CN110852364A - 矿井突水水源识别方法、装置与电子设备 - Google Patents

矿井突水水源识别方法、装置与电子设备 Download PDF

Info

Publication number
CN110852364A
CN110852364A CN201911052561.5A CN201911052561A CN110852364A CN 110852364 A CN110852364 A CN 110852364A CN 201911052561 A CN201911052561 A CN 201911052561A CN 110852364 A CN110852364 A CN 110852364A
Authority
CN
China
Prior art keywords
water
sample
mine
inrush
water source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911052561.5A
Other languages
English (en)
Inventor
李媛
王丹丹
梁叶萍
唐朝苗
郭婵妤
方惠明
徐翰
黄泰誉
杜松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Survey and Research Institute of China Coal Geology Bureau
Original Assignee
General Survey and Research Institute of China Coal Geology Bureau
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Survey and Research Institute of China Coal Geology Bureau filed Critical General Survey and Research Institute of China Coal Geology Bureau
Priority to CN201911052561.5A priority Critical patent/CN110852364A/zh
Publication of CN110852364A publication Critical patent/CN110852364A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明实施例提供一种矿井突水水源识别方法、装置与电子设备，其中所述方法包括：获取待识别矿井突水水样，并提取所述待识别矿井突水水样的给定化学组分作为判别指标；基于所述判别指标，利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别；其中，所述贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用所述有效水样样本进行训练建立而成的。本发明实施例通过事先对水源样本进行聚类分析，剔除不满足设定标准下的含水层异常水样点，能够使得据此训练出的贝叶斯逐步判别模型具有更高的可靠性，从而打破现有突水水源识别方法的局限性，有效提高水源识别准确性。

Description

矿井突水水源识别方法、装置与电子设备
技术领域
本发明涉及模式识别技术领域，更具体地，涉及一种矿井突水水源识别方法、装置与电子设备。
背景技术
近年来煤矿开采深度不断增加，开采规模不断扩大，矿井突水成为煤矿开采过程中最具威胁的自然灾害之一。地下矿井一旦发生突水，将会对煤矿安全生产造成威胁，对煤矿经济造成重大损失，甚至直接造成人员伤亡。矿井突水水源有老空水、灰岩水、砂岩水及松散层水等水体，及时有效地识别矿井水源的变化可以为突水的判别和预测提供依据，是确保煤矿安全生产的关键技术。
目前，应用水化学特征分析进行矿井突水水源判别是应用最广、最经济、快速的方法，其研究基础主要包括：矿井含水层之间水化学特征存在的差异以及含水层组内水化学特征存在的共性。基于水化资料的矿井突水水源判别方法众多，包括水化学分类图解、多元统计分析、模糊评判和机器学习等。但是每种方法各有其自身的特点，同时人为确定水源样本的水源类型，存在一定的局限性，导致对突水水源的识别准确性不理想。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种矿井突水水源识别方法、装置与电子设备，用以打破现有突水水源识别方法的局限性，有效提高水源识别准确性。
第一方面，本发明实施例提供一种矿井突水水源识别方法，包括：
获取待识别矿井突水水样，并提取所述待识别矿井突水水样的给定化学组分作为判别指标；
基于所述判别指标，利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别；
其中，所述贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用所述有效水样样本进行训练建立而成的。
第二方面，本发明实施例提供一种矿井突水水源识别装置，包括：
参数提取模块，用于获取待识别矿井突水水样，并提取所述待识别矿井突水水样的给定化学组分作为判别指标；
水源识别输出模块，用于基于所述判别指标，利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别；
其中，所述贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用所述有效水样样本进行训练建立而成的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的矿井突水水源识别方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，所述计算机指令被计算机执行时，实现如上第一方面所述的矿井突水水源识别方法的步骤。
本发明实施例提供的矿井突水水源识别方法、装置与电子设备，通过事先对水源样本进行聚类分析，剔除不满足设定标准下的含水层异常水样点，能够使得据此训练出的贝叶斯逐步判别模型具有更高的可靠性，且通过结合对贝叶斯逐步判别模型的应用，能有效打破现有突水水源识别方法的局限性，提高水源识别准确性。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的矿井突水水源识别方法的流程示意图；
图2为本发明另一实施例提供的矿井突水水源识别方法的流程示意图；
图3为根据本发明实施例提供的矿井突水水源识别方法得到的奥灰水系统聚类分析结果示意图；
图4为根据本发明实施例提供的矿井突水水源识别方法得到的砂岩水系统聚类分析结果示意图；
图5为本发明实施例提供的矿井突水水源识别装置的结构示意图；
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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行清楚、完整地描述，显然，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明实施例针对现有技术对突水水源识别的准确性不高的问题，通过事先对水源样本进行聚类分析，剔除不满足设定标准下的含水层异常水样点，能够使得据此训练出的贝叶斯逐步判别模型具有更高的可靠性，且通过结合对贝叶斯逐步判别模型的应用，能有效打破现有突水水源识别方法的局限性，提高水源识别准确性。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。
图1为本发明一实施例提供的矿井突水水源识别方法的流程示意图，如图1所示，该方法包括：
S101，获取待识别矿井突水水样，并提取待识别矿井突水水样的给定化学组分作为判别指标。
可以理解为，对于待识别的矿井突水，本发明实施例首先对其进行水样采集，得到待识别矿井突水水样。之后对其各化学组分含量进行提取，该组分含量可用对应组分的浓度表示。其中可选的，给定化学组分具体包括：HCO3 -、CO3 2-、SO4 2-、Cl-、Na++K+、Ca2+以及Mg2+7种离子的浓度含量。则以这些化学组分的含量作为对待识别矿井突水的水源类型进行判别的判别指标。
S102，基于判别指标，利用预建立的贝叶斯逐步判别模型，识别待识别矿井突水水样的水源类别。其中，贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用有效水样样本进行训练建立而成的。
可以理解为，本发明实施例具体采用贝叶斯逐步判别模型进行待识别矿井突水的水源类型的判别。具体的，将提取的待识别矿井突水水样的判别指标输入到贝叶斯逐步判别模型，利用贝叶斯逐步判别模型进行内部分析运算，最终输出待识别矿井突水水样的水源类别，也即是待识别矿井突水的水源类别。
可以理解的是，在利用贝叶斯逐步判别模型进行待识别矿井突水的识别之前，预先要建立该贝叶斯逐步判别模型。在建立贝叶斯逐步判别模型的过程中，针对现有技术由于人为确定训练水源样本的水源类型引入的主观因素而导致的不准确问题，本发明实施例首先采用聚类算法对采集的水源样本进行聚类分析，以过滤掉各个水源类型的水源样本中水源类型判别不准确以及存在其他混入水源等的异常样本。经过滤后的样本即成为有效水样样本，利用该有效水样样本对预建立的模型进行训练完成后，即得到最终建立而成的贝叶斯逐步判别模型。
本发明实施例提供的矿井突水水源识别方法，通过事先对水源样本进行聚类分析，剔除不满足设定标准下的含水层异常水样点，能够使得据此训练出的贝叶斯逐步判别模型具有更高的可靠性，且通过结合对贝叶斯逐步判别模型的应用，能有效打破现有突水水源识别方法的局限性，提高水源识别准确性。
可以理解的是，在对模型进行应用之前，需要先对模型进行建立。因此在上述各实施例的基础上，在利用预建立的贝叶斯逐步判别模型，识别待识别矿井突水水样的水源类别的步骤之前，本发明实施例的方法还包括：获取已知水源类别的水样样本，并对已知水源类别的水样样本按照不同水源类别分别进行聚类分析，剔除不满足设定标准的异常水样样本，获取有效水样样本；提取有效水样样本的给定化学组分作为判别指标样本，并将有效水样样本对应的水源类别和判别指标样本对作为训练样本；初始化构建贝叶斯逐步判别模型，并利用训练样本对初始化的贝叶斯逐步判别模型进行训练，建立贝叶斯逐步判别模型，获取各水源类别分别对应的判别函数。
可以理解为，本实施例是对采用的贝叶斯逐步判别模型的预建立处理过程。首先对已知水源类别的突水进行样本采集，得到已知水源类别的水样样本，再针对各不同水源类别下的水样样本，分别采用聚类算法进行聚类分析，通过聚类分析剔除掉不满足相应水源类别的设定标准的样本，也即异常水样样本。经聚类分析剔除后得到的剩余样本即是有效水样样本。
之后，按照与上述各实施例相同的提取方式，从有效水样样本中提取与待识别矿井突水水样相同的给定化学组分，如HCO3 -、CO3 2-、SO4 2-、Cl-、Na++K+、Ca2+以及Mg2+7种离子的浓度含量，作为有效水样样本的判别指标样本。对于每一有效水样样本，将其对应的水源类别和判别指标样本一起，作为从该有效水样样本中提取的训练样本。
最后，根据实际应用需求，初始化构建贝叶斯逐步判别模型，并逐个利用上述提取的训练样本，对初始化的贝叶斯逐步判别模型进行循环训练，直到训练结果满足一定标准，训练完成即完成贝叶斯逐步判别模型的建立，其中包括对模型中各水源类别分别对应的判别函数的确定。
其中，根据上述各实施例可选的，利用预建立的贝叶斯逐步判别模型，识别待识别矿井突水水样的水源类别的步骤具体包括：将判别指标分别代入各水源类别对应的判别函数，计算各水源类别分别对应的判别函数值，并取判别函数值最大的判别函数所对应的水源类别，作为待识别矿井突水水样的水源类别。
可以理解为，在根据上述各实施例完成贝叶斯逐步判别模型建立的基础上，即确定了模型中各水源类别分别对应的判别函数。在利用模型进行水源类别识别时，只需将从待识别矿井突水水样中提取的判别指标分别带入到各不同水源类别分别对应的判别函数，分别计算得到各不同水源类别分别对应的判别函数值，再通过比较各不同水源类别分别对应的判别函数值的大小，选取出最大的判别函数值，并以该最大者的判别函数所对应的水源类别作为待识别矿井突水水样的水源类别，也即是待识别矿井突水的水源类别。
另外，在上述各实施例的基础上，在识别待识别矿井突水水样的水源类别的步骤之后，本发明实施例的方法还包括：基于有效水样样本和待识别矿井突水水样，利用贝叶斯逐步判别模型进行回归校验，获取各待识别矿井突水水样的后验概率；若待识别矿井突水水样的后验概率小于设定阈值，则利用预建立的灰色关联度模型，计算各水源类别分别对待识别矿井突水水样的补给率，并基于补给率，确定待识别矿井突水水样的最终关键水源类别。
可以理解为，根据经验，贝叶斯逐步判别模型的后验概率较低(如小于80％)，说明有第二个水源混入，因此可利用灰色关联度模型识别相关含水层对突水点的贡献，从而进一步识别待识别矿井突水水样的最终关键水源类别。
具体而言，首先根据上述各实施例中提取的有效水样样本和待识别矿井突水水样，得到各水样的判别指标，再将这些判别指标分别带入到贝叶斯逐步判别模型中各水源类别对应的判别函数进行回归校验，得到待识别矿井突水水样的后验概率。
之后，在得到待识别矿井突水水样的后验概率的基础上，将该后验概率与设定阈值进行比较。若后验概率小于设定阈值，说明待识别矿井突水中混入了其它水源。于是利用预先建立好的灰色关联度模型来计算各不同水源类别对待识别矿井突水水样的贡献度，也即计算补给率。最后通过比较不同水源类别对应的补给率，来确定待识别矿井突水水样的最终关键水源类别。
本发明实施例的矿井突水水源识别方法明显优于传统的单一模型技术，能较好地克服单模型评价中受个别样品影响大的缺陷。同时本发明实施例的建模方法更科学，能够比较全面地反应各评价因素的影响，评价结果更客观，且计算方便快捷，结果准确，适用性强，敏感度高，所建立的系统聚类逐步判别+灰色关联度突水水源综合判别模型具有一定的创新性及实用性。
其中，根据上述各实施例可选的，计算各水源类别分别对待识别矿井突水水样的补给率的步骤具体包括：以待识别矿井突水水样的给定化学组分作为参考序列，并针对各水源类别，分别计算水源类别下水样的给定化学组分的平均值，作为因素序列；分别对参考序列和因素序列进行均值化处理，并基于均值化处理的结果，依次计算各因素序列的绝对差序列以及因素序列的最大差和最小差；利用灰色关联度模型，基于绝对差序列以及最大差和最小差，依次计算各因素序列的关联系数序列及关联度，并基于关联度，计算各水源类别分别对应的补给率。
具体而言，首先将待识别矿井突水水样的判别指标，即给定化学组分作为参考序列，并将各不同水源类别的水源样本分别对应的平均判别指标作为因素序列。其中，各不同水源类别对应的因素序列的计算方式为：对于任一水源类别，将从该水源类别下各水源样本提取的相同给定化学组分求平均，得到该水源类别下的因素序列。
之后，将参考序列和各水源类别下的因素序列分别处以各自的均值，得到均值化处理的结果，并根据该均值化处理的结果，计算各因素序列的绝对差序列，再在此基础上，计算所有因素序列的最大差和最小差。
最后，基于各因素序列的绝对差序列以及所有因素序列的最大差和最小差，利用灰色关联度模型依次计算各因素序列的关联系数序列及关联度，再在此基础上，利用灰色关联度模型计算各水源类别分别对应的补给率。
其中可选的，计算各水源类别分别对应的补给率的步骤具体包括：
首先，以突水点的常规水化学指标测试值建立参考序列，即为x0，以m个突水水源(如奥灰水、砂岩水)建立因素序列，即为xi(i＝1，2，…，m)，则有：
x0＝{x0(1)，x0(2)，…，x0(m)}；
xi＝{xi(1)，xi(2)，…，xi(m)}，i＝1，2，…，m。
对上述参考序列和因素序列分别进行均值化计算处理得：
Figure BDA0002255677410000082
其次，曲线间的关联程度可用曲线间差值大小来衡量，参考序列和因素序列之间差的大小即为关联系数：
其中，Δi(k)＝|x0(k)-xi(k)|，为x0与xi在k点的绝对差，Δmin＝min{min|x0(k)-xi(k)|}和Δmax＝max{max|x0(k)-xi(k)|}分别为两级最小差和两级最大差，ρ为分辨系数，是0-1之间的任意自然数，一般取0.5。
将关联系数加权集中即可获取关联度，计算公式如下：
Figure BDA0002255677410000091
再次，根据如下补给率公式，计算补给率：
Figure BDA0002255677410000092
式中，zi表示第i个水源类别对应的补给率，γi表示第i个水源类别对应的关联度，m表示水源类别的总个数。
为进一步说明本发明实施例的技术方案，本发明实施例根据上述各实施例提供如下具体的处理流程，但不对本发明实施例的保护范围进行限制。
如图2所示，为本发明另一实施例提供的矿井突水水源识别方法的流程示意图，主要包括如下处理流程：
步骤1，获取目标煤矿已知的矿井水源样本数据。
采集某目标煤矿的31个水源样本，分别来自奥灰水、太灰水、砂岩水、孔隙水和地表水五个水源类型。之后分别提取每个水源样本中的HCO3 -、CO3 2-、SO4 2-、Cl-、Na++K+、Ca2+和Mg2+7种离子的浓度含量，作为判别指标样本。
步骤2，突水水样样本聚类分析。
针对上述五个水源类型的水源样本，分别应用SPSS19软件执行系统聚类分析，得到各水源类型的聚类结果。例如，分别得到奥灰水和砂岩水的聚类分析结果如图3和图4所示，其中图3为根据本发明实施例提供的矿井突水水源识别方法得到的奥灰水系统聚类分析结果示意图，图4为根据本发明实施例提供的矿井突水水源识别方法得到的砂岩水系统聚类分析结果示意图。再根据聚类结果排除不满足某一标准下的某一含水层异常水样点。
从图3可以看出，F08、F09和F10聚为一类，其他水样聚为一类，说明这三个水样水文地球化学特征与其他奥灰水水文地球化学特征有较大差异。假设规定类间欧氏距离不大于15作为聚类的设定标准，则从图4可以看出，P08与其他砂岩水样间欧式距离为25，因此将P08排除，选取剩下的砂岩水样参与逐步判别分析。
步骤3，贝叶斯判别模型构建与含水层逐步判别分析。
根据上述聚类分析的结果，在某煤矿主要突水水源的31个水样点中选取了26个水样，每个水样点包括上述7个水质常规指标。以1、2、3、4、5作分类变量，分别代表奥灰水、太灰水、砂岩水、孔隙水和地表水五个水源类型。将经过聚类分析的数据分为两部分，一部分作为模型训练样本，一部分作为测试样本，构建贝叶斯逐步判别模型，得到判别函数。如，应用SPSS软件执行贝叶斯逐步判别训练，得到贝叶斯逐步判别模型的各判别函数如下：
Y(1)＝-0.006[Cl]+0.038[HCO3]-0.048[Na+K]+0.080[Ca]-10.046 (1)
Y(2)＝-0.033[Cl]+0.012[HCO3]+0.052[Na+K]+0.011[Ca]-15.245 (2)
Y(3)＝0.061[Cl]+0.026[HCO3]+0.012[Na+K]-0.049[Ca]-12.222 (3)
Y(4)＝-0.002[Cl]+0.082[HCO3]-0.106[Na+K]+0.108[Ca]-29.660 (4)
Y(5)＝-0.010[Cl]-0.026[HCO3]+0.078[Na+K]-0.048[Ca]-10.370 (5)
之后，采用建立的矿井突水水源识别模型，对测试样本及未知水源进行检测。判别测试样本或未知样本的水源时，需将样本的Cl-、HCO3 -、Na++K+和Ca2+浓度(含量)带入判别函数(1)至(5)中，分别计算各水源类型对应的Y值。取最大Y值，将待测试或未知水源样本归入该Y值对应的水源类型即可。
本实施例中将三个突水点水样的Cl-、HCO3 -、Na++K+和Ca2+浓度带入上述5个判别函数中，计算得到Y(3)值最大，则说明待测试突水水源为砂岩水。
步骤4，判别效果检验。
在上述处理的基础上，还可将参加建立判别函数的水样和待检验水样分别带入判别函数进行回归检验，即可得到利用突水水源识别模型待判检验的正确率。
对各水源类别间的总体判别效果，可用马氏广义距离的F检验来衡量。公式如下：
Figure BDA0002255677410000111
式中，n1为第1类样品个数，n2为第2类样品个数，p为判别变量的个数，
Figure BDA0002255677410000116
为广义马氏距离，其值可表示为：
Figure BDA0002255677410000112
式中，S＝(Sij)p×p为变量间的协方差矩阵，
Figure BDA0002255677410000113
为第1类的子样均值向量，
Figure BDA0002255677410000114
为第2类的子样均值向量。
表1，根据本发明实施例的判别效果的F检验结果示例表
Figure BDA0002255677410000115
系统聚类逐步判别的结果可通过F检验和回归检验来衡量，其判别效果检验结果如下：对于多类判别的情况，可把两个类别两两配对，逐对计算F值，用以辨明各对的判别效果。当计算所得F值大于相应临界值时，两类间有显著差异，且F值越大差异越显著，判别效果越好。该煤矿任意两类水源间的F值用公式(6)计算，计算结果见表1，为根据本发明实施例的判别效果的F检验结果示例表。
由表1可见，在检验水平α＝0.05下F>Fα(4，18)，类间差异显著，说明选入Cl-、HCO3 -、Na++K+和Ca2+5个变量判别能力显著，效果较好，能有效地判别该煤矿5个主要突水水源。
在上述处理的基础上，进行回判检验。将26个参加建立判别函数的水样和8个待检验水样分别带入上述判别函数进行回归检验，回判结果见表2和3。其中，表2为根据本发明实施例的检验样品的判别结果示例表，表3为根据本发明实施例的水样回判检验结果示例表。
表2，根据本发明实施例的检验样品的判别结果示例表
Figure BDA0002255677410000121
表3，根据本发明实施例的水样回判检验结果示例表
Figure BDA0002255677410000122
从表2和3可以看出，上述34个水样中，零误判。利用判别函数回判的正确率为100％。由此可见，判别效果非常理想，可以利用判别函数对未知水样进行判别。
步骤5，灰色关联度模型计算含水层补给率。
经验表明，贝叶斯逐步判别模型后验概率较高(如大于设定阈值85％)，则可将该水样划入对应的类，后验概率较低(小于80％)，说明有第二个水源混入。因此可利用灰色关联度模型识别相关含水层对突水点的贡献。具体根据补给率公式(8)计算补给率：
Figure BDA0002255677410000141
式中，zi表示第i个水源类别对应的补给率，γi表示第i个水源类别对应的关联度，m表示水源类别的总个数。
由表2和3可见，上述34个水样中，只有C01的后验概率低于80％，则分别计算各个水源类型对该突水点的补给率。实际应用中，可以判断C01可能为太灰水和砂岩水共同补给。因此仅针对水样C01计算太灰水和砂岩水分别对C01的补给率。
将C01的水化学组成作为参考序列，并将太灰水和砂岩水的平均值作为因素序列，如表4所示，为根据本发明实施例的参考序列及因素序列示例一览表。
表4，根据本发明实施例的参考序列及因素序列示例一览表
将表4中每个序列除以各自的均值，并按上述公式分别计算绝对差和最大差、最小差，再计算关联系数序列和关联度，结果见表5，为根据本发明实施例的关联度计算结果示例一览表。
表5，根据本发明实施例的关联度计算结果示例一览表
Figure BDA0002255677410000151
由表5可见，γ4>γ3，说明待检测水样C01与太灰水的关联性强于砂岩水。进一步按式(8)分别计算太灰水和砂岩水对待检测水样C01的补给率，可得到太灰水的补给率为50.9％，砂岩水的补给率为49.1％。因此，太灰水对该水样的补给作用大于砂岩水，可确定待检测水样C01的最终关键水源类型为太灰水。
由上述突水水源综合判别模型的判别结果可见，本发明实施例的综合突水水源判别模型的精度大幅提高，且可拓展性较好。同时，能够综合利用单个判别模型的优点，为矿井防治水工作的开展提供一定的科学指导。
基于相同的发明构思，本发明实施例根据上述各实施例提供一种矿井突水水源识别装置，该装置用于在上述各实施例中实现矿井突水水源的识别。因此，在上述各实施例的矿井突水水源识别方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。
根据本发明实施例的一个实施例，矿井突水水源识别装置的结构如图5所示，为本发明实施例提供的矿井突水水源识别装置的结构示意图，该装置可以用于实现上述各方法实施例中矿井突水水源的识别，该装置包括：参数提取模块501和水源识别输出模块502。其中：
参数提取模块501用于获取待识别矿井突水水样，并提取待识别矿井突水水样的给定化学组分作为判别指标；水源识别输出模块502用于基于判别指标，利用预建立的贝叶斯逐步判别模型，识别待识别矿井突水水样的水源类别；其中，贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用有效水样样本进行训练建立而成的。
具体而言，对于待识别的矿井突水，参数提取模块501首先对其进行水样采集，得到待识别矿井突水水样。之后参数提取模块501对其各化学组分含量进行提取，该组分含量可用对应组分的浓度表示。其中可选的，给定化学组分具体包括：HCO3 -、CO3 2-、SO4 2-、Cl-、Na++K+、Ca2+以及Mg2+7种离子的浓度含量。则以这些化学组分的含量作为对待识别矿井突水的水源类型进行判别的判别指标。
之后，水源识别输出模块502具体采用贝叶斯逐步判别模型进行待识别矿井突水的水源类型的判别。具体的，水源识别输出模块502将提取的待识别矿井突水水样的判别指标输入到贝叶斯逐步判别模型，利用贝叶斯逐步判别模型进行内部分析运算，最终输出待识别矿井突水水样的水源类别，也即是待识别矿井突水的水源类别。
可以理解的是，本发明实施例的装置还需包括模型建立模块，以在利用贝叶斯逐步判别模型进行待识别矿井突水的识别之前，预先建立该贝叶斯逐步判别模型。在建立贝叶斯逐步判别模型的过程中，针对现有技术由于人为确定训练水源样本的水源类型引入的主观因素而导致的不准确问题，模型建立模块首先采用聚类算法对采集的水源样本进行聚类分析，以过滤掉各个水源类型的水源样本中水源类型判别不准确以及存在其他混入水源等的异常样本。经过滤后的样本即成为有效水样样本，利用该有效水样样本对预建立的模型进行训练完成后，即得到最终建立而成的贝叶斯逐步判别模型。
本发明实施例提供的矿井突水水源识别装置，通过设置相应的执行模块，事先对水源样本进行聚类分析，剔除不满足设定标准下的含水层异常水样点，能够使得据此训练出的贝叶斯逐步判别模型具有更高的可靠性，且通过结合对贝叶斯逐步判别模型的应用，能有效打破现有突水水源识别方法的局限性，提高水源识别准确性。
可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的矿井突水水源识别装置利用上述各程序模块，能够实现上述各方法实施例的矿井突水水源识别流程，在用于实现上述各方法实施例中矿井突水水源的识别时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。
作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时，实现如上述各实施例所述的矿井突水水源识别方法的步骤。
进一步的，本发明实施例的电子设备还可以包括通信接口和总线。参考图6，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器601、至少一个处理器602、通信接口603和总线604。
其中，存储器601、处理器602和通信接口603通过总线604完成相互间的通信，通信接口603用于该电子设备与矿井突水水样设备之间的信息传输；存储器601中存储有可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现如上述各实施例所述的矿井突水水源识别方法的步骤。
可以理解为，该电子设备中至少包含存储器601、处理器602、通信接口603和总线604，且存储器601、处理器602和通信接口603通过总线604形成相互间的通信连接，并可完成相互间的通信，如处理器602从存储器601中读取矿井突水水源识别方法的程序指令等。另外，通信接口603还可以实现该电子设备与矿井突水水样设备之间的通信连接，并可完成相互间信息传输，如通过通信接口603实现对矿井突水水样的获取等。
电子设备运行时，处理器602调用存储器601中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待识别矿井突水水样，并提取待识别矿井突水水样的给定化学组分作为判别指标；基于判别指标，利用预建立的贝叶斯逐步判别模型，识别待识别矿井突水水样的水源类别等。
上述的存储器601中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令被计算机执行时，实现如上述各实施例所述的矿井突水水源识别方法的步骤，例如包括：获取待识别矿井突水水样，并提取待识别矿井突水水样的给定化学组分作为判别指标；基于判别指标，利用预建立的贝叶斯逐步判别模型，识别待识别矿井突水水样的水源类别等。
本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的矿井突水水源识别方法的步骤，事先对水源样本进行聚类分析，剔除不满足设定标准下的含水层异常水样点，能够使得据此训练出的贝叶斯逐步判别模型具有更高的可靠性，且通过结合对贝叶斯逐步判别模型的应用，能有效打破现有突水水源识别方法的局限性，提高水源识别准确性。
可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

Claims (10)

1.一种矿井突水水源识别方法，其特征在于，包括：
获取待识别矿井突水水样，并提取所述待识别矿井突水水样的给定化学组分作为判别指标；
基于所述判别指标，利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别；
其中，所述贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用所述有效水样样本进行训练建立而成的。
2.根据权利要求1所述的矿井突水水源识别方法，其特征在于，在所述利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别的步骤之前，还包括：
获取所述已知水源类别的水样样本，并对所述已知水源类别的水样样本按照不同水源类别分别进行聚类分析，剔除不满足设定标准的异常水样样本，获取所述有效水样样本；
提取所述有效水样样本的给定化学组分作为判别指标样本，并将所述有效水样样本对应的水源类别和判别指标样本对作为训练样本；
初始化构建贝叶斯逐步判别模型，并利用所述训练样本对初始化的贝叶斯逐步判别模型进行训练，建立所述贝叶斯逐步判别模型，获取各水源类别分别对应的判别函数。
3.根据权利要求1或2所述的矿井突水水源识别方法，其特征在于，在所述识别所述待识别矿井突水水样的水源类别的步骤之后，还包括：
基于所述有效水样样本和所述待识别矿井突水水样，利用所述贝叶斯逐步判别模型进行回归校验，获取各所述待识别矿井突水水样的后验概率；
若所述待识别矿井突水水样的后验概率小于设定阈值，则利用预建立的灰色关联度模型，计算各水源类别分别对所述待识别矿井突水水样的补给率，并基于所述补给率，确定所述待识别矿井突水水样的最终关键水源类别。
4.根据权利要求2所述的矿井突水水源识别方法，其特征在于，所述利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别的步骤具体包括：
将所述判别指标分别代入各水源类别对应的判别函数，计算各水源类别分别对应的判别函数值，并取判别函数值最大的判别函数所对应的水源类别，作为所述待识别矿井突水水样的水源类别。
5.根据权利要求3所述的矿井突水水源识别方法，其特征在于，所述计算各水源类别分别对所述待识别矿井突水水样的补给率的步骤具体包括：
以所述待识别矿井突水水样的所述给定化学组分作为参考序列，并针对各水源类别，分别计算水源类别下水样的所述给定化学组分的平均值，作为因素序列；
分别对所述参考序列和所述因素序列进行均值化处理，并基于均值化处理的结果，依次计算各所述因素序列的绝对差序列以及所述因素序列的最大差和最小差；
利用所述灰色关联度模型，基于所述绝对差序列以及所述最大差和最小差，依次计算各所述因素序列的关联系数序列及关联度，并基于所述关联度，计算各水源类别分别对应的所述补给率。
6.根据权利要求5所述的矿井突水水源识别方法，其特征在于，所述计算各水源类别分别对应的所述补给率的步骤具体包括：
利用如下补给率公式，计算所述补给率：
Figure FDA0002255677400000021
式中，zi表示第i个水源类别对应的补给率，γi表示第i个水源类别对应的关联度，m表示水源类别的总个数。
7.根据权利要求1所述的矿井突水水源识别方法，其特征在于，所述给定化学组分具体包括：HCO3 -、CO3 2-、SO4 2-、Cl-、Na++K+、Ca2+以及Mg2+7种离子的浓度含量。
8.一种矿井突水水源识别装置，其特征在于，包括：
参数提取模块，用于获取待识别矿井突水水样，并提取所述待识别矿井突水水样的给定化学组分作为判别指标；
水源识别输出模块，用于基于所述判别指标，利用预建立的贝叶斯逐步判别模型，识别所述待识别矿井突水水样的水源类别；
其中，所述贝叶斯逐步判别模型为通过对已知水源类别的水样样本进行聚类分析获取有效水样样本，并利用所述有效水样样本进行训练建立而成的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的矿井突水水源识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被计算机执行时，实现如权利要求1至7中任一项所述的矿井突水水源识别方法的步骤。
CN201911052561.5A 2019-10-31 2019-10-31 矿井突水水源识别方法、装置与电子设备 Pending CN110852364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911052561.5A CN110852364A (zh) 2019-10-31 2019-10-31 矿井突水水源识别方法、装置与电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911052561.5A CN110852364A (zh) 2019-10-31 2019-10-31 矿井突水水源识别方法、装置与电子设备

Publications (1)

Publication Number Publication Date
CN110852364A true CN110852364A (zh) 2020-02-28

Family

ID=69599558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911052561.5A Pending CN110852364A (zh) 2019-10-31 2019-10-31 矿井突水水源识别方法、装置与电子设备

Country Status (1)

Country Link
CN (1) CN110852364A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562285A (zh) * 2020-06-03 2020-08-21 安徽大学 基于大数据与深度学习的矿井突水水源识别方法及其识别系统
CN112381117A (zh) * 2020-10-22 2021-02-19 合肥工业大学 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法
CN113361213A (zh) * 2021-06-08 2021-09-07 华北科技学院(中国煤矿安全技术培训中心) 一种基于水力学与水化学耦合的水源识别方法
CN113642230A (zh) * 2021-07-09 2021-11-12 上海市政工程设计研究总院（集团）有限公司 基于机器学习的多目标复杂排水系统可调堰智能操控方法
CN113917558A (zh) * 2021-08-23 2022-01-11 云南滇东雨汪能源有限公司 矿井水源快速判别方法、水文监测系统、设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597516A (zh) * 2015-01-19 2015-05-06 天地科技股份有限公司 一种矿井突水水源快速判别系统
CN109993459A (zh) * 2019-04-15 2019-07-09 安徽大学 一种复杂多含水层矿井突水水源识别方法
CN110261560A (zh) * 2019-07-05 2019-09-20 安徽大学 复杂水文地质矿井突水水源识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597516A (zh) * 2015-01-19 2015-05-06 天地科技股份有限公司 一种矿井突水水源快速判别系统
CN109993459A (zh) * 2019-04-15 2019-07-09 安徽大学 一种复杂多含水层矿井突水水源识别方法
CN110261560A (zh) * 2019-07-05 2019-09-20 安徽大学 复杂水文地质矿井突水水源识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘德民: "华北型煤田矿井突水机理及预警技术——以赵庄矿为例", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
桂和荣 等: "《矿区地下水水文地球化学演化与识别》", 31 January 2007 *
耿建军: "基于系统聚类分析的煤矿突水水源识别技术——以潞安矿区王庄煤矿为例", 《中国煤炭地质》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562285A (zh) * 2020-06-03 2020-08-21 安徽大学 基于大数据与深度学习的矿井突水水源识别方法及其识别系统
CN112381117A (zh) * 2020-10-22 2021-02-19 合肥工业大学 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法
CN112381117B (zh) * 2020-10-22 2023-10-17 合肥工业大学 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法
CN113361213A (zh) * 2021-06-08 2021-09-07 华北科技学院(中国煤矿安全技术培训中心) 一种基于水力学与水化学耦合的水源识别方法
CN113642230A (zh) * 2021-07-09 2021-11-12 上海市政工程设计研究总院（集团）有限公司 基于机器学习的多目标复杂排水系统可调堰智能操控方法
CN113642230B (zh) * 2021-07-09 2024-05-10 上海市政工程设计研究总院（集团）有限公司 基于机器学习的多目标复杂排水系统可调堰智能操控方法
CN113917558A (zh) * 2021-08-23 2022-01-11 云南滇东雨汪能源有限公司 矿井水源快速判别方法、水文监测系统、设备、存储介质

Similar Documents

Publication Publication Date Title
CN110852364A (zh) 矿井突水水源识别方法、装置与电子设备
CN109934269B (zh) 一种电磁信号的开集识别方法和装置
CN109993459B (zh) 一种复杂多含水层矿井突水水源识别方法
CN109002848B (zh) 一种基于特征映射神经网络的弱小目标检测方法
CN111343147B (zh) 一种基于深度学习的网络攻击检测装置及方法
CN111539450B (zh) 地震区滑坡易发性评价方法
CN103955714A (zh) 基于水军检测模型构建方法和系统及水军检测方法
CN113033665A (zh) 样本扩展方法、训练方法和系统、及样本学习系统
CN106529470A (zh) 一种基于多级深度卷积神经网络的手势识别方法
CN113838524B (zh) S-亚硝基化位点预测方法、模型训练方法及存储介质
CN115577357A (zh) 一种基于堆叠集成技术的Android恶意软件检测方法
CN117172430B (zh) 一种基于深度学习的水体环境评估与预测方法及系统
CN111105041B (zh) 一种用于智慧数据碰撞的机器学习方法及装置
CN115169504B (zh) 一种煤气精脱硫工艺中的设备异常识别方法
CN109886151B (zh) 一种虚假身份属性检测方法
CN111786999A (zh) 一种入侵行为的检测方法、装置、设备和存储介质
CN111209567B (zh) 提高检测模型鲁棒性的可知性判断方法及装置
CN112257763A (zh) 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法
CN114492830A (zh) 基于个体歧视实例对生成的深度学习模型去偏方法及其装置
CN113239075A (zh) 一种施工数据自检方法及系统
CN113361653A (zh) 基于数据样本增强的深度学习模型去偏方法和装置
CN113792141A (zh) 基于协方差度量因子的特征选择方法
CN113159448A (zh) 基于环保大数据的自动分析判别方法
CN114818883B (zh) 一种基于颜色特征最优组合的cart决策树火灾图像识别方法
CN115880537B (zh) 对抗样本图像质量评价方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228