CN111967742A - 一种矿井突水水源级次快速判别技术方法 - Google Patents

一种矿井突水水源级次快速判别技术方法 Download PDF

Info

Publication number
CN111967742A
CN111967742A CN202010774889.4A CN202010774889A CN111967742A CN 111967742 A CN111967742 A CN 111967742A CN 202010774889 A CN202010774889 A CN 202010774889A CN 111967742 A CN111967742 A CN 111967742A
Authority
CN
China
Prior art keywords
water
source
data
sample
inrush
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.)
Granted
Application number
CN202010774889.4A
Other languages
English (en)
Other versions
CN111967742B (zh
Inventor
董东林
季媛
林刚
陈致远
曹成龙
殷艺桐
李祥
张嘉伦
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202010774889.4A priority Critical patent/CN111967742B/zh
Publication of CN111967742A publication Critical patent/CN111967742A/zh
Application granted granted Critical
Publication of CN111967742B publication Critical patent/CN111967742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biomedical Technology (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种矿井突水水源级次快速判别技术方法，包括利用平时矿井生产工作中及时观测到并整理收集的各含水层以及影响矿区的地表水的水位数据、水温数据、水样的水化学数据和水样的谱线数据，利用关系型数据库(基于access、python等)构建水源标准数据库，为快速准确判别突水点提供基础资料；与此同时，发明将传统的水位判别法、水温判别法、基于水样水化学数据特征的判别法和基于水样谱线数据特征的判别法复合为一个矿井突水水源级次快速判别技术方法，使得复杂多样的矿山地质环境下的矿井突水水源判别方便快捷，增加矿井突水水源综合判别结果的可信度，降低矿井突水水源综合判别过程的出错率，从而得到更精确的矿井突水水源综合判别结果。

Description

一种矿井突水水源级次快速判别技术方法
技术领域
本发明涉及突水水源判别领域，特别涉及一种矿井突水水源级次快速判别技术方法。
背景技术
随着煤矿开采深度的增加和开采规模的扩大，出现了多种威胁煤矿安全生产的灾害，其中煤矿突水已成为深度开采的一大灾害。尤其是近几年，矿井突水事故频繁发生，给煤矿开采人员的生命带来了危害，也对煤矿经济造成重大的损失。因此，矿井突水水源的研究对于突水预测与防治、开采方法的改进，安全度评价具有重大的理论意义。
在矿井生产中，对矿井含水层疏水的过程中，一个含水层水位发生变化会影响与其相互联系的其他含水层水位同时发生变化；在赋层条件和循环环境的影响中，地下水的温度往往呈现出不均一性和变化性；根据地下水在形成过程中，由于受到含水层的沉积期、地层岩性、建造和地化环境等诸多因素的影响，使储存在不同含水层中的地下水主要化学成分和吸光度均有差异。因此，提出根据矿区水位、水温、水样水化学、水样谱线资料，建立水源标准数据库。
由于单一技术手段识别突水水源误差大、对于突水水源复杂问题识别不准，急需突破现有突水水源识别中单独通过水化学识别的技术体系。通过分析突水水源水动力场、温度场、水化学场和突水点分光光度特征数据收集整合，结合水化学特征值分级技术，提出新的综合性涌(突)水水源判别模型建设的理论与方法，重构水源判别模型建立的技术流程。
发明内容
鉴于上述问题，本发明的目的是提供一种可以按级次、实时、实地、快速、准确地判别矿井突水水源的技术方法。
本发明提供了一种矿用突水水源分级快速识别方法，包括：
收集矿区水样，并对水样进行常规水化学测试和分光光度测试，作为建立水源标准数据库的建库指标；
根据矿区水位、水温、水样水化学、水样谱线资料，建立水源标准数据库；
以水位-水温-水化学和谱线的优先级次识别水源，确定未知水源类型。
上述的水源的化学特征，是指水源水样所属煤矿的地下常规水的水化学特征(包括离子浓度和PH 值)。
上述的水样谱线，是指突水点水源水样通过分光光度计测试出来的自定义波长范围所对应的吸光度数据。
根据未知水源类型精准确定突水水源识别方法。
上述的确定突水水源判别方法的步骤是：以水位观测变化情况为第一优先级判别突水水源。对于水量较大的突水，在较短的时间内，一般便会形成降落漏斗，如果有各含水层的观测孔在降落漏斗的影响半径内，即一旦发现长观孔、突水点附近探放水钻孔放水量以及地表水相应水位下降，在排除其他排水因素影响(如抽排水试验)等情况，突水水源即为此含水层。对于水量较小的突水，可能无法观测到水位明显变动；或者突水点附近无观测孔；以及观测孔有水位下降，但同时也有其他抽排水因素影响(如抽排水试验)等情况，则无法利用水位来判定突水水源。判识结束。
进一步的，如果水位法无法判断突水水源，以水温变化为第二优先级判别突水水源。突水水温最接近含水地层的真实温度，建立地温方程，一旦突水点的实测温度与含水层计算温度相似，突水水源即为此含水层，判识结束。
再进一步的，如果水位法水温法无法判断突水水源，以水样水化学特征为第三优先级进行突水水源判别。即通过对突水点水样进行常规水化学测试，获取pH值、水化学特征离子浓度含量(Na+K+、 Ca2+、Mg2+、Fe2+、Fe3+、Al3+、NH4 +、Cl-、SO4 2-、HCO3 -、CO3 2-、NO2 -、NO3 -)等，结合已经过矿区数据样本库各含水层水样样本水化学离子特征数据训练的广义回归神经网络进行判识突水来源。同时，以水样谱线特征为第三优先级，即通过突水点水样使用分光光度计进行吸光度测试，获取各水样对应的自定义波长范围的吸光度特征数据，绘制横纵坐标为波长-吸光度的图像，对突水水样进行谱线特征分析。结合已经过矿区数据样本库各含水层水样样本谱线特征数据，欧式距离为理论支撑来判别突水水源。对比基于水样水化学特征和基于水样谱线特征的判别结果，确定突水点，判识结束。
最后所述的级次判别技术包括矿区水位法、水温法、水样水化学离子特征结合广义回归神经网络模型识别突水水源和基于水样的谱线数据特征以欧式距离为理论支撑的方法来识别突水水源。
与现有突水水源识别技术相比，本发明的优点和有益效果是：可根据建立的精准水源样品数据库，可以快速精准的判别简单、中等、复杂、极复杂等不同矿井水文地质类型状况下的突水点，实现了实时、实地、快速、方便、准确地识别待测水样的类型包含单因素突水水源和混合水突水水源，选择更实用的突水水源判别方法进行快速、准确的判别突水点；避免矿井水害的发生，减少煤矿工作人员的负担，避免了煤矿水害带来的人员伤亡和煤矿危险事故的发生。
附图说明
图1为本发明方法的概括框图；
图2为本发明一种矿井突水水源分级快速判别技术方法流程图；
图3为本发明的数据库管理系统矿区水位数据管理界面；
图4为本发明的数据库管理系统矿区水温数据管理界面；
图5为本发明的数据库管理系统水样水化学数据管理界面；
图6为本发明的数据库管理系统水样谱线数据管理界面；
图7为本发明[0015]中提到的广义回归神经网络(GRNN)的概述图。
具体实施方式
下面结合附图详细阐述本发明的技术方案。
附图1，图示了本发明的一种矿井突水水源快速判别技术方法的概括框图，其方法包括：
S01，根据日常矿井生产工作中收集到的含水层以及影响矿区的地表水的水位变化值资料，利用关系型数据库(基于access、python等)构建水位水源标准数据库。在已构建水位水源标准数据库的矿区，需定时定期补充更新数据，以保证数据准确性和实时性。水位数据包含实测数据和在线自动检测数据，数据库管理系统矿区水位数据管理界面参照图3。
S02，根据日常矿井生产工作中收集到的含水层以及影响矿区的地表水的水温变化值资料，利用关系型数据库(基于access、python等)构建水温水源标准数据库。在已构建水温水源标准数据库的矿区，需定时定期补充更新数据，以保证数据准确性和实时性。水温数据包含实测数据和在线自动检测数据，数据库管理系统矿区水温数据管理界面参照图4。
S03，根据取自地面水文长观孔、井下放水孔或者井下出水点和地表水的水样，对水样进行常规水化学测试，获取水化学特征离子浓度。常见的水化学离子为Na+K+、Ca2+、Mg2 +、Fe2+、Fe3+、Al3+、 NH4 +、Cl-、SO4 2-、HCO3 -、CO3 2-、NO2 -、NO3 -等，利用关系型数据库(基于access、python等)构建水质水源标准数据库。在已构建水样水化学标准数据库的矿区，需定时定期补充更新数据，以保证数据准确性和实时性。水化学数据包含历史台账数据和实测数据，数据库管理系统水样水化学数据管理界面参照图5。
S04，根据取自地面水文长观孔、井下放水孔或者井下出水点和地表水的水样，使用分光光度计对水样进行吸光度测试，获取各水样对应的自定义波长范围的吸光度数据，利用关系型数据库(基于 access、python等)构建谱线水源标准数据库。在已构建水样谱线标准数据库的矿区，需定时定期补充更新数据，以保证数据准确性和实时性。谱线数据为分光光度计实测数据，数据库管理系统水样谱线数据管理界面参照图6。
S05，根据在日常矿井生产工作中收集整理的矿区水位数据、水温数据、水样水化学特征离子数据和水样谱线数据等资料，利用关系型数据库(基于access、python等)构建的水源标准数据库，为快速准确判别水源提供基础资料。数据库管理系统包括区域分析(东北赋煤区、西北赋煤区、华北赋煤区、华南赋煤区、滇藏赋煤区)、水位数据、水温数据、水化学数据、谱线数据等模块。在已构建水源标准数据库的矿区，需定时定期补充更新数据，以保证数据准确性和实时性。
S06，级次判别，迅速高效的确定判别方法。级次判别技术是：指方法和来源，在技术流程上进行级次判别。根据建立的水源标准数据库，系统地整理各项检测资料，以水位-水温-水化学或谱线的优先级次识别水源，确定未知水源类型。根据未知突水水源类型从水源标准数据库确定参数，再进一步确定判别方法。所述的分级判别技术包括水位法、水温法、以广义回归神经网络模型识别突水水源法等。
S07，以收集到的矿区水位、水温、水样水化学、水样谱线资料构建的标准数据库为数据支撑，根据分级判别快速高效的选择判别突水来源方法，精准的确定突水来源。
下面结合附图2详细阐述一下本发明一种矿井突水水源快速判别技术方法的具体判别技术方法。
附图2，是本发明实施例的一种矿井突水水源快速判别技术方法流程图，其具体的识别步骤包括：
S11，根据矿区水位变化资料，建立水位水源标准数据库，详细介绍参照[0026]。
S12，根据矿区水温变化资料，建立水温水源标准数据库，详细介绍参照[0027]。
S13，根据矿区水样水化学特征离子变化资料，建立水样水化学特征离子标准数据库，详细介绍参照[0028]。
S14，根据矿区水样谱线变化资料，建立水样谱线标准数据库，详细介绍参照[0029]。
S15，根据矿区资料，建立水源标准数据库，详细介绍参照[0030]。
S16，以水位变化为第一优先级进行突水水源判识。详细参照[0013]。如果由于水位资料不全、地质条件复杂等其他因素无法依据水位法判别突水水源，则选用S17判别方法。
S17以水温变化为第二优先级进行突水水源判识。详细参照[0014]。如果由于水温资料不全、地质条件复杂等其他因素无法依据水温法判别突水点，则选用S18判别方法。
S18以水样水化学特征离子结合广义回归神经网络模型为第三优先级进行突水水源判识。详细参照[0015]。
S19以水样谱线特征结合欧式距离理论方法为第三优先级进行突水水源判识。详细参照[0015]。
S20验证对比基于水样水化学特征和基于水样谱线特征的判别结果。详细参照[0015]。
S21同S07，以收集到的矿区水位、水温、水质资料构建的标准数据库为数据支撑，根据分级判别快速高效的选择判别突水来源方法，精准的确定突水来源。同[0032]。
具体实施方式
S18中构建的广义回归神经网络模型是：
广义回归神经网络为基于非线性回归理论的前馈式神经网络模型，它不需迭代，直接利用观测样本计算回归值，最终收敛于样本聚集最多的优化回归面，因此在学习速率、稳定性与逼近能力等方面的性能优于BPNN。广义回归神经网络(GRNN)的概述图参照图7，它是四层结构，分别为输入层、模式层、求和层和输出层。
根据所收集到的水样水化学资料数据，各个训练样品因素包括pH值、Na+K+、Ca2+、Mg2+、Fe2+、 Fe3+、Al3+、NH4 +、Cl-、SO4 2-、HCO3 -、CO3 2-、NO2 -、NO3 -等14种因子(可自定义)，以各数据建立各个样品输入向量：
Figure RE-GDA0002724840810000031
n为输入训练样品的数目,m为选用的因子数目。
输入层神经元的数目等于学习样本中输入向量的维数n，对输入训练集数据不进行任何计算处理，只负责将数据传递给模式层。
模式层神经元数目等于学习样本的数目n，每个模式层神经元对应训练集中的一个训练数据样本，并使用非线性的传递函数处理从输入层传输的数据。传递函数为高斯核函数：
Figure RE-GDA0002724840810000032
其中，X表示网络输入向量，Xi表示第i个模式层神经元的高斯核函数中心，б表示高斯核函数的平滑因子。
求和层使用求和方式处理由模式层的计算结果，该层存在两种求和模式的神经元。第一种求取所有模式层神经元的输出进行算术求和SD：
Figure RE-GDA0002724840810000041
第二种求取所有模式层神经元输出进行加权和SNj，yij表示模式层种第i个神经元与求和层中第j个神经元之间的连接权值：
Figure RE-GDA0002724840810000042
输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，第j 个输出层神经元将估算输出向量的第j个元素yj：
Figure RE-GDA0002724840810000043
GRNN的非线性映射能力取决于各模式层神经元的核函数中心Xi与平滑因子б，各个模式层神经元的核函数中心Xi由输入数据决定,б的优化值通过交叉验证的方法取得，从而规避了平滑参数因子靠人为主观经验、手动设置的问题。
运用广义回归神经网络模型进行突水水源判识具体步骤：
确定水化学样本集/谱线数据样本集和测试数据集；
对输入样本数据进行预处理，将数据按比例缩放至一个小的特定区间，即数据的标准化。将数据转化为无量纲的纯数值，不仅可以消除单位对数据影响和限制，而且便于不同单位或量级的数据能够进行比较和加权。其中最典型的就是数据的归一化处理，本专利选用的是min-max标准化数据处理。转换函数如下：
Figure RE-GDA0002724840810000044
其中max为样本数据的最大值，min为样本数据的最小值；
对样本数据进行交叉训练，输出当前样本下GRNN最优光滑因子б；
以最优光滑因子б建立GRNN模型并进行时序分类，得到分类类别；
预测数据反归一化，进行GRNN网络性能评估，并存储数据。
得出测试数据的类别，从而确定突水点。
下面举例说明本发明的具体突水水源分级判别方法
参考样本
训练样本：水化学数据(水化学离子meq/L)：
Figure RE-GDA0002724840810000045
Figure RE-GDA0002724840810000051
其中，n(输入训练样品的数目)＝10(X1…X10)；
m(选用的因子个数)＝14；
k(学习样本输出维数)＝4。
测试样本为X11、X12：
Figure RE-GDA0002724840810000052
将测试样本X11、X12作为输入数据输入已知道的训练样本训练好的广义回归神经网络判别模型中，
进行训练得到输出结果。
水样判识结果：
编号 实际含水层种类 判识类型 识别结果
11 Ⅰ Ⅰ 正确
12 Ⅲ Ⅲ 正确
S19中的欧式距离理论方法是：
欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离：
Figure RE-GDA0002724840810000053
三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离：
Figure RE-GDA0002724840810000054
两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离：
Figure RE-GDA0002724840810000055
也可以用表示成向量运算的形式：
使用分光光度计对水样进行吸光度测试，获取各水样对应的自定义波长范围的吸光度数据，以水样谱线特征结合欧式距离理论方法(采用[0073])来进行突水水源判识。
训练样本：谱线数据(波长范围190nm-1100nm)
Figure RE-GDA0002724840810000057
Figure RE-GDA0002724840810000061
其中，训练样本为X1-X10；
横坐标为测试的波长范围；
纵坐标为水样的吸光度；
测试样本为X11、X12：
11 1.5863 1.7374 1.8026 1.7233 1.5629 1.2997 1.0882 0.9097 0.7576 … -0.0125 Ⅲ
12 1.7007 1.8351 1.8412 1.6956 1.4984 1.2073 0.9895 0.8088 0.6588 … -0.0088 混合
绘制水样的波长-吸光度光谱图，横坐标为测试的波长范围：190nm-1100nm。发现各个水样的吸光度在波长190nm-250nm的范围内有明显变化区别，在250nm-1100nm的波长范围内趋于稳定。因此截取波长范围在190nm-250nm为横坐标进行分析。
绘制水样的波长-吸光度光谱图，横坐标为测试的波长范围：190nm-250nm。光谱图可直观的得出测试样本X11与样本X6、X7趋势相似，因此判定测试样本X11与训练样本X6、X7为同一含水层水样；测试样本X12介于训练样本X1-X2中间，初步估计测试样本X12为训练样本X1-X2的混合水；
结合水样光谱吸光度数据，采用[0074]所示的公式得：d12＝0.413，估测测试样本X12为样本X1-X2
的混合比为4：6的混合水；
水样谱线判识结果：
编号 实际含水层种类 判识类型 识别结果
11 Ⅲ Ⅲ 正确
12 Ⅰ-Ⅱ混合比4：6 Ⅰ-Ⅱ混合比4：6 正确
对比验证基于水样水化学特征和基于水样谱线特征的判别结果，确定突水点。
基于突水水样水化学特征结合广义回归神经网络判别模型，和基于突水水样谱线特征结合欧式距离理论方法，均可独立判别突水水源，确定突水点。
尽管已经足够详细的描述了本方法，申请人不希望以任何方式将权利要求书的范围限制在这种细节上。对于本领域技术人员来说另外的优势和改进是显而易见的。因此，在较宽范围的本发明不限于表示和描述的特定细节、方法和具体步骤。因此，可以偏离这些细节而不脱离申请人总的发明概念的精神和范围。

Claims (9)

1.一种矿井突水水源分级快速判别技术方法，其特征在于，其识别步骤包括：根据矿区变化的水位数据、水温数据、水样水化学数据、水样谱线数据等资料，建立水源标准数据库；按级次判别，迅速高效的确定判别方法，从而快速精准的确定突水来源。
2.根据权利要求1所述的方法，其特征在于，所述的矿区资料，是指根据日常矿井生产工作中及时观测到的各含水层以及影响矿区的地表水的水位和水温的变化值,作为建立水源标准数据库的建库指标。
3.根据权利要求1所述的方法，其特征在于，所述的矿区水样水化学数据资料，是指取自地面水文长观孔、井下放水孔或者井下出水点和地表水的水样，并对水样进行常规水化学测试，获取pH值、水化学特征离子浓度含量(Na+K+、Ca2+、Mg2+、Fe2+、Fe3+、Al3+、NH4+、Cl-、SO42-、HCO3-、CO32-、NO2-、NO3-)等，作为建立水源标准数据库的建库指标。
4.根据权利要求1所述的方法，其特征在于，所述的矿区水样谱线数据资料，是指取自地面水文长观孔、井下放水孔或者井下出水点和地表水的水样，使用分光光度计对水样进行吸光度测试，获取各水样对应的自定义波长范围的吸光度数据，作为建立水源标准数据库的建库指标。
5.根据权利要求1所述的方法，其特征在于，所述的矿井水源标准数据库是：根据日常矿井生产工作中收集到的水位数据、水温数据、水样水化学数据、水样谱线数据等资料利用关系型数据库(基于access、SQL-server、python等多种数据库)构建。水源标准数据库应体现不同的沉积环境和水害分区特征，构建含有含水层特征离子的数据库。
6.根据权利要求1所述的方法，其特征在于，所述的按级次判别技术是指方法和来源，在技术流程上进行分级判别。所述的分级判别技术包括基于矿区水位资料进行判别突水水源的水位法，基于矿区水温资料进行判别突水水源的水温法，基于水样的水化学pH、离子浓度含量(Na+K+、Ca2+、Mg2+、Fe2+、Fe3+、Al3+、NH4+、Cl-、SO42-、HCO3-、CO32-、NO2-、NO3-)等特征以广义回归神经网络模型，以及基于水样的谱线数据特征以欧式距离为理论支撑的方法来识别突水水源法。
7.根据权利要求5所述的方法，其特征在于，水源标准数据库选取参数后，需进一步确定判别方法，其步骤是：
以水位变化为第一优先级，即一旦发现长观孔、突水点附近探放水钻孔放水量以及地表水相应水位下降，突水水源即为此含水层，判识结束。
以水温变化为第二优先级，建立地温方程，一旦突水点的实测温度与含水层计算温度相似，突水水源即为此含水层，判识结束。
以水化学特征为第三优先级，即通过水位水温未能准确判别出突水水源时，对突水水样进行水化学特征分析，结合广义回归神经网络判别模型判别突水来源。同时，以水样谱线特征为第三优先级，对突水水样进行谱线特征分析，结合欧式距离为理论支撑来判别突水水源。对比基于水样水化学特征和基于水样谱线特征的判别结果，确定突水点，判识结束。
8.根据权利要求7所述的方法，其特征在于，第三优先级判别法，在水样数据条件艰难或者样本测试仪器不顺利的情况下，可在基于突水水样水化学特征分析和基于突水水样谱线特征分析俩种方法中选择一种进行判别突水来源。
9.根据权利要求7所述的方法，其特征在于，所述的按级次判别步骤，可以快速精准的判别简单、中等、复杂、极复杂等不同矿井水文地质类型状况下的突水点，包含单因素突水水源和混合水突水水源的预判。
CN202010774889.4A 2020-08-05 2020-08-05 一种矿井突水水源级次快速判别技术方法 Active CN111967742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010774889.4A CN111967742B (zh) 2020-08-05 2020-08-05 一种矿井突水水源级次快速判别技术方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010774889.4A CN111967742B (zh) 2020-08-05 2020-08-05 一种矿井突水水源级次快速判别技术方法

Publications (2)

Publication Number Publication Date
CN111967742A true CN111967742A (zh) 2020-11-20
CN111967742B CN111967742B (zh) 2024-01-23

Family

ID=73364344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010774889.4A Active CN111967742B (zh) 2020-08-05 2020-08-05 一种矿井突水水源级次快速判别技术方法

Country Status (1)

Country Link
CN (1) CN111967742B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997006418A1 (en) * 1995-08-07 1997-02-20 Boehringer Mannheim Corporation Biological fluid analysis using distance outlier detection
CN103592420A (zh) * 2013-11-15 2014-02-19 武汉长盛煤安科技有限公司 矿井突水水源综合快速判识设备及方法
CN103617147A (zh) * 2013-11-27 2014-03-05 中国地质大学（武汉） 一种矿井突水水源层识别方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997006418A1 (en) * 1995-08-07 1997-02-20 Boehringer Mannheim Corporation Biological fluid analysis using distance outlier detection
CN103592420A (zh) * 2013-11-15 2014-02-19 武汉长盛煤安科技有限公司 矿井突水水源综合快速判识设备及方法
CN103617147A (zh) * 2013-11-27 2014-03-05 中国地质大学（武汉） 一种矿井突水水源层识别方法
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN111967742B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Machiwal et al. A review of GIS-integrated statistical techniques for groundwater quality evaluation and protection
Steinhorst et al. Discrimination of groundwater sources using cluster analysis, MANOVA, canonical analysis and discriminant analysis
Sinclair A fundamental approach to threshold estimation in exploration geochemistry: probability plots revisited
CN105760673B (zh) 一种河流相储层地震敏感参数模板分析方法
CN110060173B (zh) 一种深部金矿床成矿找矿方法
CN112785450B (zh) 一种土壤环境质量分区方法及系统
CN106547973B (zh) 一种稠油油藏注蒸汽过程汽窜通道的定量描述方法
CN108733632B (zh) 一种中低渗高含水油藏重复压裂选井评价方法
CN104807589B (zh) 一种集输－立管系统内气液两相流流型的在线识别方法
Adel et al. Geochemical behavior investigation based on k-means and artificial neural network prediction for titanium and zinc, Kivi region, Iran
CN112213797A (zh) 一种利用测井相联合叠后地震属性预测储层产能的方法
CN105572747A (zh) 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法
CN116522250A (zh) 基于多种算法的矿床类型预测方法及系统
CN111967742B (zh) 一种矿井突水水源级次快速判别技术方法
CN111523796A (zh) 非煤隧道有害气体危害评价方法
Alvarez‐Guerra et al. A chemometric approach to the environmental problem of predicting toxicity in contaminated sediments
Licen et al. Self-organizing map algorithm for assessing spatial and temporal patterns of pollutants in environmental compartments: A review
Akinyokun et al. Well log interpretation model for the determination of lithology and fluid
Nashawi et al. Improved electrofacies characterization and permeability predictions in sandstone reservoirs using a data mining and expert system approach
Moradpouri A copper porphyry promising zones mapping based on the exploratory data, multivariate geochemical analysis and GIS integration
US9121256B2 (en) Method of constructing a flow model associated with capillary pressure curves and/or relative permeability curves
Abedini et al. Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation
CN109887552A (zh) 一种突水水源判别预测方法
US20240060419A1 (en) Method and system for automated rock recognition
CN104699977B (zh) 利用轻重矿物定量分析物源的方法

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
GR01 Patent grant
GR01 Patent grant