基于BP神經網絡預測袁店一礦101、102采區10煤層底板突水量

王騰輝　王來斌　王健　孟令普

【摘 要】運用用突水系數法進行突水危險性預測，再通過分析工作面的水壓、含水層、隔水層厚度（底板巖層厚度）、底板采動破壞深度、斷層落差（對完整底板而言斷層落差取零）作為預測底板突水的控制參數建立BP神經網絡模型進行底板突水量預測，以達到安全開采該采區 10 煤層的目的。

【關鍵詞】突水系數法；BP神經網絡；底板突水量

0 前言

中國主要煤炭生產基地的華北型煤田大部分分布在巖溶地區，由于巖溶礦區水文地質的極其復雜，在帶壓采煤活動的影響下使得其賦存的巖溶水具有強烈的隨機性，煤層頂底板突水為其主要水害問題。淮北煤田作為典型的華北型煤田，水文地質條件復雜，隨著開采深度、速度以及規模的增加，煤礦安全開采普遍受到太灰水和奧灰水的嚴重威脅，也曾發生多次底板突水事故。煤層底板突水的準確預報預測是保障煤層開采的關鍵，底板突水的預報預測是一個涉及到水文地質、工程地質、開采條件和巖石力學等諸多因素的復雜問題[2-3]。本文結合袁店一礦101、102采區的實際條件，運用用突水系數法[1-4]進行突水危險性預測，再通過建立BP神經網絡模型進行底板圖水量預測，以達到安全開采該采區 10 煤層的目的。

1 采區概況

袁店井田位于安徽省濉溪縣與渦陽縣的交界處，東距宿州市約50km ，面 積 約37.22km2。袁店煤礦太原群灰巖含水層為10煤底板直接充水含水層，該含水層厚度大，水量豐富，水壓高，若與礦井形成直接溝通，后果將會很嚴重。文中收集袁店一礦102采區10煤93個鉆孔資料的數據，剔除受斷層影響的37個，受巖漿巖影響間距增厚3個以及8個鉆孔為太灰露頭孔。選取其中45個符合要求的數據。

2 底板突水危險性預測

底板突水的準確預測預報是保障承壓水上安全開采的關鍵，10煤層底板突水與否，主要取決于太灰水頭壓力、底板隔水層性質（巖性、厚度、力學性質、水理性質）以及底板受構造和煤層開采時擾動破壞程度等因素。10煤層是袁店煤礦的主采煤層，其承壓水上開采的成功與否直接關系的整個煤礦的開采安全，意義重大。本文結合袁店煤礦實際條件，運用突水系數法進行突水危險性預測。

突水系數是指單位厚度所能承受的水壓值，表達式為T =P/M 式中，P ——作用于底板的水壓，MPa；M ——底板厚度，m。用突水系數評價底板穩定性的關鍵在于確定臨界突水系數 Ts，即當TTS說明底板不穩定，發生突水的可能性較大。對礦區大量突水資料分析得出臨界突水系數TS值見表1[5]。

表1 底板突水系數表

10煤層底板突水與否，主要取決于太灰水頭壓力、底板隔水層性質（巖性、厚度、力學性質、水理性質）以及底板受構造和煤層開采時擾動破壞程度等因素。采用公式T=P/M及P=（H-h）×0.0098（MPa）估算了袁店一井煤礦部分鉆孔的太灰突水系數。式中T-突水系數（MP/m）、P-灰巖水頭壓力（MPa），M-10煤層底板至太原組一灰間距（m），H-太灰水位標高（m），h-開采水平（m）。據04-06、06-26孔抽水試驗袁店一井煤礦平均靜止水位標高+18.869m，一水平10煤開采水平為-250～-748m。突水系數T=0.0098×（18.869+h）/M，利用該公式估算袁店一井煤礦太灰突水系數。

取表 1中的臨界突水系數最小值 0.06 作為臨界突水系數，與之比較袁店一井煤礦太灰突水系數的計算結果，可以看出不同水平不同隔水層厚度，突水系數之間差異比較大。袁店一井煤礦10煤開采突水系數除04-41、04-50、06-5三孔外，其余各孔均超過0.07 MPa/m ，其中59個鉆孔的突水系數大于0.10 MPa/m，尤其是13-1、15-1、21-2、04-47、04-49、04-51、04-60、04-63、04-66、04-69、04-78、04-79、04-91、06-13、06-28等孔10煤底板受五溝—楊柳斷層、袁店斷層、F1、F4、F6、DF10、EF35斷層影響，突水系數更大。04-49、04-58、04-75、06-17孔10煤甚至與太灰“對口”接觸。因此，袁店一井煤礦10煤層開采要采取嚴格的灰巖水防治措施。

3 底板突水量預測

3.1 BP神經網絡簡介

圖1 煤層底板突水量模型結構圖

BP 模型是目前研究最多、應用最廣泛的神經網絡模型。其結構如圖1所示，BP 網絡有輸入層、隱含層和輸出層。基本思想是梯度下降法，采用梯度搜索技術，達到實際輸出值與期望輸出值的誤差均方差為最小[7]。影響底板突水的因素較多，通過對大量底板突水案例的統計分析，主要影響因素有以下5個：水壓、含水層、隔水層厚度（底板巖層厚度）、底板采動破壞深度、斷層落差（對完整底板而言斷層落差取零）作為預測底板突水的控制參數，即網絡的輸入。網絡的輸出即為底板突水量。BP 神經網絡的訓練過程包括前向計算和誤差反向傳播 2個過程：（1）正向傳播，在正向的傳播過程中，輸入信息從輸入層經過隱含層逐層處理，傳向輸出層，每層神經元的狀態只影響下一個神經元的狀態；（2）反向傳播，輸出結果達不到預期值時，將轉至反向傳播，將誤差值按連接通路反向計算，利用梯度下降法調整各層神經元的權值，使輸出結果達到預期值。

按煤科總院西安分院王夢玉等人的劃分方案，將底板突水量分為 4 個等級（見表 2），由網絡輸出突水量的情況可預測突水等級的大小。參數取值的原則是能完全定量的用定量數據表示，不能定量的用二值模式表示。定性因素取值原則如表2所示。

表2 變量定義

3.2 學習樣本的確定

從大量的煤層底板突水案例[8]中選取13個典型的采煤工作面底板突水資料，從中選10個作為學習樣本，如表3。

表3 學習和檢驗樣本

圖 2 底板突水量預測模型訓練過程圖

根據表 3，建立 BP 網絡，其中輸入層節點 5 個，輸出層節點為 1 個，隱含層取15 個節點。網絡訓練采用 Levenberg-Marquartdt 反向傳播算法對網絡進行訓練（trainlm函數）。訓練前，把訓練樣本和檢驗樣本用 matlab 中的 premnmx 函數做歸一化處理，然后用樣本訓練該 BP 網絡，迭代 8 次后，達到要求精度，底板突水量預測模型訓練過程見圖 2，表 4 為用訓練好的網絡對檢驗樣本進行預測的結果。由表5可知，預測突水量相對誤差最大為 10.1%，最小為 4.6%，預測突水量等級完全與實際符合，說明灰色BP神經網絡模型的計算結果更為接近實際，精度高，誤差小，可用訓練好的神經網絡模型進行底板突水量的預測。

3.3 預測計算結果

本次預測分別以101采區1011工作面102采區的1023工作面為例，1011工作面各參數指標見表5：輸入水壓、含水層、隔水層厚度、采動底板破壞速度，斷層落差，輸出結果為：

表5 1011、1023工作面參數指標

4 結論

（1）袁店一井10煤開采突水系數較大 ，袁店一井10煤層開采均要采取嚴格的灰巖水防治措施。

（2）通過運用BP神經網絡預測煤層底板最大突水量，袁店一井10煤開采1011、1023工作面有突水危險，尤其是1023工作面一旦發生突水，其突水等級較大。

【參考文獻】

[1]尹會永.翟鎮煤礦下組煤開采底板突水危險性評價[J].中國礦業，2009（18）：97-99.

[2]李忠建.運用突水系數法和模糊聚類法綜合評價煤層底板突水危險性[J].礦業安全與環保，2010（37）：24-26.

[3]高延法.底板突水危險性評價專家系統及應用研究[J].巖石力學與工程學報，2009，28（2）：253-258.

[4]白喜慶.新驛煤田奧灰頂部相對隔水性及底板突水危險性評價[J].巖石力學與工程學報，2009（28）：273-280.

[5]施龍青.底板突水研究綜述[J].山東科技大學學報，2009.

[6]高延法，施龍青，婁華君，等.底板突水規律與突水優勢面[M].中國礦業大學出版社，1999.

[7]馬玉姣，程根銀，趙東云.神經網絡技術在煤層瓦斯含量預測中的應用[J].煤炭工程，2010（1）：117-119.

[8]陜西省煤炭廳、開灤礦務局、焦作礦務局等.國家工業性試驗項目：華北型煤田奧灰巖溶水綜合防治工業性試驗，礦區試驗點研究成果報告[R].1991.

[責任編輯：楊玉潔]