CN104573399A - 一种煤矿突水动水注浆量预测与注浆效果评价方法 - Google Patents

Abstract

本发明属于矿井动水注浆预测与评价技术领域，涉及一种煤矿突水动水注浆量预测与注浆效果评价方法,在收集矿区封堵矿井突水过程中动水注浆量数据样资料基础上，分析影响注浆量变化的因素，综合遗传算法和支持向量机的学习理论，建立动水注浆量与其影响因素非线性数据模型，并将该模型应用到实际的工程实例中；并以注浆后突水点封堵率和注浆预测率两个影响因素，将注浆封堵突水点效果分为优秀、良好、合格、不合格四个级别的评价标准方法；其预测与评价过程简单，原理科学，节省人力和财力，能及时预测矿井突水动水注浆量，合理评价注浆效果，经济效益明显。

Description

一种煤矿突水动水注浆量预测与注浆效果评价方法

技术领域：

本发明属于矿井动水注浆预测与评价技术领域，涉及一种封堵矿井突水过程中动水注浆量预测与注浆效果评价工艺，特别是一种煤矿突水动水注浆量预测与注浆效果评价方法。

背景技术：

近年来，随着煤矿开采深度的不断增加，华北型煤田由于受奥灰水的威胁，安全回采的矿井储量不断减少，煤矿生产能力不断下降，为缓解矿井生产能力下降的趋势，很多煤矿动用受奥灰水威胁的工作面资源量，导致工作面在开采过程中突水事件时有发生，虽然当前科技水平有很大的提升，但复杂的水文地质条件对矿井防治水工作提出更高的要求，及时、合理、有效的对矿井突水点进行注浆封堵，不仅可以保证工作面正常回采，节省大量的排水费用，而且还能延长老矿区服务年限，对支持地方经济发展具有重大的意义。

目前，针对工作面在开采过程中发生突水情况，有的煤矿采取井上井下联合治理的方法，通过高压、大流量、合理的注浆料配比，注浆封堵突水点取得不错的效果；有的煤矿通过物探方法，找到出水水源，对突水通道进行有效注浆封堵；有的煤矿通过研究控制注浆工作面因素法，对突水点进行预注浆，通过多次试验得出注浆因素并不是单因素决定的，而是由注浆的压力、流量、注浆材料的配比等多因素决定的，注浆效果的检验根据封堵突水点涌水量大小及矿井物探探查突水通道电阻率变化规律两种方法，通过水量的大小及封堵通道情况决定的；井上井下联合注浆法，虽然对封堵突水点具有很好的效果，但是由于工程量大，需求大量的人力物力，浪费大量的财力物力；通过物探方法寻找突水通道，能够准确封堵突水点，实现有效注浆，但是，物探技术寻找突水通道是建立在准确的探测基础之上，矿井物探的复杂条件及多解性，造成了本方法的偏差，为有效提高封堵突水通道，需要提高物探技术。现有技术中对注浆效果的评价只注重突水量的变化，不考虑注浆量的变化带来的经济效益，缺乏定量化评价动水注浆量评价标准。上述在矿井突水过程中从注浆机理、注浆材料、注浆方法、以及在探查突水通道等方面做出研究并没有对动水注浆量与突水标高、水量、及封堵孔之间关系做出研究，注浆完成后没有合理的评价标准对注浆效果做出评价。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计提供一种煤矿突水动水注浆量预测与注浆效果评价方法，在收集矿区封堵矿井突水过程中动水注浆量数据样本资料基础上，分析影响注浆量变化的因素，综合遗传算法和支持向量机的学习理论，充分发挥遗传算法优化种群最优个体的优点及支持向量机小样本数据环境下超强学习能力的优势，建立动水注浆量与其影响因素非线性数据模型，并将该模型应用到实际的工程实例中；并以注浆后突水点封堵率(注浆后减少水量与突水量的比值)和注浆预测率η(实际注浆量与预测量之间的变化值占预测量的百分数)两个影响因素，将注浆封堵突水点效果分为优秀、良好、合格、不合格四个级别的评价标准方法,利用本方法能够及时预测矿井突水动水注浆量，根据矿井突水动水注浆评价标准，定量评价煤矿突水动水的注浆效果。

为了实现上述目的，本发明实现注浆量预测与注浆效果评价的具体过程为：

(1)、收集包括封堵钻孔个数、突水标高、突水水压、突水量、注浆材料、注浆压力和注浆量参数的注浆封堵矿井突水资料，建立注浆封堵矿井突水数据样本，初步分析影响动水注浆量的因素；

(2)、将影响动水注浆量的因素包括突水标高、突水量和封堵钻孔个数进行多元线性回归方程分析，并通过F检验及t检验分析注浆量与其影响因素的相关性和显著性，如果动水注浆量与其影响因素线性相关且存在显著性变化，则直接利用多元线性回归分析动水注浆量；如果动水注浆量和影响因素不存在线性关系，则对动水注浆量与其影响因素进行非线性分析；

(3)、选择遗传-支持向量机作为研究动水注浆量与其影响因素做非线性分析工具，建立动水注浆量的预测非线性模型模型，具体建立过程：第一步，将前21个数据样本中的注浆量数据读入并保存为注浆量训练样本文件，将前21个样本中的影响因素读入并保存为注浆量影响因素训练样本文件，将后5个注浆量数据样本读入并保存为注浆量测试样本文件，将后5个注浆量影响因素数据样本读入并保存为注浆量影响因素测试样本文件，并将上述四个文件另存为一个matable可读文件；第二步，将matable可读文件读入遗传-支持向量机算法程序，并借助遗传算法自动寻优支持向量机参数c和g，其中g＝1/σ²,σ为支持向量机参数c的核函数参数，然后通过样本映射计算和线性拟合训练，得到学习样本拟合图，并根据拟合程度的相对误差的均方误差(MSE)评价学习效果，若相对误差的均方误差不趋向于0，则学习效果不好，重新进行学习；若相对误差的均方误差趋向于0，则学习效果好，建立初始模型；第三步，根据测试样本中注浆量预测值与实际注浆量的相对误差验证初始模型的泛化度，当相对误差的均方误差(MSE)趋向于0时，说明建立的初始模型泛化度好，初始模型即为动水注浆量的预测非线性模型模型；当相对误差的均方误差(MSE)较大不趋向于0时，需要返回第二步，借助遗传算法重新进行支持向量机参数寻优，直至找到最优参数c和g，使相对误差的均方误差(MSE)趋向于0为止；

(4)、结合现有煤矿防治水规定，综合考虑注浆量、注浆材料对注浆效果的影响，根据注浆后突水点封堵率(注浆后突水点减少水量与突水量的比值)和注浆预测率η(实际注浆量与预测量之间的变化值占预测量的百分数)将注浆封堵突水点效果标准分为优秀、良好、合格、不合格四个级别，完成煤矿突水动水注浆量预测与注浆效果评价，其中为不合格；且η＞30％为合格；且η≤30％或且10％＜η≤30％为良好；且η≤10％为优秀。

本发明采用的支持向量机与其它人工网络算法相比，在煤矿突水注浆封堵突水点小样本数据中，具有超强学习能力的优势，支持向量机参数c及其核函数参数σ的选取是一个复杂问题，参数c控制着对错分样本的惩罚程度；径向基核函数的参数为高斯分布的宽度，控制着函数的径向作用范围，决定着非线性映射的本质，支持向量机参数的求取需要多次训练，依靠人为经验求解参数，建立支持向量机模型，缺点是耗费时间长；遗传算法具有优化种群中最优个体的优势，自动寻优支持向量机参数，提高支持向量机建立模型的效率。

本发明与现有技术相比，利用遗传-支持向量机算法在煤矿突水动水注浆中成功预测了注浆量，具有很强的实用性；同时利用动水注浆评价标准对两个突水点注浆效果做出定量化评价，与传统的注浆效果评价相比，该评价方法更注重注浆量的注浆性价比，更加注重注浆量的经济意义；其预测与评价过程简单，原理科学，节省人力和财力，能及时预测矿井突水动水注浆量，合理评价注浆效果，经济效益明显。

附图说明：

图1为本发明建立动水注浆量的预测非线性模型的流程原理示意框图。

图2为本发明实施例得到的动水注浆量拟合结果曲线图。

图3为本发明实施例得到的注浆量预测值和实际值拟合曲线图。

具体实施方式：

下面通过实施例并结合附图对本发明作进一步说明。

实施例：

本实施例实现煤矿突水动水注浆量预测与注浆效果评价的具体过程为：

(1)、收集26个矿井突水动水注浆数据样本，样本数据见表1，经过多元线性回归得到以注浆量与突水标高、突水量、封堵钻孔个数的多线性回归方程：

y＝-15.49x₃+5.39x₂-2.2x₁+127.87，其中y,x₁,x₂,x₃分别代表动水注浆量、突水标高、突水量、封堵钻孔个数)，经计算得，复相关系数r＝0.682，r表示动水注浆量与突水标高、突水量、封堵钻孔个数之间的线性相关关系，按置信度95％和自由度22，查现有的相关系数临界值表得r_0.95(22)＝0.404<r,说明拟合程度一般，自变量和因变量关系一般；进行F检验，按置信度95％和自由度f＝22，查得临界值为3.05；其观测值8.30大于F临界值，说明因变量与自变量显著相关；回归系数显著性t检验：

$t_2=\frac{{\mathrm{\&beta;}}_2}{\sqrt{c_{22}}\sqrt{\frac{s_e}{n-k-1}}}=\frac{5.39}{\sqrt{0.3405}\sqrt{\frac{29735156}{22}}}=0.008$ 式(1)

$t_3=\frac{{\mathrm{\&beta;}}_3}{\sqrt{c_{33}}\sqrt{\frac{s_e}{n-k-1}}}=\frac{-15.49}{\sqrt{0.0005}\sqrt{\frac{29735156}{22}}}=-0.18$ 式(2)

按置信度95％和自由度f＝22，查得t的临界值为2.074，由于t₁<t，t₂<t，自变量x₃对变量y的作用不显著。同理，x₂对y的作用不显著。注浆量与突水标高可以得到一元线性回归方程，只是单因素研究注浆量与其它因素的关系，不能用多因素研究注浆量与其影响因素的线性关系。因此，要想研究动水注浆量与其影响因素之间的关系，只能用非线性工具进行分析。

表1：矿井突水动水注浆数据样本

(2)建立遗传支持向量机模型流程(如图1)：先将数据样本中前21个数据样本读入matable，进行学习训练，借助遗传算法进行支持向量机参数自动寻优，经多次训练后，得到进化带数为100，种群数量为5，得到惩罚因子C＝15.3267，最优参数g(1/σ²)＝0.94924，建立初始模型，通过映射计算和线性拟合训练，得到的动水注浆量拟合结果曲线图如图2所示，经计算，拟合结果最小相对误差为2.6％，最大相对误差为69.1％，平均相对误差为19％，最大相对误差出现在样本12#中，相对误差是69％，出现离群点，当扩大样本后，离群点现象可以消除，拟合程度通过相对误差的均方误差评价，均方误差越小，说明模型拟合程度越好；通过计算本模型的相对误差的MSE为0.255，说明本模型拟合结果满足需求；测试样本检验采用“留一验证法”，根据初始模型预测的注浆量预测值与实际值之间的相对误差进行分析，若相对误差的MSE很小趋于0时，则应用该模型，若达不到要求，对数据样本重新进行学习训练。将样本22-26数据样本带入初始模型，得到检验样本预测图及测试样本相对误差表(表2)，由图3可知，注浆量的预测值和实际值拟合情况非常好，只有样本24、25拟合的变化比较大；由表2可知，相对误差较大的样本24，25，最小相对误差是样本23，平均误差9.24％，小于模型的相对误差19％，均方误差为0.099763，说明本建立的模型具有较好的泛化度；

表2：测试样本相对误差表

(3)、注浆效果评价标准：动水注浆效果评价要综合考虑突水点的涌水量、注浆材料、注浆量和注浆后突水点残余水量等问题，根据突水点封堵率(注浆后突水点减少水量与突水量的比值)和注浆预测率η(实际注浆量与预测量之间的变化值占预测量的百分数)将注浆封堵突水点效果标准分为优秀、良好、合格、不合格四个级别，注浆效果评价标准见表3。

表3：注浆效果评价标准

本实施例验证遗传-支持向量机在动水注浆量预测的有实用性及对注浆效果的评价，将建立的模型应用到某矿81004工作面和某矿9401工作面封堵矿井突水中注浆量预测中，并分析实际工程中封堵突水点的注浆效果，某矿81004工作面和某矿9401工作面的实际注浆情况如表4所示，

表4：实际注浆情况表

某矿84004工作面突水标高-340m，最大突水水量为449m³/h，为加快封堵突水进度，根据矿压显现规律及已经掌握的水文地质资料，共使用了5台钻机，计划打10个封堵钻孔，利用实施例1建立的模型预测需要注浆量5624t，实际注浆量为5039t，经过注浆封堵后，突水点涌水量稳定在11.7m³/h，封堵率为97.4％；经过计算，注浆预测率是11.6％，由表3知突水点注浆效果良好；某矿9401工作面突水标高为-150m，最大突水量为743m³/h，在封堵工作面突水过程中，计划打孔7个，利用本模型预测需要注浆量为1589t，经过实际注浆后，突水点涌水量稳定在3.4m³/h，封堵率为99.55％，实际注浆量为2107t，注浆预测率为32.6％，对照表3可知，本突水点动水注浆效果为合格。

本实施例说明，利用遗传-支持向量机模型能很好的预测动水注浆量；从表3注浆效果评价标准看，某矿84004工作面与某矿9401工作面突水注浆都达到合格要求，虽然84004工作面注浆后突水点残余水量大于某矿9401工作面突水点残余水量，但84004工作面实际注浆量小于预测注浆量，其注浆量的“性价比”更高，因此某矿81104工作面注浆效果为良好。

Claims (1)

1.一种煤矿突水动水注浆量预测与注浆效果评价方法，其特征在于实现注浆量预测与注浆效果评价的具体过程为：

(1)、收集包括封堵钻孔个数、突水标高、突水水压、突水量、注浆材料、注浆压力和注浆量参数的注浆封堵矿井突水资料，建立注浆封堵矿井突水数据样本，初步分析影响动水注浆量的因素；

(2)、将影响动水注浆量的因素包括突水标高、突水量和封堵钻孔个数进行多元线性回归方程分析，并通过F检验及t检验分析注浆量与其影响因素的相关性和显著性，如果动水注浆量与其影响因素线性相关且存在显著性变化，则直接利用多元线性回归分析动水注浆量；如果动水注浆量和影响因素不存在线性关系，则对动水注浆量与其影响因素进行非线性分析；

(3)、选择遗传-支持向量机作为研究动水注浆量与其影响因素做非线性分析工具，建立动水注浆量的预测非线性模型模型，具体建立过程：第一步，将前21个数据样本中的注浆量数据读入并保存为注浆量训练样本文件，将前21个样本中的影响因素读入并保存为注浆量影响因素训练样本文件，将后5个注浆量数据样本读入并保存为注浆量测试样本文件，将后5个注浆量影响因素数据样本读入并保存为注浆量影响因素测试样本文件，并将上述四个文件另存为一个matable可读文件；第二步，将matable可读文件读入遗传-支持向量机算法程序，并借助遗传算法自动寻优支持向量机参数c和g，其中g＝1/σ²,σ为支持向量机参数c的核函数参数，然后通过样本映射计算和线性拟合训练，得到学习样本拟合图，并根据拟合程度的相对误差的均方误差评价学习效果，若相对误差的均方误差不趋向于0，则学习效果不好，重新进行学习；若相对误差的均方误差趋向于0，则学习效果好，建立初始模型；第三步，根据测试样本中注浆量预测值与实际注浆量的相对误差验证初始模型的泛化度，当相对误差的均方误差趋向于0时，说明建立的初始模型泛化度好，初始模型即为动水注浆量的预测非线性模型模型；当相对误差的均方误差不趋向于0时，返回需要返回第二步，借助遗传算法重新进行支持向量机参数寻优，直至找到最优参数c和g，使相对误差的均方误差趋向于0为止；

(4)、结合现有煤矿防治水规定，综合考虑注浆量、注浆材料对注浆效果的影响，根据注浆后突水点封堵率和注浆预测率η将注浆封堵突水点效果标准分为优秀、良好、合格、不合格四个级别，完成煤矿突水动水注浆量预测与注浆效果评价，其中为注浆后突水点减少水量与突水量的比值，η为实际注浆量与预测量之间的变化值占预测量的百分数为不合格；且η＞30％为合格；且η≤30％或且10％＜η≤30％为良好；且η≤10％为优秀。2 -->