巨厚煤層分層開采覆巖導水裂隙帶高度演化及其預測研究

關鍵詞：巨厚煤層；導水裂隙帶高度；分層開采；分形維數；覆巖裂隙演化；粒子群優化支持向量機回歸

中圖分類號：TD745 文獻標志碼：A

0引言

近年來，礦井突水事故頻發，礦井突水水害嚴重制約著我國煤炭安全高效生產[1-2]。我國《煤炭工業“十四五”科技發展指導意見》中明確指出了未來重點領域核心技術攻關包括采掘工作面頂板水害精細控制、疏水治理技術等[3]。采動引起的覆巖導水裂隙帶是頂板水害的主要導水通道。隨著煤層采厚增大和綜放開采技術的不斷推廣，某些礦井導水裂隙帶實際發育高度明顯大于規范計算值，引起異常突水災害。因此，深入分析覆巖變形破壞特征，預測導水裂隙帶發育高度，對頂板水害防控具有重要作用和意義。

目前，我國學者針對導水裂隙帶發育高度進行了大量研究，并取得了豐碩成果[4]。劉江斌等[5]采用理論分析和相似模擬等方法，結合實測，分析探討了西部高強度開采礦區采動覆巖的破壞類型、破壞關系及導水裂隙帶的發育特征。張玉軍等[6]通過收集我國厚?特厚煤層綜放條件下導水裂隙帶發育高度實測數據，分析了我國煤礦不同覆巖類型條件下導水裂隙帶高度預測公式，探討了影響導水裂隙帶特征和高度的主要因素，分析了實測導水裂縫帶高度存在較大差異性的原因。

由于導水裂隙帶發育高度影響因素多，傳統的預測方法無法完整地描述這一復雜的非線性問題。隨著科學技術的發展及礦井地質資料的不斷豐富，機器學習方法被廣泛應用于導水裂隙帶發育高度預測研究中。李振華等[7]通過搜集大量礦井地質資料，選擇了影響導水裂隙帶高度的8 個因素，采用BP神經網絡算法建立了導水裂隙帶高度預測模型，發現預測模型的計算結果比規程提供的公式計算結果更接近實際。謝曉鋒等[8]考慮到因素間相關系數對預測結果的影響， 建立了基于主成分分析法（Principal Component Analysis， PCA） ?BP 神經網絡（PCA?BP）的導水裂隙帶高度預測模型，結果表明PCA?BP 模型預測效果明顯優于傳統的BP 神經網絡模型。婁高中等[9]利用粒子群優化算法（ParticleSwarm Optimization， PSO）對BP 神經網絡的權值和閾值進行優化，選擇采厚、采深、斜長、煤層傾角、覆巖結構為影響因素，構建了基于PSO?BP 神經網絡的導水裂隙帶高度預測模型，發現PSO?BP 神經網絡模型預測精度明顯優于BP 神經網絡模型和經驗公式。柴華彬等[10]采用遺傳算法（Genetic Algorithm，GA） 對支持向量機回歸（Support Vector Regression，SVR）進行了參數優化，建立了基于GA 優化SVR 的采動覆巖導水裂隙帶高度預測模型，結果表明該模型預測結果準確度高，能夠滿足工程實際要求。徐樹媛等[11]利用灰色關聯理論對導水裂隙帶高度影響指標進行了篩選，選用不同核函數組合對導水裂隙帶高度進行了預測，發現RBF 核ε?SVR 模型預測準確率較高。欒洲等[12]通過引入最優鄰域擾動策略優化鯨魚算法（Whale Optimization Algorithm， WOA） ，建立了基于全局搜索策略（Global Search，GS）的鯨魚算法（GS?WOA） 優化支持向量機（Support VecorMachine，SVM）的導水裂隙帶高度預測模型，并與傳統SVM 模型、GA 優化的SVM 模型進行了對比，結果表明：與SVM 模型和GA 優化的SVM 模型相比，GS?WOA 優化的SVM 模型預測精度最高。除此之外，一些學者采用長短期記憶網絡（Long Short-TermMemory， LSTM） 、小波神經網絡（Wavelet NeuralNetwork， WNN） 、極限學習機（Extreme LearningMachine， ELM）神經網絡等機器學習算法[13-15]對導水裂隙帶高度預測進行了探索。

上述研究多針對單一煤層開采導水裂隙帶高度預測，對于巨厚煤層開采覆巖導水裂隙帶發育高度預測工作研究較少。本文基于新疆侏羅系煤田巨厚煤層地質條件，選取新疆準南煤田硫磺溝煤礦（9?15）08 典型工作面參數，通過數值模擬和分形幾何理論分析，定量評價巨厚煤層在綜放分層開采條件下覆巖裂隙場的發育特征和演化規律。

1試驗工作面概況

硫磺溝煤礦位于烏魯木齊市西部準南煤田頭屯河區，行政區劃昌吉州硫磺溝鎮管轄。礦井采用主、副斜井開拓，開采深度為300～978 m。其中，煤系地層為中侏羅統西山窯組下段，煤層賦存于西山窯組底部。目前，硫磺溝煤礦生產工藝采用綜采放頂煤下行式開采，主要開采4?5 煤層和9?15 煤層，其中，9?15 煤層平均厚度為32m，采用分層綜放開采，共分3 層，布置9?15（06）、9?15（08）和 9?15（10）3個工作面， 9?15（06）工作面處于9?15（08）工作面上方，9?15（08）工作面處于9?15（10）工作面上方，研究區區域位置及工作面布置如圖1所示。

2巨厚煤層分層綜放開采數值模擬研究

2.1數值模型建立

為研究硫磺溝煤礦巨厚煤層（9?15 煤）分層綜放開采的覆巖變形破壞演化特征，采用3DEC 軟件對9?15 煤工作面回采過程中覆巖變形破斷特征進行了模擬。其中，以9?15（08）工作面為例，模型尺寸設置為1 000 m×350 m×435 m（長×寬×高） ， 選用Mohr?Clomb 本構模型，模型左右兩側留設寬度為100m 的煤柱以消除邊界效應。模型巖體、節理物理力學參數指標見表1[16]。工作面覆巖柱狀圖如圖2 所示。模型頂部為無側限邊界，其余均為固定邊界，3DEC數值模型如圖3所示，各工作面采用50 m 分步開挖方式，開挖長度為450 m，各工作面模擬結果如圖4所示。

由圖4 可看出，隨著9?15（06）工作面持續推進，上覆巖層持續垮落破斷，采掘影響范圍呈“三角拱”形態（圖4（a）），此時，直接頂板巖層垮落于采空區范圍內， 且上覆巖層變形破壞影響范圍相對較小（圖4（c））。隨著9?15（08）工作面推進，覆巖進一步破斷變形，破壞影響范圍增加，裂隙帶高度快速上升，此時，覆巖呈現高位梁式結構（圖4（e））。9?15（10）工作面推采完成后，直接頂巖層破斷垮落，老頂范圍內堅硬巖層和亞關鍵層呈鉸接結構，整體上覆巖變形破壞呈拱式結構（圖4（i））。

2.2采動覆巖裂隙演化分形規律分析

為了進一步分析采動覆巖裂隙演化過程，基于分形理論對覆巖結構特征進行量化[17]。其中，分形維數計算采用盒維數法，對推采過程中數值結果進行灰度處理和素描，采用Matlab 軟件進行信號和圖像處理，采動覆巖裂隙演化分形維數計算過程如圖5 所示。基于分形量化方法，結合各分層工作面回采數值模擬結果，得到推進過程中各工作面采動覆巖裂隙演化分形維數變化，如圖6 所示。

由圖6可看出，9?15（06）工作面、9?15（08）工作面和9?15（10）工作面推采期間，受采動影響，頂板覆巖破斷垮落，橫向裂隙不斷發育生成，且垂向裂隙向上發育，導水裂隙帶持續上升，分形維數快速上升。隨著工作面的持續推進，上覆巖層裂隙中橫向裂隙被上覆巖層壓實，裂隙開度降低，分形維數逐漸降低。在9?15（06）工作面至9?15（08）工作面接續期間，分形維數變化不大，呈穩定波動，表明采空區上覆巖層裂隙網絡生成和壓實呈穩定變化。9?15（08）工作面推采200～300 m 期間（推進至13～15 步），頂板覆巖裂隙分形維數驟增，該時期可能是由于覆巖關鍵層未發生破斷，使得巖層破斷變形較為平穩。而9?15（08）工作面與9?15（10）工作面接續期間，頂板覆巖裂隙分形維數呈波動性變化，這是由于頂板關鍵層破斷后，低位巖層較破碎，無法形成明顯的鉸接結構，而中位堅硬巖層和高位堅硬巖層鉸接弱化，上方巖層相互擠壓，隨著工作面不斷推進，頂板覆巖裂隙不斷生成后被壓實。此外，9?15（10）工作面推采后期分形維數也呈現波動形態，表明巨厚煤層分層綜放開采期間，第1 分層和第2 分層接續期間頂板覆巖相對較為穩定，而在第2 分層和第3 分層及多次分層接續后，頂板覆巖受采動的影響，穩定性相對較差。綜上所述，巨厚煤層工作面分層綜放開采裂隙演化總體呈現為4 個階段：升維階段、降維階段、穩定階段和波動階段。

3巨厚煤層開采導水裂隙帶高度非線性預測研究

3.1PSO 優化SVR模型基本原理

SVR 是一種用于回歸分析的機器學習算法，其基本原理源自SVM[18]。通過引入ε?不敏感損失函數，在允許的誤差范圍內最大限度地擬合訓練數據，使模型的復雜程度最低。如果數據具有非線性關系，可以使用核函數（如高斯核、多項式核等）將輸入數據映射到高維特征空間，在高維空間中進行線性回歸，以解決復雜的非線性回歸問題[19]。

PSO是一種模擬鳥類覓食過程的優化算法，根據鳥類在覓食過程中準確發現最優覓食位置的特征，達到解決問題的目的[20]。在該算法中，鳥類被定義為粒子，其能準確判斷自身最優位置Pb，也能發現群體中其他粒子的最優位置P_b，g，并通過迭代更新自身的位置，達到種群最優解，其主要算法如下[21]：

在PSO優化SVR（PSO?SVR）模型中，PSO通過優化SVR 的超參數，例如正則化參數C，ε及核函數參數（如RBF 核的寬度參數γ），實現對SVR 超參數的自動優化，提高SVR 模型的預測性能和泛化能力[22]。選用平均絕對誤差（Mean Absolute Error，MAE） 、平均偏差（Mean Bias Error， MBE）和相關指數R² 等指標來評估模型的預測性能[23] ， 其中，MAE 越小或MBE 越接近0，說明預測值與真實值的平均絕對偏差越小，模型的預測準確性越高。R² 越接近1，表示模型對數據的擬合程度越好，性能也就越好。

3.2基于PSO?SVR的巨厚煤層分層開采導水裂隙帶高度預測

通過搜集類似生產礦井實測值作為樣本數據，見表2。隨機選用樣本中70% 數據作為訓練集開展PSO?SVR 模型訓練，剩下30% 數據作為測試集。根據經驗和試驗結果，設置PSO?SVR 模型的參數。模型適應度曲線如圖7所示，預測結果如圖8所示。模型訓練集和預測集評價指標的計算結果見表3。

由表3可看出，PSO?SVR 模型訓練集和測試集預測結果與實測結果間相關系數R2＞0.90，且MAE＜6.5 m，?0.5 m＜MBE＜0.5m，表明模型預測結果與實測結果間擬合程度高，偏差小，建立的PSO?SVR 模型能夠用于分層綜放開采導水裂隙帶高度預測。

將研究區9?15（08）工作面數據代入PSO?SVR模型中，預測結果見表4。與實測對比發現： PSO?SVR 模型預測值與實測值絕對誤差為12.52m，相對誤差為4.86%，表明PSO?SVR 能夠有效、準確地進行巨厚煤層開采導水裂隙帶高度預測。

4結論

1）巨厚煤層分層接續開采時，9?15（06）工作面回采后采掘影響范圍呈“三角拱”形態，覆巖變形破壞影響范圍相對較小；隨著9?15（08）工作面推進，覆巖進一步破斷，導水裂隙帶高度快速上升，呈現高位梁式結構；9?15（10）工作面推采后，基本頂范圍內堅硬巖層和亞關鍵層呈鉸接結構，整體上覆巖變形破壞呈拱式結構。

2）受采動影響頂板覆巖破斷垮落，橫向裂隙不斷發育生成，且垂向裂隙向上發育，導水裂隙帶持續上升，分形維數快速上升。而隨著工作面的持續推進，上覆巖層裂隙中橫向裂隙被上覆巖層壓實，裂隙開度降低，分形維數逐漸降低。

3）巨厚煤層工作面分層綜放開采裂隙演化總體呈現4 個階段：升維階段、降維階段、穩定階段和波動階段。在9?15（06）工作面至9?15（08）工作面接續期間，分形維數變化不大，呈穩定波動，表明采空區上覆巖層裂隙網絡生成和壓實呈穩定變化。而9?15（08）工作面與9?15（10）工作面接續期間，由于頂板關鍵層破斷后，低位巖層較破碎，無法形成明顯的鉸接結構，而中位堅硬巖層和高位堅硬巖層鉸接弱化，上方巖層相互擠壓，使得頂板覆巖裂隙不斷生成后被壓實，分形維數呈波動性變化。

4） 選用MAE、MBE 和R² 等指標對PSO?SVR模型進行了評估， 其相關指數R²＞ 0.90， MAE＜6.5 m，?0.5m＜MBE＜0.5 m，表明PSO?SVR 模型預測結果與實測結果間擬合程度高，誤差小。

5） 將研究區9?15（08）工作面預測值與實測值對比發現：PSO?SVR 模型預測的導水裂隙帶與實測值絕對誤差為12.52 m， 相對誤差為4.86%， 表明PSO?SVR 能夠有效、準確地進行巨厚煤層開采導水裂隙帶高度預測。