示初始數(shù)據(jù)以特征向量為方向投影。

初始數(shù)據(jù)沿著特征向量矩陣W投影后，影響突水水源的6維因素降至2維，見表5，減少了BP神經(jīng)網(wǎng)絡(luò)輸入層個(gè)數(shù)，有利于提高收斂速度。

3.3" 模型訓(xùn)練

本次采用MATLAB構(gòu)建QPSO-BP模型對上述樣本進(jìn)行學(xué)習(xí)訓(xùn)練，將降維后的樣本參數(shù)L1、L2作為QPSO-BP的輸入層，將突水水源作為BP神經(jīng)網(wǎng)絡(luò)輸出層。取前45維數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集樣本，46至60維數(shù)據(jù)作為測試集樣本。

為使得模型進(jìn)行超參數(shù)迭代訓(xùn)練和尋優(yōu)過程中能夠展現(xiàn)出更強(qiáng)的魯棒性和泛化能力，從而有效應(yīng)對各種潛在的不確定性和特殊性因素，需要消除劃分訓(xùn)練集和測試集時(shí)存在的潛在偶然性和特殊性。本研究在使用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行超參數(shù)尋優(yōu)時(shí)采用了交叉驗(yàn)證的方法，這種方法通過多次劃分和驗(yàn)證，能夠顯著減少因數(shù)據(jù)劃分不當(dāng)而引入的偶然誤差，從而確保模型的性能評估更加公正和準(zhǔn)確。

本研究構(gòu)建了4種基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型，分別是BP、PSO-BP、GA-BP和QPSO-BP模型。為科學(xué)地評估不同算法的性能，本研究對這4種模型的參數(shù)進(jìn)行了統(tǒng)一設(shè)置。在模型構(gòu)建過程中，隱含層和輸出層分別選用了雙曲正切S型（tansig）函數(shù)和線性（purelin）函數(shù)作為激活函數(shù)。此外，本研究將QPSO種群規(guī)模設(shè)定為 20，迭代次數(shù)設(shè)定為 30，動(dòng)量因子設(shè)定為 0.95，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)定為 0.01，誤差闕值設(shè)定為 1×e-6，最大訓(xùn)練次數(shù)設(shè)定為500次。PSO種群規(guī)模設(shè)定為 5，迭代次數(shù)設(shè)定為 100，學(xué)習(xí)因子設(shè)定為 4.494，最大速度設(shè)定為 1，種群更新次數(shù)設(shè)定為 30，位置邊界設(shè)定±2。GA隱藏層結(jié)點(diǎn)個(gè)數(shù)設(shè)定為 5，遺傳設(shè)定為 50，種群規(guī)模設(shè)定為 5，選擇函數(shù)設(shè)定為 0.09，交叉函數(shù)設(shè)定為 2。

為深入驗(yàn)證本研究所提出的QPSO-BP突水水源識別模型的性能優(yōu)勢，特地選取了RF分類模型和SVM模型進(jìn)行對比分析。具體各分類模型超參數(shù)及最優(yōu)值見表6。

3.4" 模型對比

經(jīng)過將QPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型與其他模型進(jìn)行的對比分析，測試集的識別結(jié)果如表7所示。

由表7可知，QPSO-BP模型和QPSO-SVM模型判識準(zhǔn)確率都達(dá)到了 90.00%以上，這表明兩種模型具有較好的穩(wěn)定性和精準(zhǔn)性。與未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型相比，QPSO-BP判識模型準(zhǔn)確率提高了 27.08%，與經(jīng)PSO優(yōu)化的判識模型相比，QPSO-BP模型判識準(zhǔn)確率提高了 16.67%，相對于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，QPSO-BP判識模型準(zhǔn)確率提升了 15.58%。

由此可見，QPSO能夠較好地提升模型性能，優(yōu)化效果顯著，且在算法實(shí)現(xiàn)和參數(shù)尋優(yōu)過程中有較好表現(xiàn)。

此外，根據(jù)表7中QPSO優(yōu)化RF模型和SVW模型預(yù)測結(jié)果對比發(fā)現(xiàn)，QPSO-RF模型表現(xiàn)一般，QPSO-SVM和QPSO-BP模型準(zhǔn)確率相同，均為 93.75%，不好判別誰優(yōu)誰劣。因此，為了比較由

QPSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型的性能，引入迭代次數(shù)的概念。

模型迭代曲線可直觀展示模型收斂速度和效能，圖4給出 QPSO-BP 模型和 QPSO-SVM 模型在迭代過程中的準(zhǔn)確率變化情況。從兩種模型的迭代曲線中可以發(fā)現(xiàn)，QPSO-SVM 模型在第 15 次迭代時(shí)找到局部最優(yōu)值，隨后繼續(xù)迭代，直至第200次迭代時(shí)，才最終找到模型的全局最優(yōu)值。而QPSO-BP 模型則在第4次迭代后確定了模型局部極值，最終在第9次迭代時(shí)穩(wěn)定地找到了模型的全局最優(yōu)解。由此可見，QPSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型在迭代尋優(yōu)和防止模型陷入局部最優(yōu)問題上有較好的表現(xiàn)。

綜合來看，QPSO-BP神經(jīng)網(wǎng)絡(luò)模型在迭代尋優(yōu)和模型收斂等方面優(yōu)于QPSO-SVM模型，和其他幾個(gè)模型相比，QPSO-BP判識模型也具有更高的精度和適應(yīng)度。因此，將QPSO-BP模型運(yùn)用于礦井突水水源判識是高效可行的。

3.5" 模型優(yōu)勢及應(yīng)用前景

相較于現(xiàn)有的突水水源判識模型，本研究提出的QPSO-BP分類模型顯著提升了水樣來源的判識效率與準(zhǔn)確性。在已劃分的測試集樣本中，該模型展現(xiàn)出了卓越的性能，其準(zhǔn)確率達(dá)到了 90.00%以上。這一成果充分驗(yàn)證了QPSO-BP模型的高穩(wěn)定性和泛化能力。將此模型應(yīng)用于礦山水害防治領(lǐng)域，將能為防治水工作提供強(qiáng)有力的技術(shù)支撐，有效降低水害事故發(fā)生的概率及應(yīng)急救援的難度。

本研究提出的QPSO-BP模型，通過運(yùn)用常規(guī)水化學(xué)離子方法，在突水水源判識方面展現(xiàn)出顯著的易用性和廣闊的推廣前景。為了進(jìn)一步增強(qiáng)其實(shí)用性，可以對礦井水質(zhì)在線監(jiān)測系統(tǒng)進(jìn)行持續(xù)優(yōu)化，確保水質(zhì)源頭監(jiān)測與后端化驗(yàn)之間的無縫銜接，構(gòu)建成一個(gè)具備可持續(xù)更新能力的水質(zhì)數(shù)據(jù)庫。這一舉措將為礦井水來源的實(shí)時(shí)動(dòng)態(tài)判識提供有力支持，進(jìn)而為礦山水害的超前預(yù)警與防治工作奠定堅(jiān)實(shí)基礎(chǔ)。此外，鑒于QPSO-BP模型所展現(xiàn)出的高度適應(yīng)性和靈活性，該模型亦具備在其他領(lǐng)域應(yīng)用的能力，如地下水污染源或空氣中灰燼來源的識別。

4" 結(jié)論

本研究通過引入QPSO-BP模型，對礦井突水水源判識問題進(jìn)行了深入的研究和探討。該模型通過融合LDA、QPSO和BP神經(jīng)網(wǎng)絡(luò)等多種技術(shù)，實(shí)現(xiàn)了對水源的高效、準(zhǔn)確判識。這不僅為礦山企業(yè)防治水工作提供了一項(xiàng)有力的輔助手段，而且為機(jī)器學(xué)習(xí)技術(shù)的發(fā)展提供了一定思路，具體結(jié)論如下：

1）選用QPSO算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，模型優(yōu)化后準(zhǔn)確率較BP模型、PSO-BP模型和GA-BP模型有了顯著提高，分別提高了 27.08%、16.67%和15.58%。這表明QPSO算法能顯著提升BP模型的分類性能，能讓該模型具有更好的穩(wěn)定性和預(yù)測精度。

2）將QPSO-BP模型與BP、GA-BP、PSO-BP、QPSO-SVM和QPSO-RF分類模型進(jìn)行對比，QPSO-BP模型表現(xiàn)最好，其準(zhǔn)確率達(dá)到了 93.75%，在分類預(yù)測精度和泛化能力方面明顯優(yōu)于其他幾種模型。

3）通過模型對突水水源判識發(fā)現(xiàn)，不同水源的涌（突）水災(zāi)害往往體現(xiàn)出不同的水量演變特征，這與礦井突水危害程度存在線性變化關(guān)系。

參考文獻(xiàn)：

趙大偉. 關(guān)于煤礦水害事故及水文地質(zhì)工作的思考［J］. 內(nèi)蒙古煤炭經(jīng)濟(jì)， 2023（22）： 172-174.

［2］ 喬偉， 靳德武， 王皓， 等. 基于云服務(wù)的煤礦水害監(jiān)測大數(shù)據(jù)智能預(yù)警平臺構(gòu)建［J］. 煤炭學(xué)報(bào)， 2020， 45（7）： 2619-2627.

［3］ 張培森， 董宇航， 張曉樂， 等. 2008—2021年我國煤礦水害事故統(tǒng)計(jì)規(guī)律分析及預(yù)測研究［J］. 煤炭工程， 2022， 54（11）： 131-137.

［4］ 王亞. 基于極限學(xué)習(xí)機(jī)改進(jìn)模型的煤礦突水水源識別研究［D］. 淮南：安徽理工大學(xué)， 2018.

［5］ 顧愛民. 基于水力學(xué)與水化學(xué)耦合的礦井涌（突）水水源識別技術(shù)研究［D］. 廊坊：華北科技學(xué)院， 2023.

［6］ 尹尚先. 新版《煤礦安全規(guī)程》（防治水部分）修訂要點(diǎn)解讀與討論［J］. 煤炭科學(xué)技術(shù)， 2017， 45（7）： 139-143.

［7］ 國家安全生產(chǎn)監(jiān)督管理總局. 煤礦安全規(guī)程（防治水）［M］. 北京：煤炭工業(yè)出版社.

［8］ 董東林， 張健， 林剛， 等. 礦井涌（突）水源混合水識別模型研究［J］. 煤炭工程， 2020， 52（12）： 124-127.

［9］ 馬雷， 錢家忠， 趙衛(wèi)東. 基于GIS和水質(zhì)水溫的礦井突水水源快速判別［J］. 煤田地質(zhì)與勘探， 2014， 42（2）： 49-53.

［10］董東林， 武強(qiáng)， 錢增江， 等. 榆神府礦區(qū)水環(huán)境評價(jià)模型［J］. 煤炭學(xué)報(bào)， 2006（6）： 776-780.

［11］WEI Z， DONG D， JI Y， et al. Source discrimination of mine water inrush using multiple combinations of an improved support vector machine model［J］. Mine Water and the Environment， 2022， 41（4）： 1106-1117.

［12］高小偉， 黃歡. 基于水量水位變化及水化學(xué)特征的突水水源判別［J］. 煤炭技術(shù)， 2018， 37（9）： 198-200.

［13］WANG D， SHI L. Source identification of mine water inrush： a discussion on the application of hydrochemical method［J］. Arabian Journal of Geosciences， 2019， 12（2）： 58.

［14］石磊， 徐樓英. 基于水化學(xué)特征的聚類分析對礦井突水源判別［J］. 煤炭科學(xué)技術(shù)， 2010， 38（3）： 97-100，124.

［15］李冰， 鄂建新， 宋擴(kuò)， 等. 內(nèi)蒙古烏努格吐山銅鉬礦區(qū)地下水化學(xué)特征及其成因機(jī)制［J］. 地質(zhì)找礦論叢， 2024， 39（2）： 256-264.

［16］郭元. 辛置井田多含水層水巖作用機(jī)理及突水水源判別技術(shù)研究［D］. 北京：中國礦業(yè)大學(xué)（北京）， 2019.

［17］CRISTINA D P， IOAN C， CLIN B， et al. Origin and geochemistry of mine water and its impact on the groundwater and surface running water in post-mining environments： zlatna gold mining area （Romania）［J］. Aquatic Geochemistry， 2017， 23（4）： 247-270.

［18］張好， 姚多喜， 魯海峰， 等. 基于主成分分析的多項(xiàng)Logistic回歸模型的突水水源判別研究［J］. 高校地質(zhì)學(xué)報(bào)， 2017， 23（2）： 366-372.

［19］曾一凡， 梅傲霜， 武強(qiáng)， 等. 基于水化學(xué)場與水動(dòng)力場示蹤模擬耦合的礦井涌（突）水水源判識［J］. 煤炭學(xué)報(bào)， 2022， 47（12）： 4482-4494.

［20］董東林， 陳昱吟， 倪林根， 等. 基于WOA-ELM算法的礦井突水水源快速判別模型［J］. 煤炭學(xué)報(bào)， 2021， 46（3）： 984-993.

［21］黃敏， 毛岸， 路世昌， 等. 礦井突水水源識別的主成分分析-混沌麻雀搜索-RF模型［J］. 安全與環(huán)境學(xué)報(bào)， 2023， 23（8）： 2607-2614.

［22］王國法， 鞏師鑫， 申凱. 煤礦智能安控技術(shù)體系與高質(zhì)量發(fā)展對策［J］. 礦業(yè)安全與環(huán)保， 2023， 50（5）： 1-8.

［23］董東林， 張隴強(qiáng)， 張恩雨， 等. 基于PSO-XGBoost的礦井突水水源快速判識模型［J］. 煤炭科學(xué)技術(shù)， 2023， 51（7）： 72-82.

［24］曾一凡，武強(qiáng)，趙蘇啟，等.我國煤礦水害事故特征、致因與防治對策.煤炭科學(xué)技術(shù)， 2023，51（7）：1-14.

［25］羅香瑩. 貴州省龍鳳片區(qū)頂板離層水害致災(zāi)機(jī)理及應(yīng)用研究［D］. 貴陽：貴州大學(xué)， 2022.

［26］LU J Q Z. The elements of statistical learning： data mining， inference， and prediction. Journal of the Royal Statistical Society： Series A （Statistics in Society）， 2010，173（3）：693-694.

［27］MISHRA K，TIWARI L H. A multi-collaborative technique for assessing the reservoir sedimentation with futuristic capacity prediction using ANN model.Environmental Earth Sciences， 2024，83（14）：439-439.

［28］何繼山， 匡恒， 田良河， 等. 伊洛河盆地地下水水化學(xué)特征及人類健康風(fēng)險(xiǎn)評價(jià)［J］. 礦產(chǎn)勘查， 2024， 15（6）： 1064-1073.

［29］許云鵬.基于深度學(xué)習(xí)的無人機(jī)多場景感知與路徑規(guī)劃技術(shù)研究.北京：北京郵電大學(xué)， 2024.

［30］孫俊. 量子行為粒子群優(yōu)化算法研究［D］. 無錫：江南大學(xué)， 2009.

［31］陳紹杰， 劉久潭， 汪鋒， 等. 基于PCA-RA的濱海礦井水源識別技術(shù)研究［J］. 煤炭科學(xué)技術(shù)， 2021， 49（2）： 217-225.

［32］崔兆波，王旭強(qiáng)，宋洪陽.煤礦智能信息化在煤礦生產(chǎn)安全中的實(shí)踐與分析.電子元器件與信息技術(shù)， 2024，8（8）：74-76.

［33］萬超， 謝銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的高速信號狀態(tài)判斷［J］. 中北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2024（5）： 695-705.

（責(zé)任編輯：于慧梅）

Research on an Identification Model of Mine Water Inrush Sources

Based on the QPSO-BP Neural Network

LI Yingxue1， ZHENG Lulin*1，2， YANG Ailian1， ZENG Yan1， SHI Xin1， RAN Lang1

（1.Mining College， Guizhou University， Guiyang 550025， China;2.College of Resources and Environmental Engineering， Guizhou University， Guiyang 550025， China）

Abstract：

To elucidate the nonlinear relationship between the chemical composition of mine water and the sources of mine water inrush， so as to identify the sources of mine water inrush effectively. A model for identifying mine water inrush sources， which utilizes a quantum particle swarm optimization （QPSO） back propagation neural network（BP） is proposed. This identification model was applied to the Longfeng mining area of the northern Guizhou coalfield to assess its practical applicability. In comparison to the BP model， the genetic algorithm （GA）-optimized BP neural network model （GA-BP）， the particle swarm optimization （PSO）-optimized BP neural network model （PSO-BP）， the support vector machine （SVM） model optimized by quantum particle swarm optimization （QPSO-SVM）， and the random forests （RF） model also optimized by quantum particle swarm optimization （QPSO-RF）. The results indicate that the QPSO algorithm effectively enhances the performance of the BP neural network model， leading to improved convergence speed and classification accuracy. The QPSO-BP model exhibits superior classification performance compared to the aforementioned five models， achieving an impressive accuracy of 93.75% in the classification and identification of water inrush sources. These findings suggest that the QPSO-BP model not only demonstrates significant advantages but also offers promising applications in the identification of mine water inrush sources.

Key words：

mine water inrush; water source identification; quantum particle swarm algorithm; BP neural network; machine learning