基于BP神经网络的孔隙充水矿井涌水量预测

基于BP 神经网络的孔隙充水矿井涌水量预测
凌成鹏,孙亚军,杨兰和,姜　素,邵飞燕
(中国矿业大学,徐州　221008)
摘要:文章分析了孔隙充水矿井的充水水源和通道,利用非线性的BP 人工神经网络建立了徐州韩桥煤矿涌水量短期预测模型,选取每天的降水量作为影响因子,用已有的涌水量资料训练得到权值和阈值来表示充水通道,并对-200m 水平、-270m 水平、-330m 水平和全矿井涌水量进行了预测。

结果显示,涌水量的预测值与实测值吻合得较好,说明该模型具有一定实用性。

关键词:BP 人工神经网络;孔隙充水矿井;涌水量;预测模型;韩桥煤矿
中图分类号:P64114+1 文献标识码:A 文章编号:100023665(2007)0520055204
收稿日期:2006211208;修订日期:2007203230
基金项目:国家自然科学基金重点项目“水资源保护性煤炭开
采基础理论与应用研究”
(50634050);国家重点基础研究发展计划“973”计划(2007C B209401)
作者简介:凌成鹏(19832),男,硕士研究生,主要从事水文地
质、矿井水害防治方面的研究。

E 2mail :kqs2008@
矿井涌水量是指在矿山建设和生产过程中单位时
间内通过各种巷道和开采系统流入矿井的水量[1～2]。

准确预测矿井涌水量对于矿井安全生产具有极其重要的意义。

目前常用的预测矿井涌水量的方法主要有相关比拟法、解析法、水均衡法、数值法和时间序列分析等方法[3～4]。

但是预测过程中由于水文地质条件复杂、采用的水文地质参数缺乏代表性以及所建立的数学模型不恰当等原因,很容易导致计算的误差偏大,不能提供准确的涌水量预测数据。

本文运用水文地质学的相关理论,通过BP 人工神经网络方法[5～7]
对徐州韩桥煤矿的涌水量进行预测,取得了满意的效果。

1　孔隙充水矿井的涌水量因素分析
孔隙充水矿井的充水水源主要是大气降水。

大气降水渗入量的大小与地区的气候、地形、岩性、构造等
因素有关。

此外,位于矿井附近的地表水体(包括江河、海洋、湖、水库等),与矿井地下水有水力联系时,也
往往成为经常性的矿井充水水源[3]。

孔隙充水矿井的充水通道有岩层的孔隙、裂隙、溶隙。

一般情况下,对于分布不均且细小的裂隙,水渗透缓慢,水量小。

但裂隙破碎带对矿井充水则有较大的
影响。

另外,一些封闭不良的钻孔,采矿形成的顶板陷落使上覆岩层产生裂隙,地表发生沉陷、裂缝,甚至形成规模较大的陷落漏斗,都可能成为水源渗入井下的
良好通道[4]。

2　徐州韩桥煤矿地质和水文地质特征
211　区域概况
徐州矿务局韩桥煤矿地处苏鲁边界,井田地形为
一狭长的簸箕形山间盆地,东南、东北、西北三面均为寒武、奥陶系灰岩所构成的低山丘陵。

井田内煤系地层为下石盒子组、山西组和太原组。

本区地处北温带的鲁淮区域,气候温和,阳光充足,降水充沛。

冬季干
旱,夏季多雨,年均降水量为83318mm [8]。

井田内仅有小型河道和排洪泄涝的渠道。

212　区域地质构造
贾汪含煤盆地的东部为郯庐大断裂及淮阴褶皱,西部是一系列相间分布的背斜,构成了走向NE 、SW 的复背斜的构造形态,并发育次一级褶皱。

213　含水层及富水性
(1)第四系含水层:为松软沉积物,厚度一般为1214m 左右。

渗透系数一般为8～24m Πd ,最大可达82194m Πd 。

(2)下二叠统含水层:主要为砂岩及砂页岩互层,为突水较弱的含水地层,其裂隙发育、分布不广泛,开采过程中未发生严重涌水事故。

(3)上石炭统含水层:厚度约为45m ,夹有13层薄层石灰岩,占总厚度的39%,裂隙和岩溶溶洞发育。

在一般情况下,各层石灰岩之间无水力联系,为互不连通的单一含水层。

各层石灰岩含水丰富,为太原组煤系底层中的主要含水层。

(4)本溪组裂隙含水层:平均厚度约50m ,为灰绿色的泥质微晶质致密灰岩,夹薄层页岩,岩溶不发育,裂隙多被方解石填充,含水性较差。

(5)奥陶系灰岩含水层:强烈发育岩溶溶洞、洪水洞。

据揭露资料,浅部岩溶化极其强烈,深部次之,一般在50～140m 处岩溶最为强烈,单位涌水量为010035
～010234L Π(s ・m ),渗透系数为0174～2716m Πd 。

214　地下水动力环境
本区地下水的补给来源主要为大气降水、潜水、基
岩裂隙水及矿井排水引起的人工循环水。

各含水层露头直接与第四系冲积层接触,降水通过第四系冲积层转为潜水,由露头补给各系灰岩,再渗入井下,矿井涌水量呈季节性周期变化,如图1所示。

图1　韩桥煤矿降水量、涌水量图(2003年)
Fig.1　Ch anges in rainfall ,mine inrush w ater in the H anqiao colliery in 2003
3　矿井涌水量预测模型的建立
311　人工神经网络基本原理
人工神经网络(ANN )是指用大量的神经元构成的非线性系统,在一定程度和层次上模仿人脑神经系统的信息处理、存储及检索功能,具有学习、记忆和计算等智能处理功能
[5]。

31111　神经元结构
神经元包括基函数和传递函数[5]。

一般基函数采
用线性函数,输出u 为输入X =(x 0,x 1,…,x n -1)T
与
阈值θ的加权和。

神经网络用于函数逼近时,传递函数采用单极型或双极型的S 型函数。

31112　BP 人工神经网络结构
BP 人工神经网络是一种单向传播的多层前向网
络,具有三层或三层以上结构,包括输入层、隐含层(中间层)和输出层。

BP 网络的核心是通过一边向后传播误差,一边修正误差的方法来调节网络参数,以实现或逼近所希望的输入输出映射关系。

BP 网络有很好的持久性和适时预报性
[5～7]。

312　BP 网络预测模型的建立
由于水文地质条件的复杂性,很难用准确的数学模型对矿井涌水量进行有效地预测,
而比较可行的方法就是建立一个矿井充水因素与涌水量的映射关系。

BP 网络恰好体现了这方面的优点,不需要建立精确的
数学模型,就能够实现从输入空间到输出空间的非线性映射,因此BP 网络适用于矿井涌水量预测。

在涌水量的预测过程中,不同类型的矿井充水因素不尽相同。

因此,建立普遍适用的涌水量预测模型是很不现实的,必须针对具体类型的矿井进行分析,才能具有良好的适用性。

31211　输入层与输出层节点的确定
根据韩桥煤矿的水文地质特征,一次降水会引起之后一段时间内矿井涌水量的增加。

所以矿井某时刻的涌水量与之前一段时间内的降水量有密切的关系,即:
模型输入矩阵:
P =
p 1p 2p 3…p n -i +1p 2
p 3p 4…p n -i +2p 3
p 4
p 5
…p n -i +3
…
…
…
…p i
p i +1
p i +2
…
p n
(1)
模型目标矩阵:
T =[Q i Q i +1　Q i +2　…　Q n ]
T
(2)
式中:p i ———第i 天的降水量(mm );
n ———训练样本的总天数;
Q i ———第i 天的涌水量(m 3
Πmin )。

通过对不同的水平进行不同的i 值试算(i =29,
34,39,44,49,54,59),取效果较好的值[6～9]。

输出层节点数为1,值为当日的矿井涌水量。

31212　隐含层节点数的确定
隐含层层数取1,节点数可参考文献[5]提供的公式:
n 1=
n +m +a
(3)
式中:m ———输出神经元数;
n ———输入神经元数;
a ———[1,10]之间的常数。

由此可得隐含层节点数为18,模型训练过程中针对不同的水平可以适当增加或减少。

31213　初始值的确定和算法优化
由于模型是非线性的,初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大,故初始权值取[0,1]之间的随机数。

除此之外,权值和阈值的BP 学习算法采用附加动量项的梯度下降法反向传播
学习规则Learngdm [5～11]。

31214　BP 网络结构的建立
根据韩桥煤矿的充水特征,将矿井的充水水源(降水量)作为网络模型的输入,用隐含层和输出层的权值、阈值表征充水通道,对已有的BP 网络预测涌水量
模型[9]
进行改进,建立孔隙类矿井涌水量BP 网络模型结构(图2)。

通过模型训练已有的资料对权值和阈值取值,
不仅简化了输入参数,而且避免了人为量化充水通道引起的误差。

图2　孔隙类矿井涌水量BP 网络预测模型结构示意图
Fig 12　Framew ork of ANN for predicting inrush w ater
in mine with pore w ater yield
对各水平和全矿井建立不同的神经网络模型,分别进行训练和预测。

以2003年6月1日～9月23日的降水量和涌水量(图1)作为样本进行训练,网络隐含层和输出层神经元的传递函数均为S 型的对数传递函数。

网络训练次数的最大值为50,训练目标为
01001。

然后根据2003年8月12日～10月3日的降水
量样本预测2003年9月24日～10月3日的各水平和
全矿井涌水量。

313　计算结果对韩桥煤矿-200m 、-270m 、-330m 水平和全矿井涌水量进行预测,经过5～7次训练后,网络的目标误差就达到了要求。

不同水平涌水量预测值和实际值的对比关系如图3所示。

由图可知,涌水量预测值与实际值吻合得较好,预测值能够较好地反映实际值的变化趋势,表
1为预测值与实际值的相对误差分布。

图3　预测涌水量与实际涌水量对比图(2003年)
Fig.3　ANN vs.actu al values of inrush w ater in 2003
表1　相对误差分布表
T able 1　R elative error distribution
相对误差范围(%)
个数
占总数的百分比(%)
0～52152155～1015371510～153715>15
1
215
从图3还可以看出,预测值比实际值变化剧烈。

其主要原因是模型中只考虑了大气降水对矿井充水的直接影响,而忽略了不同时期大气降水向地表水、老空水以及含水层水的转化情况。

此外,在雨季的不同时期,矿井充水条件是不断变化的,而模型中反映充水条件的权值和阈值是静态的数值,无法反映这些变化。

4　结论
(1)研究表明,对于以大气降水和地表水为主要充
水水源的孔隙充水矿井,采用非线性BP 人工神经网络方法进行矿井涌水量预测是可行的,对矿井的安全
生产具有一定的指导意义。

(2)根据韩桥煤矿的水文地质特征,建立了BP人工神经网络模型进行涌水量预计,预测结果平均误差为4113%,最小误差为0105%,最大误差为2419%。

预测值与实际值基本一致,由此证明了本文所建立的BP网络涌水量预测模型具有一定的合理性。

但是预测模型的计算数据还存在一定的误差,这有待于以后进一步修正与完善。

参考文献:
[1]　郑世书,陈江中,刘汉湖,等.专门水文地质学[M].
徐州:中国矿业大学出版社,1999.
[2]　赵全福.煤矿安全手册[S].北京:煤炭工业出版社,
1992.
[3]　魏可忠.矿井水文地质[M].北京:煤炭工业出版社,
1991.
[4]　许学汉,王杰.煤矿突水预报研究[M].北京:地质出
版社,19911[5]　魏海坤.神经网络结构设计的理论与方法[M].北
京:国防工业出版社,2005.
[6]　陈佩佩,刘鸿泉,朱在兴,等.基于人工神经网络技
术的综放导水裂隙带高度预计[J].煤炭学报,2005,
30(4):438-442.
[7]　刘志明,王贵玲,张薇.BP神经网络方法在地下水
动态监测网质量评价中的应用[J].水文地质工程
地质,2006,33(2):114-1171
[8]　李瑞民,姚澄梧.韩桥煤矿志[M].徐州:中国矿业大
学出版社,19921
[9]　管恩太,武强.矿井涌水量预测评述[J].中州煤炭,
2005(1):7-81
[10]　黄景坡,王为标.浅析贾汪矿区降水量与涌水量的
关系[J].煤炭科技,2006(1):9-111
[11]　Emery A C oppola Jr,Charles F McLane,Mary M
P oulton1Predicting C onductance Due to Upconing Using
Neural Netw orks[J].G round Water,2005,43(6):827-
836.
Prediction of inrush w ater of mine with pore w ater yield
based on BP artificial neural netw ork
LI NG Cheng2peng,S UN Y a2jun,Y ANGLan2he,J I ANG Su,SH AO Fei2yan
(China Univer sity o f Mining and Technology,Xuzhou　221008,China)
Abstract:In this paper,s ources and channels of water bursting of mine with pore water yield were analyzed and basic theory of artificial neural netw ork was used.The short2time prediction m odel of mine inrush in the Hanqiao colliery was als o established.Daily precipitation within a period of time was chosen as an influence factor.Weight and threshold,which were obtained from training known data of precipitation,were expressed as channels of water inrush.The mine inrush water of-200m level,-270m level,-330m level and the whole mine was predicted.
The results show that it is right and feasible to build the BP neural netw ork m odel and predict mine inrush water.
K ey w ords:BP artificial neural netw ork;mine with pore water yield;mine inrush water;prediction m odel;
Hanqiao colliery
编辑:汪美华
更 正
在2007年第4期的中文目录页上,文章《水资源合理配置与生态环境保护方案———以疏勒河流域昌马、双塔、花海灌区为例》的第一作者“郝明林”应为“赫明林”,特此更正。

本刊谨就此向作者及广大读者致歉。

本刊编辑部
2007年7月。