CN104597516A - 一种矿井突水水源快速判别系统 - Google Patents

Abstract

本发明公开了矿井突水水源快速判别系统，包括多个数据采集模块，数据采集模块获取不同井巷位置的水的样本，并对该水样本进行水文特征信息分析，获得该位置的水文数据；数据库，用于存储水文数据，并将该水文数据按照指定的格式储存与输出；水文分析模块，用于分析突水点的水样本，获得突水点的水文特征信息；突水水源判别模块，并将突水点水文数据在数据库中与已有的多个不同位置的水文数据综合使用多种判别方法进行比对，自动判断出突水点的位置。

Description

一种矿井突水水源快速判别系统

技术领域

本发明涉及水文地质工程领域，特别地，涉及一种矿井突水水源快速判别系统。

背景技术

在我国，矿井突水问题日益突出，而水害事故对人员生命安全和煤矿的经济发展造成了严重威胁，是矿井日常生产中需要预防的矿井灾害之一。目前，煤矿生产一线水害事故以预防为主，采用防治结合的方法进行防治水工作，探放水是日常主要的工作内容，但是，一旦出现出水点，需进行水质化验，根据经验判断水源层位的时间需4～5个工作日。由于不能及时、准确、快速的判别水源层位，影响了矿井的生产进度，降低了工作效率，甚至错过了对突水点治理的最佳时机，并且容易造成突水点恶化致灾的情况。因此，在煤矿出现涌水或发生突水事故时，根据突水水质信息，及时、准确、快速地判别出突水水源所属的含水层层位，对煤矿的安全生产具有重要的指导意义。

矿井突水水源的判别，首先要充分考虑该煤矿所属区域的地质条件，再根据突水点的水质、水温、水位及其他地质资料，采用特定的数学方法，建立判别模型，综合评判才能得到较为准确的结果。目前，在突水水源判别中，由于水质数据与其他数据相比，具有快速、准确、经济的特点，成为突水水源判别的主流，水位、水温数据在识别突水水源方面也有一定的指导意义，因此可以为水化学判别起到一定的辅助作用，利用水质、水位和水温数据综合判别突水水源，称为“QLT判别法”。

然而，QLT等传统判别法采用的判别模型比较单一，其判别结果建立在孤立的数据组基础上，且其判别模型欠集成化，需要使用者手动或半自动计算判别结果，不能自动的快速判别突水点。另外，传统判别法缺乏对数据的有效管理与分析。针对现有技术中传统判别法判定时间过长的问题，目前尚未有有效的解决方案。

发明内容

针对现有技术中传统判别法判定时间过长的问题，本发明的目的在于提出一种矿井突水水源快速判别系统，能够使用多种判别方法进行横向对比，提高判别方法的集成性，快速判别矿井突水水源，保障煤矿的安全生产。

基于上述目的，本发明提供的技术方案如下：

根据本发明的一个方面，提供了一种矿井突水水源快速判别系统，包括：多个数据采集模块，通过该模块获取不同位置的水的样本，并对该水样本进行水文分析，获得该位置的水文数据，并将该数据保存至数据库中；数据库，数据库连接至多个数据采集模块与突水水源判别模块，用于存储多个数据采集模块所在的不同位置采集到的水文数据，并将该水文数据按照指定的格式储存与输出；水文分析模块，该模块对数据采集模块采集的突水点水样本进行水文分析，获得突水点的水文特征信息，并将该数据传送至突水水源判别模块；突水水源判别模块，突水水源判别模块连接至水文分析模块与多个数据采集模块，突水水源判别模块接收水文分析模块发送的突水点水文数据，并将突水点水文数据在数据库中与已有的多个不同位置的水文数据综合使用多种判别方法进行比对，自动判断出突水点的位置。

其中，多个数据采集模块采集到的多个不同位置的水文数据以及水文分析模块采集到的突水点水文数据中，水文数据可以是水质数据、水温数据、水位数据、特征组分数据、涌水通道数据中的一种或多种。

并且，水质数据可以是钠、钾、钙、镁、氯、硫酸根、碳酸根离子浓度、PH值与溶解性固体总量中的一种或多种；特征组分数据可以是钡、钴、铬、铜、钒、钪、锰、铷、钼、铀离子浓度中的一种或多种。

同时，多个数据采集模块与水文分析模块在采集水文数据的同时，还会将水文数据中的水质数据制成水质分析图，水质分析图能直观地示出水样本中实测数据钠、钾、钙、镁、氯、硫酸根、碳酸根离子的毫克当量百分数，而钠、钾、钙、镁、氯、硫酸根、碳酸根离子的毫克当量百分数为水样本中采集到的离子实测值与元素质量数之商，其中，水质分析图可以是Piper三线图、水化学玫瑰花图、库尔洛夫式、Durov图与柱形图中的一种或多种。

并且，突水水源判别模块综合使用多种判别方法进行比对水文数据，同时使用多种判别方法分别进行判别计算，并使用多种判别方法获得的多个判别结果综合评估，其中，多种判别方法可以是水质判别法、水温判别法、水位判别法、特征组分判别法、涌水通道判别法中的两种或两种以上。

具体地，水质判别法需要获取数据库中钠、钾、钙、镁、氯、硫酸根、碳酸根离子的实测浓度数据，水质判别法可以是熵权模糊综合判别法、逐步贝叶斯判别法、BP神经网络判别法、简约梯度法、灰色关联度法中的一种或多种；其中，熵权模糊综合判别法为从数据库中获取所有矿井水源中的不同位置的水质数据建立模糊关系矩阵，计算各评价因子的熵权，得到各评价因子的权重，通过模糊变换得到各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属；其中，逐步贝叶斯判别法为从数据库中获取所有矿井水源中的不同位置的水质数据的总均值、各个含水层样本数据的均值、与均值的离差矩阵，获得对判别有显著影响的因子，建立判别方程，判别函数最大的含水层为突水点的水源归属；其中，BP神经网络判别法为从数据库中获取所有矿井水源中的不同位置的水质数据建立神经网络模型，计算各评价因子的熵权，得到各评价因子的权重，通过神经网络模型得到各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属；其中，简约梯度法从数据库中获取所有矿井水源中的不同位置的水质数据，计算各个含水层及未知水源在突水点水量中的出水比例，按最大出水比例原则判定突水点水样的水源归属，其中，简约梯度法可能判别出已知矿井水源之外的位置；其中，灰色关联度从数据库中获取所有矿井水源中的不同位置的水质数据，计算突水点在灰色关联度判别下的与各个含水层的关联度，按最大关联度原则判定突水点水样的水源归属。

对于水温判别法，为使用突水点区域的地温线性方程，代入已知含水层的顶底板埋深、突水点埋深与水温数据，算出各个含水层顶底板和突水点的理论温度值及突水水源对于各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属。

对于水位判别法，为通过观测水位数据变化明显的含水层判定为突水点水样的水源归属。

对于涌水通道判别法，为根据突水区域开矿厚度进行判定，当采厚小于3m时用公式法，大于3m用类比法计算出突水区域的垮落带与导水裂缝带高度，分析出垮落带与导水裂缝带影响到的含水层，按最大影响原则判定突水点水样的水源归属。

对于特征组分判别法，为获取所有矿井水源中的不同位置的特征组分数据，包括钡、钴、铬、铜、钒、钪、锰、铷、钼、铀离子的实测浓度数据，用逐步贝叶斯判别法建立判别模型，在已知判别因子中逐步选出有判别能力的因子，得到各个含水层的判别函数结果，判别函数最大的含水层为突水点的水源归属。

根据本发明的另一个方面，提供了一种矿井突水水源快速判别方法，包括：将多个数据采集模块分别在矿井不同的水源位置获取不同的水样本；多个数据采集模块对水样本进行水文分析，获得该位置的水文数据；多个数据采集模块将水文数据保存至数据库中；数据库按照指定的格式储存与输出水文数据；当突水发生时，水文分析模块设采集突水点的水样本；水文分析模块对该水样本进行水文分析，获得突水点的水文特征信息；水文分析模块将突水点的水文数据传送至突水水源判别模块；突水水源判别模块接收水文分析模块发送的突水点水文数据，突水水源判别模块将突水点水文数据在数据库中与已有的多个不同位置的水文数据综合使用多种判别方法进行比对，并自动判断出突水点的位置。

从上面所述可以看出，本发明提供的技术方案通过突水水源判别模块根据突水点水文数据与已有的多个不同位置的水文数据综合使用包括水质判别法、水温判别法、水位判别法、特征组分判别法、涌水通道判别法在内的多种判别方法进行比对，同时使用Piper三线图、水化学玫瑰花图、库尔洛夫式、Durov图与柱形图等或者水质分析图将突水点的水质分析可视化，将多种判别方法进行横向对比，提高了判别方法的集成性，做到了矿井涌(突)水后快速地判别矿井突水水源，保障了煤矿的安全生产。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种矿井突水水源快速判别系统的结构图；

图2为本发明实施例的一种矿井突水水源快速判别方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种矿井突水水源快速判别系统。

如图1所示，根据本发明实施例提供的矿井突水水源快速判别系统包括：

多个数据采集模块11，多个数据采集模块11分别在矿井水源中的不同位置获取不同的水的样本，并对采集的水样本进行水文分析，获得该位置的水文数据，并将该数据保存至数据库12中。多个数据采集模块11通过采集不同位置的水样本并通过水文分析获得该位置的水文数据，建立了突水点数据比对的基准(背景值)，各种判别方法可通过与指定位置水文数据的对比判定突水点与指定位置的关联度。对于一些判定方法中，突水点还有可能不与任意一个数据采集模块11产生关联，即突水点可能位于多个突水数据采集模块11设置位置之外的未知位置。

数据库12，数据库12连接至多个数据采集模块11与突水水源判别模块14，用于存储多个数据采集模块11所在的不同位置、与多个数据采集模块11在多个不同位置采集到的水文数据，并将该水文数据按照指定的格式储存与输出。

水文分析模块13，水文分析模块13获取数据库12的信息后，用对水样本进行水文分析，获得突水点的水文特征信息，并将该数据传送至突水水源判别模块14。

突水水源判别模块14，突水水源判别模块14连接至水文分析模块13与多个数据采集模块11，突水水源判别模块14接收水文分析模块13发送的突水点水文特征数据，并将突水点水文特征数据在数据库12中与已有的多个不同位置的水文数据综合使用多种判别方法进行比对，自动判断出突水点的位置。

其中，在所述多个数据采集模块11采集到的多个不同位置的水文数据与水文分析模块13分析的的突水点水文特征信息中，水文数据可以是水质数据、水温数据、水位数据、特征组分数据、涌水通道数据中的一种或多种。传统的QLT判别法判别模型过于单一，难以仅通过水质、水位和水温数据全方位还原水文情况。

并且，水质数据可以是钠、钾、钙、镁、氯、硫酸根、碳酸根离子浓度、PH值与溶解性固体总量中的一种或多种；特征组分数据可以是钡、钴、铬、铜、钒、钪、锰、铷、钼、铀离子浓度中的一种或多种。

同时，多个数据采集模块11与水文分析模块13在分析水文数据的同时，还会将水文数据中的水质数据制成水质分析图，水质分析图能直观地示出水样本中实测数据钠、钾、钙、镁、氯、硫酸根、碳酸根离子的毫克当量百分数，而钠、钾、钙、镁、氯、硫酸根、碳酸根离子的毫克当量百分数为水样本中采集到的离子实测值与元素质量数之商，其中，水质分析图可以是Piper三线图、水化学玫瑰花图、库尔洛夫式、Durov图与柱形图中的一种或多种。水质分析图允许使用者直观地看出多个已知的不同位置与未知的突水点位置上水质信息的异同，并借助于此不使用任何具体地判定方法初步而直观地了解突水点的大致情况。

并且，突水水源判别模块14综合使用多种判别方法进行比对水文数据，为同时使用多种判别方法分别进行判别计算，并使用多种判别方法获得的多个判别结果综合评估，其中，多种判别方法可以是水质判别法、水温判别法、水位判别法、特征组分判别法、涌水通道判别法中的两种或两种以上。多种判别法与前述的丰富的水文信息相对应，多种判别法可以充分利用丰富的水文信息，从多个角度分析突水点的位置。

具体地，水质判别法需要获取数据库12中钠、钾、钙、镁、氯、硫酸根、碳酸根离子的实测浓度数据，水质判别法可以是熵权模糊综合判别法、逐步贝叶斯判别法、BP神经网络判别法、简约梯度法、灰色关联度法中的一种或多种。

其中，熵权模糊综合判别法为从数据库12中获取所有矿井水源中的不同位置的水质数据建立模糊关系矩阵，计算各评价因子的熵权，得到各评价因子的权重，通过模糊变换得到各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属。

其中，逐步贝叶斯判别法为从数据库12中获取所有矿井水源中的不同位置的水质数据的总均值、各个含水层样本数据的均值、与均值的离差矩阵，获得对判别有显著影响的因子，建立判别方程，判别函数最大的含水层为突水点的水源归属。

其中，BP神经网络判别法为从数据库12中获取所有矿井水源中的不同位置的水质数据建立神经网络模型，计算各评价因子的熵权，得到各评价因子的权重，通过神经网络模型得到各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属。

其中，简约梯度法从数据库12中获取所有矿井水源中的不同位置的水质数据，计算各个含水层及未知水源在突水点水量中的出水比例，按最大出水比例原则判定突水点水样的水源归属，其中，简约梯度法可能判别出已知矿井水源之外的位置。

其中，灰色关联度从数据库12中获取所有矿井水源中的不同位置的水质数据，计算突水点在灰色关联度判别下的与各个含水层的关联度，按最大关联度原则判定突水点水样的水源归属。

对于水温判别法，为使用突水点区域的地温线性方程，代入已知含水层的顶底板埋深、突水点埋深与水温数据，算出各个含水层顶底板和突水点的理论温度值及突水水源对于各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属。

对于水位判别法，为通过观测水位数据变化明显的含水层判定突水点水样的水源归属。

对于涌水通道判别法，为根据突水区域采矿厚度进行判定，当采厚小于3m时用公式法，大于3m用类比法计算出突水区域的垮落带与导水裂缝带高度，分析出垮落带与导水裂缝带影响到的含水层，按最大影响原则判定突水点水样的水源归属。

对于特征组分判别法，为获取所有矿井水源中的不同位置的特征组分数据，包括钡、钴、铬、铜、钒、钪、锰、铷、钼、铀离子的实测浓度数据，用逐步贝叶斯判别法建立判别模型，在已知判别因子中逐步选出有判别能力的因子，得到各个含水层的判别函数结果，判别函数最大的含水层为突水点的水源归属。

下面根据具体实施例进一步阐述本发明的技术方案。

下表示出了某矿井中多个不同井巷位置与一突水点的部分水文数据。该矿井的主要含水层包括新生界孔隙含水层、砂岩裂隙含水层以及岩溶裂隙含水层，与地表水、大气降水无水力联系。

分别使用熵权模糊综合判别法、逐步贝叶斯判别法、BP神经网络判别法、简约梯度法、灰色关联度法对该数据进行判别，并根据判别法返回的概率结果得到不同信任权重。

①对于熵权模糊综合判别法，首先选取多个不同固定位置的水质数据，包括钠、钾、钙、镁、氯、硫酸根、碳酸根离子的浓度指标作为判定因子，生成判定因素集X＝{x1,x2,x3,x4,x5,x6,x7}，其中x1,x2,x3,x4,x5,x6,x7分别代表钠、钾、钙、镁、氯、硫酸根、碳酸根离子的浓度水平。根据不同固定位置的数量建立评价集V＝{v1,v2,v3}，其中v1,v2,v3分别为多个不同的固定位置中的三个(为了简化计算，我们使用较小的评价集说明评价方法)。然后，通过降半梯形分布法确定相对隶属度，以钙离子为例，待测样本相对于水源的隶属度函数可分别记为r1(x)、r2(x)、r3(x)：

$r1\left(x\right)=\left\{\begin{array}{c}0\\ \frac{x-0.19}{1.13-0.19}\\ \frac{2.22-x}{2.22-1.13}\\ 0\end{array}\right.,\begin{array}{c}x\≤0.19\\ x\∈\left(\mathrm{0.19,1.33}\right]\\ x\∈\left(\mathrm{1.33,2.22}\right]\\ x>2.22\end{array};$

$r2\left(x\right)=\left\{\begin{array}{cc}1& x\≤0.19\\ \frac{1.13-x}{1.13-0.19},& x\∈\left(\mathrm{0.19,1.13}\right]\\ 0& x>1.13\end{array}\right.;$

$r3\left(x\right)=\left\{\begin{array}{cc}0& x\≤1.13\\ \frac{1.13-x}{1.13-0.19}& x\∈\left(\mathrm{1.13,2.22}\right]\\ 1& x>2.22\end{array}\right.;$

其中，x为钙离子样本的真实含量。同理，可计算出待测样本其他判定因子相对于多个不同固定位置的待测隶属度，并组成如下的模糊关系矩阵，记为R1、R2：

$R1=\left[\begin{array}{ccccccc}0.9468& 0.9886& 1& 1& 0.9107& 0.9583& 1\\ 0.0532& 0.0114& 0& 0& 0.0893& 0.0417& 0\\ 1& 0& 0& 0& 0& 0& 0\end{array}\right];$

$R2=\left[\begin{array}{ccccccc}0.0745& 0.0341& 1& 0& 0.4381& 0& 1\\ 0.9255& 0.9659& 0& 0.9009& 0.5619& 1& 0\\ 1& 0& 0& 0.0990& 0& 0& 0\end{array}\right];$

再使用熵权法评价各判定因子的熵值和权重，可得下表：

由上述公式可计算出隶属度：

按照最大隶属度原则，可以判定出待测样本1来源于固定点1的概率最大，待测样本2来源于固定点2的概率最大。在单独使用熵权模糊综合判别法时，我们可以判定，测样本1来源于固定点1，待测样本2来源于固定点2。但在综合使用多种判别法进行评定时，我们应当记录概率数据，并与其它判别法共同作出判别决定。

②对于逐步贝叶斯判别法，选取多个不同固定位置的水质数据，包括钠、钾、钙、镁、氯、硫酸根、碳酸根离子的浓度指标与硬度、pH作为有贡献的水化学指标。与熵权模糊综合判别法类似，将水化学指标作为输入变量，使用逐步判别法计算获得优选变量Ca²⁺、Na⁺+K⁺与pH，建立判别函数如下：

Y1(x)＝0.199Ca²⁺+0.085(Na⁺+K⁺)-0.473pH-38.054

Y2(x)＝0.290Ca²⁺+0.125(Na⁺+K⁺)-1.242pH-76.119

Y3(x)＝0.173Ca²⁺+0.104(Na⁺+K⁺)-2.667pH-114.678

将3个固定位置的水质数据带回判别函数回判并按照后验概率重新分类，可得到数据回判结果为待测样本1来源于固定点1，待测样本2来源于固定点2，且准确率为97.67％。对其分类进行显著性检验，得到统计量分别F₁₂＝151.39，F₁₃＝92.70，F₂₃＝357.17，其临界值F＝2.01远小于回判结果，说明判别效果较好。

③对于其他判别法，可参照上述两判别法的方式进行计算，不再赘述。可得结果：

在BP神经网络判别法中，测样本1来源于固定点1的的概率为85％；测样本2来源于固定点2的概率为95％；

在简约梯度法中，测样本1来源于固定点2的的概率为55％；测样本2来源于固定点1的概率为70％；

在灰色关联度法中，测样本1来源于固定点1的的概率为99％；测样本2来源于固定点3的概率为71％。

④在所有判别法均获得判别结果之后，将所有判别法获得的结果乘以置信概率再累加可得到最终的期望，以期望值较大者作为综合判决结果。

综上可以获得结论，待测样本1来源于固定点1的期望高于待测样本1来源于固定点2的期望，也高于待测样本1来源于固定点3的期望，所以我们可以认为，待测样本1来源于固定点1。类似地，待测样本2来源于固定点2。

根据本发明的实施例，还提供了一种矿井突水水源快速判别系统。

如图2所示，根据本发明实施例提供的矿井突水水源快速判别方法包括：

步骤S201，将多个数据采集模块分别设置于矿井水源中的不同位置；

步骤S203，使多个数据采集模块分别与不同位置的水接触测试，获取不同位置的水的样本；

步骤S205，多个数据采集模块对水样本进行水文分析，获得该位置的水文数据；

步骤S207，多个数据采集模块将水文数据保存至数据库中；

步骤S209，数据库按照指定的格式储存与输出水文数据；

步骤S211，当突水发生时，水文分析模块设采集突水点的水样本；

步骤S213，水文分析模块对该水样本进行水文分析，获得突水点的水文数据；

步骤S215，水文分析模块将突水点的水文数据传送至突水水源判别模块；

步骤S217，突水水源判别模块接收水文分析模块发送的突水点水文数据；

步骤S219，突水水源判别模块将突水点水文数据在数据库中与已有的多个不同位置的水文数据综合使用多种判别方法进行比对，并自动判断出突水点的位置。

综上所述，借助于本发明的上述技术方案，通过突水水源判别模块14根据突水点水文数据与已有的多个不同位置的水文数据综合使用包括水质判别法、水温判别法、水位判别法、特征组分判别法、涌水通道判别法在内的多种判别方法进行比对，同时使用Piper三线图、水化学玫瑰花图、库尔洛夫式、Durov图与柱形图等或者水质分析图将突水点的水质分析可视化，将多种判别方法进行横向对比，提高了判别方法的集成性，实现了快速判别矿井突水水源的目标，保障了煤矿的安全生产。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种矿井突水水源快速判别系统，其特征在于，包括：

多个数据采集模块，所述多个数据采集模块分别设置于矿井水源中的不同位置，所述多个数据采集模块分别与不同位置的水接触，获取所述不同位置的水的样本，并对该水样本进行水文分析，获得该位置的水文数据，并将该数据保存至数据库中；

数据库，所述数据库连接至多个数据采集模块与突水水源判别模块，所述用于存储所述多个数据采集模块所在的不同位置、与所述多个数据采集模块在多个不同位置采集到的水文数据，并将该水文数据按照指定的格式储存与输出；

水文分析模块，所述水文分析模块设置于突水点，用于采集突水点的水样本，并对该水样本进行水文分析，获得突水点的水文数据，并将该数据传送至突水水源判别模块；

突水水源判别模块，所述突水水源判别模块连接至水文分析模块与多个数据采集模块，所述突水水源判别模块接收所述水文分析模块发送的突水点水文数据，并将突水点水文数据在数据库中与已有的多个不同位置的水文数据综合使用多种判别方法进行比对，自动判断出突水点的位置。

2.根据权利要求1所述的一种矿井突水水源快速判别系统，其特征在于，所述多个数据采集模块采集到的多个不同井巷位置的水文数据，与所述水文分析模块获取到的突水点水文数据中，所述水文数据包括以下至少之一：水质数据、水温数据、水位数据、特征组分数据、涌水通道数据。

3.根据权利要求2所述的一种矿井突水水源快速判别系统，其特征在于，所述水质数据包括以下至少之一：钠、钾、钙、镁、氯、硫酸根、碳酸根离子浓度、PH值与溶解性固体总量；所述特征组分数据包括以下至少之一：钡、钴、铬、铜、钒、钪、锰、铷、钼、铀离子浓度。

4.根据权利要求2所述的一种矿井突水水源快速判别系统，其特征在于，所述多个数据采集模块与所述水文分析模块在采集和分析水文数据的同时，还会将所述水文数据中的水质数据制成水质分析图，所述水质分析图能直观地示出水样本中实测数据钠、钾、钙、镁、氯、硫酸根、碳酸根离子的毫克当量百分数，所述钠、钾、钙、镁、氯、硫酸根、碳酸根离子的毫克当量百分数，为水样本中采集到的离子实测值与元素质量数之商，其中，所述水质分析图包括以下至少之一：Piper三线图、水化学玫瑰花图、库尔洛夫式、Durov图与柱形图。

5.根据权利要求4所述的一种矿井突水水源快速判别系统，其特征在于，所述突水水源判别模块综合使用多种判别方法进行比对水文数据，为同时使用多种判别方法分别进行判别计算，并使用多种判别方法获得的多个判别结果综合评估，其中，所述多种判别方法包括以下至少之二：水质判别法、水温判别法、水位判别法、特征组分判别法、涌水通道判别法。

6.根据权利要求5所述的一种矿井突水水源快速判别系统，其特征在于，所述水质判别法需要获取数据库中钠、钾、钙、镁、氯、硫酸根、碳酸根离子的实测浓度数据，所述水质判别法包括以下至少之一：熵权模糊综合判别法、逐步贝叶斯判别法、BP神经网络判别法、简约梯度法、灰色关联度法；

其中，所述熵权模糊综合判别法为从数据库中获取所有矿井水源中的不同位置的水质数据建立模糊关系矩阵，计算各评价因子的熵权，得到各评价因子的权重，通过模糊变换得到各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属；

其中，所述逐步贝叶斯判别法为从数据库中获取所有矿井水源中的不同位置的水质数据的总均值、各个含水层样本数据的均值、与所述均值的离差矩阵，获得对判别有显著影响的因子，建立判别方程，判别函数最大的含水层为突水点的水源归属；

其中，所述BP神经网络判别法为从数据库中获取所有矿井水源中的不同位置的水质数据建立神经网络模型，计算各评价因子的熵权，得到各评价因子的权重，通过神经网络模型得到各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属；

其中，所述简约梯度法从数据库中获取所有矿井水源中的不同位置的水质数据，计算各个含水层及未知水源在突水点水量中的出水比例，按最大出水比例原则判定突水点水样的水源归属，其中，所述简约梯度法可能判别出已知矿井水源之外的位置；

其中，所述灰色关联度从数据库中获取所有矿井水源中的不同位置的水质数据，计算突水点在灰色关联度判别下的与各个含水层的关联度，按最大关联度原则判定突水点水样的水源归属。

7.根据权利要求5所述的一种矿井突水水源快速判别系统，其特征在于，所述水温判别法为使用突水点区域的地温线性方程，代入已知含水层的顶底板埋深、突水点埋深与水温数据，算出各个含水层顶底板和突水点的理论温度值及突水水源对于各个含水层的隶属度，按最大隶属度原则判定突水点水样的水源归属。

8.根据权利要求5所述的一种矿井突水水源快速判别系统，其特征在于，所述水位判别法为通过观测水位数据变化明显的含水层判定突水点水样的水源归属。

9.根据权利要求5所述的一种矿井突水水源快速判别系统，其特征在于，所述涌水通道判别法为根据突水区域煤层采厚进行判定，当采厚小于3m时用公式法，大于3m用类比法计算出突水区域的垮落带与导水裂缝带高度，分析出垮落带及导水裂缝带影响到的含水层，按最大影响原则判定突水点水样的水源归属。

10.根据权利要求5所述的一种矿井突水水源快速判别系统，其特征在于，所述特征组分判别法为获取所有矿井水源中的不同位置的特征组分数据，包括钡、钴、铬、铜、钒、钪、锰、铷、钼、铀离子的实测浓度数据，用逐步贝叶斯判别法建立判别模型，在已知判别因子中逐步选出有判别能力的因子，得到各个含水层的判别函数结果，判别函数最大的含水层为突水点的水源归属。