張耀文，　李海君，　張莉麗，　孔慧敏

(防災科技學院 地震科學系， 河北 廊坊　065201)

?

經驗交流

陜西某煤礦涌水量預測

張耀文，李海君，張莉麗，孔慧敏

(防災科技學院 地震科學系， 河北 廊坊065201)

摘要：根據陜西某煤礦的水文地質條件，分析了影響該礦井涌水量的主要因素及指標，運用BP神經網絡和大井法分別預測其二、三采區(qū)的不同工作面涌水量，并對計算結果進行比較分析。分析結果表明，BP神經網絡模型的預測結果較為準確，可將其作為該礦井制定疏水降壓方案的依據。

關鍵詞：涌水量預測； BP神經網絡； 大井法

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160705.1503.016.html

0引言

陜西某煤礦自2006年建成投產以來，涌水量總體呈逐年增加趨勢，最大涌水量為5 458 m3/h，正常涌水量為5 000～5 200 m3/h[1]，水文地質類型為極復雜。目前煤層開采導致的頂板水害問題突顯為該礦井的主要安全隱患，因此準確預測該礦井頂板涌水量對其制定防治水措施、保證礦井安全生產具有重要意義。

礦井涌水量預測的準確性不僅取決于對礦井充水條件的正確分析和計算參數的合理選取，也與預測方法的科學性密切相關[2]。目前常用的礦井涌水量預測方法可大致歸為確定性方法和非確定性方法兩大類，其中確定性方法包括解析法、水均衡法、數值法、物理模擬法等，非確定性方法包括水文地質比擬法、相關分析法、BP神經網絡、灰色系統(tǒng)理論等[2]。本文采用BP神經網絡和大井法分別計算了陜西某煤礦二、三采區(qū)的5個工作面涌水量，并對預測結果進行了對比分析，最終選用BP神經網絡的預測結果作為制定該礦井疏水降壓方案的依據。

1礦井水文地質概況

該煤礦位于陜西黃土高原北端、毛烏素沙漠東南緣。礦區(qū)以風沙地貌為主，所處水文地質單元為禿尾河流域，水資源極為豐富。礦區(qū)構造簡單，地層平坦，總體趨勢為一個緩緩向北、西傾斜的單斜構造。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)風積沙(Q4eol)及沖積層(Q4al)。區(qū)內含煤地層為延安組，現主采煤層為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，局部夾粉細砂巖；該含水層厚度為0～83.75 m，由于受風化作用影響，巖層裂隙發(fā)育，滲透性及儲水條件較好，單位涌水量為0.040 2～0.666 L/(s·m)，滲透系數為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、單位涌水量越大，含水層的富水性越強。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，說明含水層的巖石裂隙發(fā)育程度越高，滲透性越強，含水層富水性也越強[3]。因此，根據該礦井資料，礦井5個工作面充水含水層的滲透系數、含水層厚度、單位涌水量、巖性脆塑性比、巖芯采取率等指標可以綜合表征直羅組孔隙裂隙承壓含水層的富水性強弱，并直接影響5個工作面頂板涌水量的大小。

(2) 采動裂隙。煤層開采以后，煤層頂板發(fā)育的導水裂隙帶為礦井充水的人為通道。當導水裂隙帶發(fā)育高度達到煤層頂板充水含水巖層底界時，導水裂隙帶將溝通上覆充水含水層，不僅會增大其分布范圍內的充水含水層靜儲量，而且會增加充水含水層動儲量，最終使得礦井涌水量顯著增加。一旦導水裂隙帶發(fā)育高度到達充水含水層底界，發(fā)生礦井突水的可能性非常大[4]。因此，導水裂隙帶發(fā)育高度到充水含水層底界的距離這項指標很大程度上影響著礦井涌水量的大小。二采區(qū)2個工作面的導水裂隙帶發(fā)育高度到充水含水層底界的距離均為0，即導水裂隙帶已導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，應提前做好相應的防治水措施。三采區(qū)3個工作面的導水裂隙帶發(fā)育高度到充水含水層底界的距離均大于4 m，導水裂隙帶應不會成為充水通道，基本不影響礦井涌水量。

(3) 構造斷裂。該礦區(qū)內未發(fā)現褶皺，目前僅發(fā)現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。但上述導水斷層并未影響到二、三采區(qū)的充水含水層，故本文計算二、三采區(qū)的工作面涌水量時暫不考慮該因素。

3礦井涌水量預測

3.1BP神經網絡模型預測方法

3.1.1BP神經網絡原理

BP神經網絡是一種多層前向型的神經網絡，能夠學習大量的映射關系，而不需要其他數學知識來描述[5]。對于用BP神經網絡預測涌水量而言，只要存在一定數量可供學習的涌水樣本，網絡便可通過訓練建立起礦井涌水量與各種影響因素之間的映射關系，通過多次訓練，BP神經網絡模型就具備了記憶功能，可以應用于實際礦井涌水量的預測。通過分析本礦井涌水量的影響因素，將本礦井涌水量與其各項影響指標的映射關系概括為[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；q為單位涌水量；N為巖性脆塑性比；R為巖芯采取率；D為導水裂隙帶高度到充水含水層底界的距離。

3.1.2BP神經網絡模型

BP神經網絡采用3層結構，分別為輸入層、隱含層和輸出層，其中輸入層神經元包括含水層厚度、滲透系數、單位涌水量、巖性脆塑性比、巖芯采取率及導水裂隙帶發(fā)育高度到充水含水層底界的距離等6個礦井涌水量影響指標，輸出層神經元為礦井涌水量。根據Kolmogorvo定理，隱含層神經元個數取10。由此，得到了網絡結構為6-10-1的BP神經網絡模型(圖1)。隱含層的傳遞函數為logsig，輸出層的傳遞函數為purelin。經過反復試算，發(fā)現訓練函數為trainscg時，網絡收斂速度最快，擬合關系最佳。

圖1　BP神經網絡模型結構

采用本礦井多個工作面的上述6個礦井涌水量影響指標作為輸入信息，實測涌水量作為輸出信息，進行模型參數識別與驗證，并將其中22組數據作為訓練樣本進行學習。為了防止神經網絡學習訓練出現過擬合，神經網絡工具箱將訓練數據隨機劃分為訓練集、驗證集和測試集。其中訓練集用于學習訓練；驗證集用來驗證網絡模型的泛化能力，并在過擬合前停止訓練；測試集在網絡訓練過程中沒有接觸模型，它作為一個完全獨立的樣本來檢測網絡模型的準確性。BP神經網絡訓練結果如圖2所示，通過73次訓練，驗證集最好的性能出現在第67次訓練周期，其均方誤差為0.004。 且3個數據集的網絡模型輸出值與目標值間的相關關系較好，相關系數R在0.96以上，如圖3所示。由圖3可知，所建立的BP神經網絡模型較可靠，可以用來預測其他工作面的涌水量，預測結果見表1。

圖2　BP神經網絡訓練結果

(a)訓練集,R=0.98097(b)驗證集,R=0.98097(c)測試集,R=0.96469(d)全部,R=0.98239

圖3BP神經網絡模型輸出值與目標值的相關關系

表1　BP神經網絡模型涌水量預測結果

3.2大井法

本礦井煤層頂板涌水量主要來自其直接充水的直羅組孔隙裂隙承壓含水層，該含水層巖性相對較單一，在礦井疏排水過程中，地下水水流會在疏降區(qū)形成一個相對穩(wěn)定降落漏斗，符合裘布依方程設定的條件。在疏降區(qū)范圍內，承壓水位將降至含水層底板以下，因此采用承壓轉無壓的地下水動力學公式(式(2))進行預測較合理[8]。

(2)

將各參數代入式(2)即可得到預測工作面的涌水量，具體參數值及涌水量計算結果見表2。

表2　大井法涌水量預測結果

3.3礦井涌水量預測結果分析

以上2種方法對5個工作面涌水量的預測結果對比見表3，三采區(qū)的31308、31310和31312工作面涌水量的預測值較為相似，但對于二采區(qū)的31201和31206工作面涌水量的預測值，這兩種方法計算結果有一定誤差。這主要由于這2個采區(qū)的煤層頂板導水裂隙帶發(fā)育情況不同，根據礦井涌水量影響因素分析可知，三采區(qū)的導水裂隙帶基本不會影響礦井涌水量的變化，而二采區(qū)的導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給來源，導致其工作面涌水量明顯增大，故BP神經網絡模型的計算值更符合實際情況。同時，根據正在開采的31201工作面實際涌水量為37 149 m3/d，也可以證實BP神經網絡模型的計算結果更為準確。

表3　礦井涌水量預測結果對比

BP神經網絡模型建立在實測礦井涌水量與其影響指標之間的映射關系之上，綜合考慮了含水層厚度、滲透系數、單位涌水量、巖性脆塑性比、巖芯采取率及導水裂隙帶發(fā)育高度到充水含水層底界的距離6個影響指標。而大井法則對實際水文地質條件做了一定簡化，假定實際含水層全為均質各向同性，而本礦井二采區(qū)的導水裂隙帶已導通充水含水層，即實際含水層局部存在人為充水通道，計算時將其概化為均質含水層，導致預測結果有一定偏差。因此，對于本礦井而言，尤其是二采區(qū)，采用BP神經網絡模型預測礦井涌水量更準確。

4結語

分析了礦井涌水量的主要影響因素，采用BP神經網絡模型和大井法分別計算了陜西某煤礦二、三采區(qū)的5個工作面涌水量。分析結果表明，BP神經網絡模型比大井法計算結果更為可靠、準確，因此推薦采用BP神經網絡模型計算結果作為該礦井制定疏水降壓方案的依據。經計算可知，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：

[1]王生全,牛建立,劉洋,等.錦界煤礦水文地質特征與礦井充水危險性預測[J].煤田地質與勘探,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,樊振麗,劉守強,等.基于GIS的信息融合型含水層富水性評價方法——富水性指數法[J].煤炭學報,2011,36(7):1124-1128.

[4]武強,黃曉玲,董東林,等.評價煤層頂板涌(突)水條件的“三圖-雙預測法”[J].煤炭學報,2000,25(1):60-65.

[5]王小川,史峰,郁磊,等.MATLAB 43個神經網絡案例分析[M].北京:北京航空航天大學出版社,2013：11-15.

[6]凌成鵬,孫亞軍,楊蘭和,等.基于BP神經網絡的孔隙充水礦井涌水量預測[J].水文地質工程地質,2007,34(5):55-58.

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

[8]劉小滿,邢學玲,王心義.躍進礦充水因素分析及礦井涌水量計算[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：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；責任編輯：胡嫻。

基金項目：防災減災青年科技基金項目(201201)；河北省教育廳高等學?？茖W研究計劃項目 (Z2013027)。

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

中圖分類號：TD742.1

文獻標志碼：A網絡出版時間：2016-07-05 15:03

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