底板突水災害大數據預測預警平臺

余國鋒，袁 亮,3，任 波，李連崇，程關文，韓云春，牟文強，王四戌，魏廷雙，鄭 群，馬濟國

(1.安徽理工大學 能源與安全學院，安徽 淮南 232000； 2. 煤炭開采國家工程技術研究院 深部煤炭開采與環境保護國家重點實驗室，安徽 淮南 232000；3.中國礦業大學(北京) 應急管理與安全工程學院，北京 100083；4. 東北大學 資源與土木工程學院，遼寧 沈陽 110819；5.淮河能源煤業分公司，安徽 淮南 232001)

我國是多煤少油的國家，煤炭在我國能源體系中一直占據主導地位。社會經濟的日益迅猛發展增大了對煤炭資源的需求，未來相當長的一段時間內其地位仍然不會發生變化[1-3]。隨淺部煤炭資源逐漸枯竭，礦井開采深度日益增大，生產安全問題一直制約煤礦發展，深部巖體的理論與現場預警技術是未來領域內的重要研究對象[4-6]。進入21世紀以來，隨著新理論和新技術的應用，煤礦生產過程中的安全事故已經顯著下降，傷亡人數也極大降低。這些數據顯現出科技發展在礦山安全生產具備廣泛的應用前景。但當前所面臨的煤礦安全問題仍然嚴峻，為實現礦山事故未來“零傷亡”和“零事故”，需要不斷更新設備、技術，以期更好的服務于礦井生產。

各個礦區的復合煤礦動力災害事故已經造成了嚴重的經濟和社會影響，原有的預測手段過多的依賴于人的主觀能動性，缺乏實時、及時的反饋，擺脫個體人思維的影響有利于實現礦井智能化安全生產，那么利用新型技術“智能化”“多源化”“大數據”是實現煤礦事故零死亡的重要手段。當前，煤礦智能化的開采已經逐漸應用于煤礦的生產中[7-9]。將物聯網、云計算等技術在煤礦領域應用[10]，實現大數據智能化的實時預警也將是保障煤礦安全的重要技術[11-14]。針對煤礦災害事故，應基于傳感器的物聯網采集災害前兆信息，與多網融合傳輸技術進行實時在線監測，采用多源前兆信息的方法智能判識、精準預警[15-16]。煤礦生產應逐步建立深部巖體監測預警的判識準則，并將水文等多源數據通過井上井下光纖監測網實現企業在線監測預警[17]。尤其是對深部巖體采動破壞的監測，傳統僅對地應力的監測是不可取的?，F有的微震監測技術已經逐漸應用到煤礦動力災害的監測預警中，微震監測已經廣泛引用于深部地壓災害的預防工作。通過建立煤巖動力災害的連續微震監測預警體系，可以實現從早期綜合分析預測到實時監測的目的[18]。微震聯合其他監測方法識別分析動力災害前兆信息而建立多元預警方法，取得了一定的效果[19-22]。而作為煤礦安全事故之一的突涌水事故，其實質是采動變形破壞和水文地質多重因素不斷孕育發展的最終宏觀表現。傳統以多源的水文相關數據為基礎構建的煤礦水文監測平臺可以實現一定的預警作用，但并不是面狀的，而是點狀的，不能滿足礦井的安全需求[23-25]。突水的預警應當著力于監測連續采動破壞、水文數據、涌水潛勢等方面于一體的監測預警技術體系[26]。左建平等[27]通過優化微震監測技術，實現在了煤礦底板水害監測預防，保障了煤礦企業的生產安全；盧新明等[12]通過優化部署和安裝各類傳感器，基于大數據、云計算和人工智能技術，建立了煤礦重大動力災害預警服務平臺。靳德武等[28-29]利用多頻連續電法充水水源監測與微震底板破壞帶監測相聯合的智能預警方法，實現了煤礦底板突水三維監測和智能預警體系。基于聯合水文監測、水源監測、微震底板破壞監測的綜合技術，將是受水害威脅的各個礦區的重要解決手段。

隨著淮南礦區開采的延深，部分礦井已陸續進入A組煤開采，正面臨嚴重的底板水害威脅。礦區井田內從下往上劃分為A，B，C，D，E五組26層煤。A組煤是淮南礦區最下面的一組可采煤層，累厚平均約7 m，儲量達17.5億t。A組煤比上部各組煤層的煤層更厚，煤質優，發熱量更高，接近25 115 kJ(6 000 kcal)；煤種更好，為1/3焦煤，可作為煉焦煤；淺部受風氧化影響，部分瓦斯已經釋放，瓦斯含量相對較低。A組煤被喻為淮南礦區的“新糧倉”。根據地質勘探，制約開采的最大因素由瓦斯轉變為底板灰巖水。1977年謝一礦33113A組煤工作面發生底板灰巖出水，造成延深水平和部分巷道被淹。引起礦區高度重視，開展了針對底板灰巖水文地質條件的勘探和灰巖水害防治技術方法的研究，確立了“因地制宜、疏水降壓、限壓開采、綜合治理”灰巖水害防治技術，指導了淮南老區A組煤的安全開采。但新區和老區的灰巖水文地質條件有顯著不同，誤揭陷落柱不僅有可能造成工作面被淹，甚至采區、水平均有可能被淹。陷落柱多是隱伏的，不易發現，當前隱伏陷落柱已經成為治理灰巖水的最大難題。2017年潘二礦井下12123工作面底板抽巷聯絡巷誤揭陷落柱再次引發涌水事故，造成部分巷道工作面被淹。因此，針對淮南礦區A組煤的底板灰巖水害防治，迫切需要智能化預警技術，借助大數據技術對水文監測、微震監測、防治水治理、防治水探測等信息進行采集和數據處理分析，通過大數據挖掘技術和機器學習智能方法，構建突水災害智能預測預警平臺，實現礦區突水災害智能預測預警。

1 工程概況

淮河能源集團(淮南礦業集團)張集煤礦于1996-07-01開工建設，2001-11-08建成投產，至今已有18 a的開采歷史，核定年生產能力1 240 萬t。張集礦井設計采用立井、集中大巷和主要石門，分區開拓、出煤、通風、建設。目前該礦開采A組煤，全區采用傾斜長壁和走向長壁相結合的方式，一次采全高綜合機械化采煤方法，頂板管理為全陷落法。該礦1612A工作面位于西三1煤上采區第2個塊段，為本采區第2個回采工作面。工作面北至1611A工作面；南部為1613A工作面；東起西風井1煤工廣煤柱線及采區系統巷道保護煤柱、西至礦井邊界F22斷層保護煤柱。工作面標高為-509.0～-575.2 m。工作面傾斜長度約200 m，工作面可推進長度約1 569 m，傾角9°，平均厚度7.2 m，密度 1.33 t/m3，可采儲量337.1萬t，沿1煤層頂板進行分層開采約5.5 m。采場內布置2條工作面巷道——軌道巷和運輸巷，同時在底板巖層內保留有1條底抽巷，在臨近1613A工作面傾向下端的底板巖層內存在有1條疏水巷：-600 m 疏水巷，采場的開采與地質條件如圖1所示(圖中a，b，c為通過三維地震探測的結果)。

依據采場掘進巷道的實際揭露資料，以及地面鉆探和三維地震資料綜合分析。工作面掘進范圍內煤巖層總體近似為一單斜構造；地層走向70°～130°，傾向160°～220°，傾角平均9°，在構造發育附近煤巖層產狀可能有一定變化。軌道巷、運輸巷揭露的斷層主要有鄰近巷道實際揭露的及三維地震解釋的斷層19條。在1612A工作面內未發現有陷落柱，但在臨近未采的1613A工作面的正下方探測到存在1個垂向的導水通道(疑似陷落柱)，采動期間可能會對其存在擾動。工作面回采中的主要充水性因素有1煤頂、底板的砂巖裂隙水和底板灰巖水。砂巖裂隙水是工作面的直接充水水源，由于裂隙發育程度的不均一性導致煤系地層的富水性差異。從抽水實驗資料分析，煤系砂巖裂隙水富水性弱，并以靜儲量為主，但在構造發育地帶可能會發生儲存水量突然潰出現象。工作面底板法距約18.3 m以下發育有太原組灰巖含水層(I組)，工作面掘進期間在斷層帶及裂隙發育處，可能溝通灰巖含水層，導致底板灰巖水大量涌出，威脅巷道安全，是工作面掘進期間重要充水性因素。在工作面底板法距約110 m以下為奧陶系承壓含水層，承壓水初始水壓力約為5.9 MPa。臨近的已回采工作面(1611A)過斷層期間在斷層帶附近上下盤頂板出現過滴淋水現象，最大水量8.5 m3/h，該區域斷層帶對頂板砂巖含水層有一定的導通性，同時過斷層期間可能導通底板灰巖含水層，存在斷層導水影響生產的可能性。

2 底板水害監測系統建設

2.1 水文監測系統

工作面回采過程中會產生應力擾動造成圍巖破斷，進而在煤層底板內形成“下三帶”底板導水破壞帶、有效隔水層保護帶和承壓水導升帶[30-31]。若采動底板的導水裂隙貫通隔水層連通了含水層，則會造成觀測孔內水位、水壓、水質、水溫等水文參數的波動變化?；趯Υ罅繗v史水文變化數據的認識，依據現有的地質水文參數的變化可對底板涌水進行預測。為此，依據地面鉆孔、工作面巷道和-600 m疏水巷在張集煤礦搭建了井上、井下水文監測物聯網平臺，實時監控水文變化。井上部分為地面水文長觀孔的水位、水溫監測，由KJ402-FA水文分站采集水壓、水溫和水質數據，通過GSM或GPRS網絡將數據傳送到監控主機，進行數據處理。工作面底板水壓、水溫和水質測點使用GPW10/100礦用本安型液位傳感器和進行數據采集傳輸，各監測點之間鋪設通信電纜連接。井下各監測分站可以通過礦用通信電纜接入KJ402-J數據傳輸接口將RS485信號轉換成RJ45接入交換機，通過井下光纖環網與地面監測主站進行數據通信，如圖2所示。

所建立的水文監測系統實時數據采集、數據傳輸、數據分析處理。在每個監測點有水文監測分站和傳感器采集水文數據信息。通過GSM或GPRS網絡將采集到的數據傳送到系統水文數據庫并進行匯總、統計。在監測主機查詢、分析、處理水文數據，各個終端可通過煤礦企業網實現水文數據的查詢與統計分析。

2.2 微震監測系統

目前，關于底板破壞深度現場監測方法無法實現在線連續觀測，鉆孔聲波測試法、震波 CT 成像技術、直流電阻率方法等在使用過程中所受的影響因素較多，因此準確性較差。鉆孔壓水試驗法和底板應變實測法為點監測手段，同時鉆孔壓水試驗法存在一定的危險性，而底板應變雖然與底板破壞具有一定關系，但2者之間關系并非十分明確，從而導致監測結果準確性較低。微震監測作為一種新興的工作面底板監測手段，根據以往的實際應用情況，可以作為有效的工作面底板破壞深度的確定方法[32-33]。其主要是在監測工作面內布置空間交錯的微震傳感器，然后利用檢波器獲取采動影響下的裂紋萌生、裂紋擴展、基質斷裂等破裂信號。根據每個傳感器所采集信號的時間差，基于最小二乘法、聯合反演法、慢度離差法等算法，在三維空間中實時反演確定巖體中微震事件發生的位置、能量、量級等參數，從而對巖體的變形活動范圍及其穩定性做出安全評價。工作面采動引起的底板巖層破壞、導水裂隙演化等，其實質是原有裂紋擴展、新裂隙生成等微破裂行為的宏觀表現，根據微震事件在空間內的聚類特性得到微破裂的成簇狀后的集中區域的深度即為底板破壞深度，則利用微震監測技術便可以實現對底板水的流動通道的實時監測得到，張集煤礦微震監測物聯網建設如圖3所示。

為避免以往利用工作面2條回采巷道造成信號垂向時間差較小，而導致震源定位誤差較大的問題。選用在垂向存在一定高差 (h) 的平行布置的軌道回采巷道、底抽巷內安設微震單分量傳感器，如圖3，4所示。而且底抽巷位于底板巖層內，可以更好的實現對工作面的監控。那么，工作面內所產生的破裂信號通過檢波器所接受，并轉化為電流信號，通過巷內布置的電纜傳輸至每條巷道內的采集分站，將電信號處理為數據信號，通過井上、井下的光纖環網傳輸到地面數據信號處理終端，從而可以獲得底板破壞數據信號。

圖4 巖體破裂信號定位Fig.4 Identification and location of rock fracture signal

對于破裂信號的震源定位，利用定位儀獲取各個傳感器的空間坐標(xi，yi，zi)，則每個傳感器會捕捉到破裂信號，系統運行中利用試驗炮獲得合理的P波傳播速度vp，基于Geiger 定位算法和傳感器接收信號參數通過迭代過程實現微震事件的定位。對于超過4個傳感器的微震監測系統，針對破裂點空間坐標則可建立以下的迭代方程[34]。

對于測定的破裂點坐標θ(x，y，z，t)，基于最小二乘法可產生修正量坐標參數Δθ(x，y，z，t)，2個坐標相加得到新的坐標值，然后判斷新的時空坐標是否滿足要求。如果滿足，則該時空坐標就是震源參數，如果不滿足，根據修正向量按定位算法繼續迭代而不斷修正直至滿足誤差要求。將所得到的微震監測數據在底板的分布和地質巖層結構，可以得到準確的工作面底板破壞信息，將計算得到的工作面底板破壞深度數據匯入底板水害預警平臺。

3 大數據預測預警平臺

3.1 基于神經網絡的預警模型

基于大量的參數數據，神經網絡與深度學習模型目前廣泛用于巖體破壞變形預警[35-37]。BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，其具有任意復雜的模式分類能力和優良的多維函數映射能力，解決了簡單感知器不能解決一些問題。從結構上講，該模式具有輸入層、隱藏層和輸出層，如圖5所示。從本質上講，BP算法就是以網絡誤差平方為目標函數、采用梯度下降法來計算目標函數的最小值。其雖然存在較多局部極小的情況下易陷入局部極小點、學習精度要求高的情況下學習速度較慢的不足，但是基于并行分布理論的BP算法實踐證明神經網絡運算能力很強，可以解決許多具體問題。改進后的BP算法對不同類型和規模的多個網絡用同樣的學習樣本集進行并行訓練，避免平坦區的產生，同時進行訓練,比較每次迭代后各個網絡的誤差,以誤差下降較快的網絡作為起始點進行下一次迭代，直到訓練結束。當某一個網絡進入平坦區時,由于其它網絡的學習速率不同,可使整個網絡自動快速地脫離平坦區若整個網絡同時進入平坦區,由于學習速率不同,大部分情況下也可使整個網絡快速脫離,但是當神經元的輸出值接近于或時,有可能導致權值基本不發生變化從而連續多次使整個網絡的誤差變化同時為0,這時可改變一次神經元的輸出,使下次迭代的權值發生變化。用獨立于學習集的驗證樣本集,也稱確認樣本集比較它們的泛化性能，從中選擇一個最好的?；舅枷胧窍蚣傧氲淖罴褏颠x拔，采用的方法簡單，充分利用計算過程的數據資料，以選擇較為“成熟”的學習方法，因此，基于煤礦突水所確立的評價因素利用神經網絡網絡模型，可以得到綜合的預警指標。

圖5 BP神經網絡模型Fig.5 Calculation model of BP neural network

礦井底板突水評價因素很多，考慮到因素指標本身的適應性、準確性、簡練性、可取性，主要選取了地質構造、水文地質條件、隔水層因素和開采條件等四大類主控因素。結合上述對各突水因素的分析，共確定了24個主控指標以及1個評判指標(涌水量)，來對礦井底板突水進行安全性評價。其中，導水構造發育程度、斷裂導水特性、含水層富水層、巖溶陷落柱、斷層、裂隙帶、水源以及水質7個評判指標的表達一般屬于定性描述，對其進行定量化處理。根據各個評價指標對底板突水的影響情況，以及定性與定量指標間的差別，對于只能定性描述的評價指標，采用了多相模糊統計方法來量化賦值，所得到的評價標準見表1。

為了有效預測工作面底板突水，降低災害損失，不僅要對突水的概率進行預測，還需對底板突水涌水量進行預測。神經網絡系統對底板突水涌水量有非線性預測效果，根據預警系統平臺搭建目的，搜集了潘西煤礦、袁店煤礦等45組全國煤礦底板涌水情況資料作為神經網絡預警系統的訓練樣本數據，對神經網絡預測預警系統進行了訓練學習。

3.2 預測預警平臺構架

監測預警平臺由以下幾大系統組件構成：微震監測系統、水文監測系統、大數據智能分析系統、三維可視化系統，系統由網絡集成技術和數據整合技術實現無縫連接，其最后整合的統一結果在突水預測預警分析中心集中顯示、分析，通過機器學習對工作面底板突水的危險性進行評價。形成微震數據和水文數據現場24 h連續采集、集中分析的網絡系統，建成以微震監測為主、水文監測分析為輔，融合現代監測技術、信息技術和分析技術于一體的煤礦底板突水監測、分析與預警平臺，該預警系統拓撲結構如圖6所示。

表1 主控指標

現場微震監測和水文監測是預警平臺的核心組成部分，其中微震監測系統主要功能是實現微震數據現場24 h連續采集(即：對開采過程中采場圍巖受應力擾動損傷、底板破壞、導水構造活化等過程中能量、時空位置信息的定位)。而水文監測系統主要功能是實現工作面底板水文數據實時監測(即：對開采過程中底板含水層的水壓、水質、水溫等信息的監測，水文監測系統每分鐘刷新一次監測結果記錄)。大數據智能分析計算中心是通過前期搜集的大量全國各地煤礦的工作面開采的歷史涌水資料數據，對已經搭建好的煤礦工作面底板突水災害大數據智能預測預警系統進行機器學習訓練，同時實現與微震數據的互饋分析，最終實現對工作面底板突水危險區域的初步標定，以及對底板發生突水的概率和涌水量進行預測預警。

預警系統主要由數據采集、管理配置、設備監測、中控大屏、多維分析和故障預警5個模塊組成。數據采集系統主要是采集并儲存微震監測系統和水文監測系統的監測數據。管理配置系統主要是對井下監測系統的硬件部分進行參數設置管理和嵌入底板突水預測預警的人工神經網絡算法。設備監測主要功能是在終端顯示監測設備的空間分布位置、展示監測歷史數據及對比信息等。中控大屏模塊則主要是連接張集煤礦安全監控大廳的顯示系統，將監測傳感器運行狀況和實時監測數據展示顯示在中控大屏幕上.多維分析主要作用是從系統本身穩定性、監測設備運行狀況、歷史預警情況等方面對系統的健康運行情況進行綜合分析。故障預警主要是對監測傳感器的歷史故障數據進行統計和分析。

基于神經網絡的煤礦工作面底板預測預警算法，所有的監測數據(包括地質信息、微震監測數據和水文監測數據)，都將傳送到該系統平臺內進行底板突水危險性評估與預警。同時所有預警分析結果皆會在監測屏幕上顯示(微震監測數據、水文監測數據、底板突水危險性預測結果)，最終基于此，技術分析人員對預警信息進一步進行危險性評估和確認，并第一時間形成書面說明意見，供管理人員的決策提供參考。因此，該預警分析中心是突水預警分析平臺的中樞、決策中心，該預警系統基本功能云平臺構架如圖7所示。整個系統的硬件部分采用磁盤為1 T的SAS 7200RPM、64G內存、8核CPU、CentOS 6.7操作系統的8臺服務器組成；軟件部分采用標準的Web技術開發，用戶所有操作均通過瀏覽器完成，支持多種主流瀏覽器，包括：Internet Explorer(IE)9.0及以上各個版本、Firefox(火狐)瀏覽器、Chrome瀏覽器等。系統建立在成熟的基礎架構平臺上，完全基于SOA架構，各個軟件模塊彼此獨立、松散耦合，通過消息總線和服務總線進行交互，建立起開放的可擴展平臺。預警模型將根據接收的監測數據進行大數據智能計算分析，對底板突水危險性進行預測評估。

圖6 張集煤礦底板突水大數據智能預警系統結構Fig.6 Structure of early warning intelligent system using big data for floor water inrush in Zhangji Mine

圖7 預警系統云平臺構架Fig.7 Architecture of early warning system cloud platform

如圖8所示，中控大屏監控所有已部署的傳感器的運行信息、不同區域傳感器的健康對比信息、傳感器的健康趨勢、區域設備故障趨勢以及1612A工作面底板突水災害危險性實時預警信息等。系統會自動根據百度地圖和GPS傳感器位置顯示水文監測傳感器的工作信息，展示相關水文監測傳感器監控數據曲線變化情況。包括水溫時間曲線、水壓時間曲線、濁度時間曲線、電導率時間曲線、pH時間曲線以及水文預警信息等。微震事件位置和危險預警異常區的三維顯示，可以在立體空間中展示每個微震事件的空間位置、能量大小以及底板系統預警預產期的區域，同時可以提供微震事件的能量時間曲線、橫縱波能量比曲線等實時監測數據，預警信息及相關事件的監控曲線。該模塊還可以依據時間維度查詢所有的監控參數的變化信息，自定義事件范圍來查看相關數據。

圖8 大數據智能計算控制平臺Fig.8 Control platform of big data intelligent computing

4 預測預警應用

4.1 預警模型訓練學習與驗證

基于全國公開的礦井生產資料，利用所獲取的全國45組數據參數對所構建的神經網絡預警模型進行了訓練學習，預測各個礦井的突水預警值和誤差，與實際值進行對比而不斷修正，實現了良好的預測性，對地質構造類指標采用邏輯型數據描述(即有為1，無為0)，則不同工況和開采條件下的數據實現統一性而訓練的模型與1612A工作面實現結合。同時，以搜集獲取的淮南、淮北煤田等典型5組煤礦底板涌水資料對模型進行了驗證檢驗。通過訓練后的預警系統取得了較為滿意預測結果，5組礦井工作面的預測結果見表2。根據礦井涌水量多少劃定突水概率可以看出，突水概率預測的準確度要高于突水量預測的準確度，突水概率預測的準確度已經基本滿足預測要求，而突水涌水量預測的準確度雖然有較大提高，但仍然不很理想，原因在于礦井底板突水涌水量的影響因素更為復雜，礦井底板突水涌水量的預測問題仍需進一步研究。從表2案例驗證預測結果和誤差分析還可以看出，工作面底板突水概率預測誤差均在30%以內，已經遠低于大部分其他預測方法，這說明神經網絡預測系統具有良好的煤礦工作面底板突水幾率預測能力，這進一步驗證該煤礦底板突水災害大數據智能預測預警系統的優勢所在。

4.2 預測預警

4.2.1水文監測預測預警

基于張集煤礦針對1612A工作面所構建的水文物聯網，監測獲取了自工作面回采初始直至11月份的水文信息：壓力、溫度、濁度以及水酸堿度，如圖9所示。測定工作面沖水水源為砂巖裂隙水、灰巖水，無奧灰水特性。水壓值保持穩定且低于0.6 MPa，其中C3測孔10，11月份監測的水壓有增長趨勢，但均在小范圍內浮動。水溫隨時間呈現規律性變化，測溫孔監測最低溫度出現在4月份，最高溫度出現在8月份，溫度變化范圍保持一致，測溫孔最低測溫為26.3 ℃，最高測溫為30.5 ℃。濁度基本保持不變，但L7-9測孔的監測值明顯大于L4-1測孔的監測值；酸堿度隨季節呈現規律性變化，變化趨勢基本一致，監測值先增大后減小，pH值最大可達到6.2，最小為5.9。通過將水文數據信息匯入預警系統內進行預測計算，對危險狀態進行及時自動報警。

表2 案例驗證預測結果

4.2.2微震監測預測預警

從2019-03-20—2019-11-16，微震監測系統共監測到有效微震事件5 993個微震事件，其中底板微震事件417個，如圖10(a)，(b)所示。微震事件主要集中分布靠近工作面的采動影響域和斷層附近的構造影響域，在平面上呈橢圓分布與傳統的“O”形圈一致，在剖面上呈倒梯形分布。微震事件的矩震級分布有2個峰值：矩震級的第1個峰值出現在震級-3.4～-3.0震級內，矩震級的第2個峰值出現在-2.3～-1.9震級內，如圖10(c)所示。微震事件的產生與巖體的破壞存在密切關系，從這個角度來看，底板微震事件的空間分布與破壞層位、底板巖層分布存在一定關系，因此將微震事件特性與地質層位分布相關聯而獲取底板破壞深度是合理的。微震事件預測得到底板在每個月內的底板破壞深度，如圖10(d)所示，每月的底板破壞深度約為18.5，19.0，17.5，18.5，19.0，20.0和17.5 m。通過將微震監測數據匯入預警系統內進行底板破壞深度預測計算，當破壞深度呈現Ⅱ組灰巖水向Ⅲ組灰巖水深度延伸趨勢時進行預警(約為50 m)。同時由于工作面底板太灰含水層富水性一般，同時工作面采前進行了底板疏水降壓工作，發生一組灰巖水災害可能性小，預警中主要考慮因底板形成有效導水通道發生在太原組Ⅲ組灰巖及奧灰含水層突水事故。同時破壞深度作為一個評判參數進入綜合預警模型中進行預警分析。

圖9 水文監測數據信息Fig.9 Data information of hydrological monitoring

圖10 微震監測頂底板破壞數據信息Fig.10 Data information of microseismic monitoring for roof and floor damage

4.2.3涌水和突水預測

根據張集煤礦1612A工作面地質調查資料以及相關監測數據，將1612A工作面的地質構造情況、底板含水層、隔水層、巖性組合和開采條件等指標參數根據模型要求進行數據換算，由于1612A工作面在實際的模型訓練和學習中，剩余項參數基本無變化，故在預測系統中分別采用統一系統默認固定值，而1612A工作面實際開采中并未發生突水事故，將所有數據按照月份統計形式展示，見表3，實際應用中由預警平臺實現24 h實時監測效果。將張集煤礦1612A對應的主控指標輸入大數據智能系統進行分析計算，得到的預測結果見表4。從預警平臺計算結果分析，可知預測結果都較接近實際情況，誤差均在可接受范圍，尤其預測結果比較理想。在1612A工作面的回采時間內，大數據云平臺中控系統僅在9月份發現了微震監測底板破壞深度增大的預警信息，結合長期水文變化及實地勘測，發現未引發底板水的變化。由于1612A工作面底板在開采前進行過注漿處理，底板涌水孔水壓均較低，底板的有效隔水層較厚(均超過90 m)，而在回采構造發育和煤層較薄區域時，工作面推進速度有所減緩，所以引起的底板破壞普遍較低，未導通其他充水水源，工作面未受底板含水層的影響而實現了安全回采。

表3 張集煤礦1612A工作面數據信息

表4 張集煤礦1612A工作面底板涌水和突水預測

5 結 論

(1)為解決淮南礦區開采A組煤所遇到的技術瓶頸，以張集煤礦1612A工作面開采A組煤為背景，考慮其生產地質條件，搭建了水文監測與微震監測物聯網平臺，通過光纖環網實時監測工作面的水壓、水質、水溫等水文信息以及預測回采過程中的底板破壞深度，并將所監測得到的多源數據進行匯總，確定了底板水害預測的24個主控指標以及評判指標。

(2)將神經網絡模型嵌入系統搭建了大數據智能分析平臺，建立了基于微震監測系統、水文監測系統、三維可視化系統的云平臺，由網絡集成技術和數據整合技術實現無縫連接，其最后整合的統一結果在突水預測預警分析中心集中顯示、分析，通過深度學習對工作面底板突水的危險性進行評價。

(3)對基于神經網絡模型所建立的煤礦底板突水災害大數據智能動態預警方法，經過多組礦井驗證后獲得較理想的預警效果，對于煤礦底板突水概率的預測性具有良好的穩定性。張集煤礦應用底板水害監測預警大數據云平臺，依賴于中控大屏監控采場、設備等運行，將實時監測數據對1612A工作面的回采安全性進行了預測：工作面發生突水災害的概率較小，監測期內未發生預警信息，實現了正?；夭缮a。