基于改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)的礦井突水水源識(shí)別模型研究

劉偉韜， 李蓓蓓， 杜衍輝， 韓夢(mèng)珂， 趙吉園

（1.山東科技大學(xué) 礦山災(zāi)害預(yù)防控制省部共建國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，山東 青島 266590；2.山東科技大學(xué) 安全與環(huán)境工程學(xué)院，山東 青島 266590）

0 引言

突水事故作為煤礦常見(jiàn)的五大災(zāi)害之一，對(duì)煤礦的影響是多方面的。據(jù)不完全統(tǒng)計(jì)，過(guò)去20 a間我國(guó)共發(fā)生煤礦水害事故1 206起，其中較大的事故有103起[1]。突水事故一旦發(fā)生，會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡。快速精準(zhǔn)地識(shí)別突水水源是水害治理工作的關(guān)鍵，對(duì)煤礦安全生產(chǎn)有著至關(guān)重要的意義。

目前，有關(guān)地下水水化學(xué)特征及成因的研究主要是利用水樣數(shù)據(jù)，借助圖示法進(jìn)行可視化分析，進(jìn)而判斷礦井水的來(lái)源。王昱同等[2]以淺埋煤層的礦井水為研究對(duì)象，通過(guò)Piper三線圖、離子比例系數(shù)法等對(duì)礦井水的水化學(xué)特征進(jìn)行研究，運(yùn)用聚類分析、主成分分析（Principal Component Analysis，PCA）與貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）判別模型綜合分析礦井水的補(bǔ)給來(lái)源。范立民等[3]以榆神府礦區(qū)的潛水含水層和承壓含水層為研究對(duì)象，利用常規(guī)離子濃度分析、三線圖、Gibbs圖和Person相關(guān)系數(shù)等數(shù)理統(tǒng)計(jì)方法分析了礦井地下水水化學(xué)特征的形成機(jī)理，以此探討了含水層中各離子的主要來(lái)源。水化學(xué)特征分析方法對(duì)礦井地下水的來(lái)源分析有著重要意義，但由于地下水類型的復(fù)雜性，通過(guò)常規(guī)的水化學(xué)特征分析方法難以精準(zhǔn)確定其來(lái)源。

機(jī)器學(xué)習(xí)為礦井突水水源的識(shí)別提供了新的思路，早期水源識(shí)別方法多集中于單一模型的構(gòu)建，如Fisher判別模型、BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)（Extreme Learning Machine, ELM）、支持向量機(jī)（Support Vector Machine, SVM）等[4-5]。但由于地下水系統(tǒng)的復(fù)雜性，含水層化學(xué)成分隨時(shí)間、空間變化，單一的判別方法往往會(huì)出現(xiàn)較大誤差。邵良杉等[6]采用改進(jìn)鯨魚(yú)優(yōu)化算法（Improved Whale Optimization Algorithm，IWOA）優(yōu)化混合核極限學(xué)習(xí)機(jī)（Hybrid Knenel Extreme Learning Machine，HKELM），并構(gòu)建了水源識(shí)別模型，驗(yàn)證了該模型的計(jì)算精度和穩(wěn)定性，在礦井上得到應(yīng)用。秋興國(guó)等[7]構(gòu)建了PCA結(jié)合確定性分層跳躍循環(huán)網(wǎng)絡(luò)（Cycle Reservoir with Hierarchical Jumps，CRHJ）識(shí)別模型，實(shí)現(xiàn)了對(duì)多元時(shí)間突水序列數(shù)據(jù)的識(shí)別。Li Xiang等[8]針對(duì)深部采煤環(huán)境下多水源含水層混合水樣，建立了基于遺傳算法（Genetic Algorithm，GA）和極端梯度提升（eXtreme Gradient Boosting，XGBoost）的礦井水源識(shí)別模型，準(zhǔn)確率達(dá)94%，為華北地區(qū)類似礦井的水害防治提供了技術(shù)參考。段李宏等[9]利用傳統(tǒng)的Fisher判別模型對(duì)煤層底板突水水源進(jìn)行預(yù)測(cè)，模型準(zhǔn)確率達(dá)93%以上。施龍青等[10]建立了基于T-球型模糊聚集算子法、粗糙集理論、D-S證據(jù)理論與單指標(biāo)未知測(cè)度函數(shù)的突水水源混合比例計(jì)算模型，并應(yīng)用三維高密度電法探測(cè)驗(yàn)證了模型的準(zhǔn)確性，研究方法不僅克服了傳統(tǒng)Piper三線圖的缺點(diǎn)，同時(shí)揭示了黃土梁峁地貌的水化學(xué)演化規(guī)律。尹會(huì)永等[11]利用麻雀搜索算法（Sparrow Search Algorithm，SSA）結(jié)合GA對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)重和閾值進(jìn)行2次尋優(yōu)，構(gòu)建了SSA-GA-BP神經(jīng)網(wǎng)絡(luò)礦井底板突水預(yù)測(cè)模型，確定了礦區(qū)具有突水危險(xiǎn)性的樣本點(diǎn)，提高了預(yù)測(cè)精度。黃敏等[12]利用PCA結(jié)合混沌麻雀搜索算法優(yōu)化隨機(jī)森林（Random Forest，RF）模型，建立了礦井突水水源識(shí)別模型，減少了原始數(shù)據(jù)的冗余，提高了識(shí)別準(zhǔn)確率。現(xiàn)有識(shí)別模型彌補(bǔ)了水化學(xué)特征分析方法的不足，從尋優(yōu)算法結(jié)合機(jī)器學(xué)習(xí)入手，解決了單一模型準(zhǔn)確率較低的問(wèn)題。但突水水樣數(shù)據(jù)具有隨機(jī)性且尋優(yōu)算法易陷入局部最優(yōu)，需進(jìn)一步研究如何提高模型泛化能力和跳出局部最優(yōu)。

針對(duì)上述問(wèn)題，本文提出了一種基于改進(jìn)的SSABP神經(jīng)網(wǎng)絡(luò)的礦井突水水源識(shí)別模型，充分利用BP神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)上的較強(qiáng)自學(xué)習(xí)、自適應(yīng)能力及SSA優(yōu)勢(shì)，將混沌映射和隨機(jī)游走策略應(yīng)用于模型之中，分別在初始種群和最優(yōu)個(gè)體上提高算法跳出局部最優(yōu)的能力，提高突水水源識(shí)別模型的泛化能力、適用性與準(zhǔn)確率。

1 研究區(qū)概況

山東濟(jì)礦魯能煤電股份有限公司陽(yáng)城煤礦位于山東省濟(jì)寧市汶上縣境內(nèi)，梁山煤田的東部，礦區(qū)內(nèi)地勢(shì)平坦，地層走向以東北方向?yàn)橹鳌＞锸軜?gòu)造活動(dòng)的影響，褶皺和斷裂的分布具有復(fù)雜性和多樣性[13]。井田含煤地層為石炭系上統(tǒng)太原組、二疊系下統(tǒng)山西組。井田地層系統(tǒng)由老至新分別為奧陶系、石炭系、二疊系和第四系。井田內(nèi)主要含水層有第四系砂礫層孔隙（第四系）含水層、山西組砂巖（山西組）含水層、太原組灰?guī)r（包含三灰和十下灰）含水層、奧陶系灰?guī)r（奧灰）含水層，其分布如圖1所示。其中，第四系上組含水層具有中等富水性，下組含水層富水性弱；山西組砂巖含水層富水性弱；三灰含水層富水性中等且含水性不均；奧灰含水層富水性較強(qiáng)。本次共收集陽(yáng)城煤礦水樣數(shù)據(jù)68組，其中奧灰含水層水樣13組，三灰含水層水樣21組，山西組含水層水樣11組，第四系含水層水樣18組，采煤工作面礦井水水樣5組。

圖1 研究區(qū)主要含水層Fig.1 Main aquifers in the study area

2 水化學(xué)特征分析

2.1 常規(guī)離子濃度分析

采用最大值、最小值、平均值、標(biāo)準(zhǔn)差及變異系數(shù)作為評(píng)價(jià)指標(biāo)，對(duì)研究區(qū)各含水層水樣及礦井水水樣進(jìn)行評(píng)價(jià)，結(jié)果見(jiàn)表1，其中標(biāo)準(zhǔn)差、變異系數(shù)、pH無(wú)單位。可看出除第四系含水層外，研究區(qū)地下水的水化學(xué)特征表現(xiàn)為陽(yáng)離子以Na++K+為主，陰離子以Cl-為主，奧灰含水層SO24-含量較其他含水層高，這是奧灰含水層區(qū)別于其他含水層的重要特征；三灰含水層中各離子濃度特征與山西組含水層相似；礦井水中主要離子濃度與奧灰含水層差別不大，說(shuō)明礦井水的主要來(lái)源可能為奧灰含水層。從地下水的變異系數(shù)來(lái)看，三灰含水層中SO24-離子變異系數(shù)為1.27，該離子在三灰含水層中表現(xiàn)極不穩(wěn)定；第四系含水層各離子變異系數(shù)相差不大，但呈現(xiàn)出較強(qiáng)的空間變異特性，這是因?yàn)樵摵畬訛闇\層含水層，易受到降雨等其他外界條件的影響。整體而言，研究區(qū)水質(zhì)呈弱堿性，礦化度（Total Dissolved Solid，TDS）整體不高，總硬度（Total Hardness，TH）隨含水層深度增加有減小的趨勢(shì)。

2.2 水化學(xué)類型分析

Piper三線圖常被用于地下水水質(zhì)分析，該圖由2個(gè)三角形和1個(gè)菱形組成，通過(guò)繪制樣本的水化學(xué)數(shù)據(jù)，可直觀地了解水樣中各種離子的相對(duì)含量和化學(xué)組成，并根據(jù)Na++K+、Ca2+、Mg2+、HCO3-、SO24-、Cl-的濃度對(duì)水樣數(shù)據(jù)進(jìn)行分類，用于分析和區(qū)分不同的水化學(xué)類型[14-16]。陽(yáng)城煤礦不同含水層的水樣數(shù)據(jù)Piper三線圖如圖2所示。可看出數(shù)據(jù)在陰離子分布特征上表現(xiàn)較分散，陽(yáng)離子分布出現(xiàn)重合。奧灰含水層水質(zhì)類型為Cl·SO4-Ca·Na型和Cl-Na型。其中，Na++K+分布在40%～80%（毫克當(dāng)量百分比）之間，Ca2+分布在20%～70%之間，一部分水樣點(diǎn)Cl-分布在60%～100%之間，一部分水樣點(diǎn)SO24-濃度較高，分布在40%～60%之間。三灰含水層水質(zhì)類型主要為Cl-Na型，明顯看出Na+，Cl-含量較高，毫克當(dāng)量百分比達(dá)70%以上。該含水層水樣類型分布較集中，但與奧灰含水層水質(zhì)類型存在一定的重合。山西組含水層水質(zhì)類型主要為HCO3·Cl-Na型，有部分水樣點(diǎn)混有SO24-，這可能與該含水層分布在煤層頂?shù)装鍍蓚?cè)有關(guān)，受到采掘活動(dòng)的影響。第四系含水層水質(zhì)類型為HCO3-Na·Ca型和Cl·HCO3-Na·Ca型，有個(gè)別水樣點(diǎn)類型為SO4·Cl-Na型，其中HCO-3含量較高，分布在60%～100%之間。從Piper三線圖可看出，研究區(qū)含水層地下水的Na+，Ca2+含量較高，這與含水層的圍巖巖性有著重要關(guān)系。當(dāng)?shù)叵滤c巖石礦物接觸時(shí)，水中的Ca2+，Mg2+被吸附并交換釋放出Na+，進(jìn)而進(jìn)入地下水中，使得水中Na+濃度升高。

圖2中礦井水水樣分布較為分散，陽(yáng)離子Ca2+，Na+毫克當(dāng)量百分比較大，陰離子SO24-，Cl-毫克當(dāng)量百分比較大，其水質(zhì)類型有Cl·SO4-Ca·Na型、Cl-Na型，初步判斷其來(lái)源于奧灰含水層和三灰含水層。

根據(jù)前文分析，研究區(qū)各含水層間地下水類型復(fù)雜，各含水層水化學(xué)類型存在一定重合，各典型離子的特征在地下水中表現(xiàn)不明顯。為準(zhǔn)確識(shí)別礦井水來(lái)源，綜合考慮離子濃度的差異性及指標(biāo)的代表性，除選取主要陰陽(yáng)離子外，還選取了TH，TDS，pH值作為突水水源識(shí)別指標(biāo)，旨在提高水源識(shí)別模型的判別精度和效率。最終確定9個(gè)突水水源識(shí)別指標(biāo)，建立基于改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)的礦井突水水源識(shí)別模型。

3 突水水源識(shí)別模型

BP神經(jīng)網(wǎng)絡(luò)模型[17]分為信號(hào)前向傳播和誤差反向傳播2個(gè)步驟。當(dāng)輸入層接收到樣本數(shù)據(jù)信號(hào)后，將信號(hào)傳遞給隱含層，隱含層利用連接的權(quán)重和激活函數(shù)對(duì)信號(hào)進(jìn)行處理，之后信號(hào)輸入輸出層得到水樣類別，即為信號(hào)前向傳播。當(dāng)輸出值與實(shí)際值不一致時(shí)，根據(jù)輸出值與實(shí)際值的誤差，利用梯度下降法反向調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重，并不斷迭代訓(xùn)練，以減小誤差，直到達(dá)到停止條件，即為反向傳播。使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別時(shí)引入SSA，以優(yōu)化初始權(quán)重和閾值，從而避免模型陷入局部最優(yōu)，提高識(shí)別的準(zhǔn)確率。

3.1 改進(jìn)SSA

3.1.1 SSA

麻雀種群中有發(fā)現(xiàn)者、加入者和預(yù)警者，發(fā)現(xiàn)者在整個(gè)種群中有較高的能量，負(fù)責(zé)搜索有豐富食物的區(qū)域，為加入者提供正確的覓食方向。在一定條件下，發(fā)現(xiàn)者和加入者的角色可相互轉(zhuǎn)換[18]。覓食過(guò)程中，當(dāng)預(yù)警者發(fā)現(xiàn)麻雀的天敵時(shí)，會(huì)向發(fā)現(xiàn)者和加入者提供信號(hào)，使其轉(zhuǎn)移到其他安全區(qū)域?qū)ふ沂澄镔Y源，之后通過(guò)計(jì)算適應(yīng)度值更新麻雀位置，找到最優(yōu)個(gè)體。

假設(shè)麻雀種群為n×d的矩陣，n為麻雀總數(shù)，d為待優(yōu)化問(wèn)題變量總維數(shù)。所有麻雀的適應(yīng)度值可表示為f。發(fā)現(xiàn)者在種群中占有重要地位且適應(yīng)度值較高，其位置更新公式為

式中：i為麻雀數(shù)量；j為待優(yōu)化問(wèn)題變量維數(shù)；Xij為麻雀當(dāng)前位置；t為迭代次數(shù)；r為Matlab中rand命令，規(guī)定為產(chǎn)生（0,1）之間均勻分布的隨機(jī)數(shù)或矩陣；R為預(yù)警值，R∈[0,1]；S為安全值，S∈[0.5,1]；R＜S表明區(qū)域中未發(fā)現(xiàn)捕食者，可安全覓食；Q為服從正態(tài)分布的隨機(jī)數(shù)；L為元素全部為1的矩陣。

加入者位置受發(fā)現(xiàn)者的影響，其位置更新公式為

式中：Xw為當(dāng)前全局最差位置；Xp為目前發(fā)現(xiàn)者占據(jù)的最優(yōu)位置；A為元素全部為1或-1的矩陣，表明第i個(gè)加入者在該區(qū)域未獲得食物，需前往其他區(qū)域覓食。

預(yù)警者可發(fā)現(xiàn)麻雀天敵，預(yù)警者數(shù)量占麻雀總數(shù)的10%～20%，其位置更新公式為

式中：Xb為當(dāng)前全局最優(yōu)位置；fi為當(dāng)前麻雀?jìng)€(gè)體的適應(yīng)度值；fg為當(dāng)前全局最優(yōu)適應(yīng)度值；K為隨機(jī)數(shù)，K∈[-1,1]；fw為當(dāng)前全局最差適應(yīng)度值；ε為調(diào)節(jié)常數(shù)，以避免分母為零；fi＞fg表明當(dāng)前麻雀位置處在種群邊緣，極易被天敵捕食；fi=fg表明處于種群中的麻雀意識(shí)到危險(xiǎn)，需調(diào)整位置。

3.1.2 Sine混沌映射

SSA是隨機(jī)生成初始種群，生成的種群常常分布不均勻、遍歷性較差。Sine混沌映射的表達(dá)式簡(jiǎn)便，確保了更高的遍歷性及隨機(jī)性[19]，因此采用Sine混沌映射對(duì)SSA進(jìn)行改進(jìn)。Sine混沌映射表達(dá)式為

式中Yt為第t次迭代的混沌映射值，Y∈（0,1）。

3.1.3 隨機(jī)游走策略

為進(jìn)一步提高SSA跳出局部最優(yōu)的能力及求解精度，引入隨機(jī)游走策略對(duì)最優(yōu)個(gè)體進(jìn)行位置更新。隨機(jī)游走策略基本思想是布朗運(yùn)動(dòng)模型的理想狀態(tài)，它規(guī)定了步長(zhǎng)及方向，即從一個(gè)或一系列頂點(diǎn)開(kāi)始遍歷一張圖。模型迭代之初，適應(yīng)度好的個(gè)體對(duì)其他個(gè)體進(jìn)行擾動(dòng)，隨機(jī)游走邊界較大，隨著迭代次數(shù)的增加，邊界變小，以此確定最優(yōu)個(gè)體，從而起到考慮全局的作用。隨機(jī)游走策略表達(dá)式為

式中：k為隨機(jī)游走的步數(shù)；Z（k）為隨機(jī)游走的步數(shù)集；c為計(jì)算累加和。

為將步數(shù)集限制在可行域范圍內(nèi)，對(duì)隨機(jī)游走的步數(shù)集Z（k）進(jìn)行歸一化處理。

式中：Z為歸一化處理后的步數(shù)集；為當(dāng)前第i只麻雀在第t次迭代中的步數(shù)集；a和b分別為步數(shù)集中的最小值和最大值；d和m分別為第i只麻雀第t次迭代步數(shù)集中的最大值和最小值。

將改進(jìn)的SSA應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)重優(yōu)化過(guò)程中，首先進(jìn)行SSA參數(shù)設(shè)置，引入Sine混沌映射使麻雀種群均勻分布，然后通過(guò)計(jì)算適應(yīng)度值進(jìn)行麻雀種群的更新，引入隨機(jī)游走策略擾動(dòng)當(dāng)前最優(yōu)個(gè)體，如果滿足終止條件，則獲得最優(yōu)BP神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值，最后基于構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)輸出識(shí)別結(jié)果。改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型建立流程如圖3所示。

圖3 改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型建立流程Fig.3 Process of improved the SSA-BP neural network model

3.2 模型擬合效果

確定BP神經(jīng)網(wǎng)絡(luò)的輸入層及輸出層，將9個(gè)指標(biāo)作為突水水源識(shí)別的輸入變量，水質(zhì)類型作為輸出變量，使用Matlab計(jì)算平臺(tái)按照改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型建立流程對(duì)63組水樣數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，待參數(shù)調(diào)整到模型準(zhǔn)確率達(dá)到要求后，對(duì)5組礦井水水樣數(shù)據(jù)進(jìn)行識(shí)別驗(yàn)證。63組樣本數(shù)據(jù)中隨機(jī)選取45組數(shù)據(jù)作為訓(xùn)練集，18組數(shù)據(jù)作為測(cè)試集。通過(guò)多次迭代訓(xùn)練并結(jié)合經(jīng)驗(yàn)公式h=（u，v分別為輸入層、輸出層節(jié)點(diǎn)數(shù)，q為經(jīng)驗(yàn)參數(shù)），確定BP神經(jīng)網(wǎng)絡(luò)隱含層個(gè)數(shù)為8。依據(jù)劃分的訓(xùn)練集及測(cè)試集擬合結(jié)果，改變BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)，不斷調(diào)整最大迭代次數(shù)、學(xué)習(xí)率等參數(shù)。設(shè)置SSA相關(guān)參數(shù)，麻雀數(shù)量n=30，種群中發(fā)現(xiàn)者數(shù)量占比為70%，安全值S=0.6。運(yùn)行后，模型訓(xùn)練集識(shí)別準(zhǔn)確率如圖4所示，其中主對(duì)角線為正確預(yù)測(cè)的樣本數(shù)。可看出45組數(shù)據(jù)中類型1和類型2即奧灰和三灰水存在誤判，識(shí)別準(zhǔn)確率達(dá)到95.6%。類型1的9組水樣數(shù)據(jù)有1組被判別為類型2，準(zhǔn)確率為88.9%，同理其他類型準(zhǔn)確率分別為93.3%，100%。模型測(cè)試集準(zhǔn)確率如圖5所示，可看出18組數(shù)據(jù)識(shí)別準(zhǔn)確率達(dá)到100%。

圖4 改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集識(shí)別準(zhǔn)確率Fig.4 Training set recognition accuracy of improved SSA-BP neural network model

3.3 模型對(duì)比分析

將改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型、SSA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，各模型準(zhǔn)確率預(yù)測(cè)結(jié)果如圖6所示。可看出BP神經(jīng)網(wǎng)絡(luò)模型誤判率為5/18，SSA-BP神經(jīng)網(wǎng)絡(luò)模型的誤判率為2/18，改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型誤判率為0，說(shuō)明改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率上有著較好的表現(xiàn)。

為驗(yàn)證模型精度及收斂速度上的優(yōu)越性，利用均方誤差和適應(yīng)度值對(duì)各模型做進(jìn)一步比較。

設(shè)定神經(jīng)網(wǎng)絡(luò)目標(biāo)誤差均為1×10-6，各模型均方誤差隨迭代次數(shù)變化情況如圖7所示，可看出3個(gè)模型通過(guò)多次迭代逐漸趨于設(shè)定的目標(biāo)誤差，改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型迭代10次后趨于穩(wěn)定，且與設(shè)定的目標(biāo)誤差相差最小，SSA-BP神經(jīng)網(wǎng)絡(luò)模型迭代13次后趨于穩(wěn)定，BP神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)較差。

圖7 各模型均方誤差變化曲線Fig.7 Mean square error change curves of each model

種群適應(yīng)度值隨迭代次數(shù)變化情況如圖8所示。可看出改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)模型能在初始時(shí)找到離最優(yōu)適應(yīng)度值最近的點(diǎn)，從而減少迭代次數(shù)，定位全局最優(yōu)位置。

圖8 適應(yīng)度值變化曲線Fig.8 Adaptability change curves

將5組礦井水水樣數(shù)據(jù)作為輸入層數(shù)據(jù)輸入訓(xùn)練好的模型中，模型給出歸一化后的識(shí)別結(jié)果，結(jié)果得分最高的即為分類類別，識(shí)別結(jié)果見(jiàn)表2。可看出礦井水樣的主要來(lái)源為奧灰含水層，有2個(gè)水樣分別來(lái)自三灰含水層和山西組含水層，相比于水化學(xué)分析的結(jié)果，該模型可精準(zhǔn)地將水樣區(qū)分，后續(xù)可根據(jù)識(shí)別結(jié)果，結(jié)合礦井水樣的采集點(diǎn)開(kāi)展相關(guān)的水害防治工作。

表2 改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果Table 2 Improved SSA-BP neural network recognition results

4 結(jié)論

1） 對(duì)研究區(qū)水化學(xué)特征進(jìn)行分析，初步判斷礦井突水的來(lái)源為奧灰含水層和三灰含水層。

2） 利用混沌映射和隨機(jī)游走策略對(duì)SSA初始種群和最優(yōu)個(gè)體進(jìn)行擾動(dòng)，提高算法跳出局部最優(yōu)的能力，構(gòu)建了基于改進(jìn)的SSA-BP神經(jīng)網(wǎng)絡(luò)的礦井突水水源識(shí)別模型。該模型訓(xùn)練集識(shí)別準(zhǔn)確率達(dá)95.6%，識(shí)別測(cè)試集識(shí)別準(zhǔn)確率達(dá)100%。相比于其他模型，該模型誤判率為0，均方誤差最小，能快速定位適應(yīng)度值最優(yōu)點(diǎn)，找到全局最優(yōu)解，可信度高，可用于礦井突水水源的識(shí)別。

3） 基于陽(yáng)城煤礦水化學(xué)特征分析數(shù)據(jù)，將5組待測(cè)礦井水水樣數(shù)據(jù)輸入模型，確定礦井水的來(lái)源為奧灰含水層、三灰含水層和山西組含水層，模型識(shí)別的結(jié)果與水化學(xué)特征分析的結(jié)論相互印證，實(shí)現(xiàn)了精準(zhǔn)區(qū)分。