Developing of the evaluation of water inrush risk from coal seam floor
-
摘要:
回顾了煤层底板突水危险性评价的发展历程，提出其危险性评价的体系：指标（指标体系的建立）—方法（评价方法的选取）—工具（处理工具的革新），并对3个环节进行总结。指出指标体系的发展不再是因素集的扩充，而是因素与因素之间非线性关系的处理以及对以开采条件及地质条件为两大基本要素集的化繁为简；将现有方法依据处理数据的逻辑分为3类：以数据的基础信息为基准，将原始数据对评价对象所产生的大小、高低、优劣性影响进行考量、排序及综合形成评价结果的第一类方法；对数据列进行人工评判、加工分析、拓展和延伸，挖掘数据的潜在信息，并形成最终评价结果的第2类方法；整理具有相同指标的数据集，通过数据信息处理技术发现数据间的共有信息，从而获得最终评价结果的第3类方法。指出未来评价方法的发展方向一方面是对突水系数法的传承，修正其在厚、巨厚、极薄隔水层的不良表现，另一方面是对机器学习新型方法的创新，对其本身及组合模型进行开发与应用。 提出了处理工具所需实现的三大目标：矿井立体化模型的建立、评价结果的动态化演示、“定位、定量、定概率”三定指标的实现。分别探讨了三者面临的问题并阐述具体解决手段。在上述基础上，总体阐明了煤层底板突水危险性评价体系各环节的研究展望。
Abstract:Reviews the development process of the evaluation of water inrush risk from coal seam floor. Then the system of risk evaluation is put forward: indexes (establishment of index system), methods (selection of evaluation methods) and tools (innovation of handling tools), and the three steps are summarized. The study indicates that the development of index system is no longer the expansion of factor sets, but the treatment of non-linear relationship among factors, as well as the simplification of the two basic factor sets: mining and geological conditions. The existing methods are divided into three categories according to the logic of data processing. Based on the basic information of the data, the first type is to consider, sort, and synthesize three effects of the original data on the evaluated object: size, height, advantages and disadvantages, thus forming the evaluation result. The second type includes assessment, analysis, expansion and extension of the data, then the potential information is discovered to form the final result. The third type is to organize data sets with the same indexes, and find common information among data through related processing technology to obtain the result. The development direction of future evaluation methods covers two aspects. On the one hand, it aims to inherit the water inrush coefficient method and improve its poor performance in thick, extremely thick, and extremely thin water-resisting layers. On the other hand, it aims to innovate new methods of machine learning, then develop and apply them and their combined models. Besides,three goals that the processing tool needs to achieve are proposed:build a three-dimensional model of a mine,the realization of dynamic demonstration,positioning,quantitation and probability.The problems faced by the three parts are discussed and specific solutions are elaborated.On the basis of the above,the research prospect of all links of water inrush risk evoluation system from coal seam is globally clarified.
-
0. 引 言
能源的发展被裹挟于历史洪流之中。作为我国传统能源之一，煤炭的变革进程也与历史发展潮流休戚与共。新中国成立伊始，百废待兴，能源当头。煤炭开采工作如火如荼的开展起来，但彼时的开采工作，绝大多数都集中在浅层出露区域，煤层水害类型主要为顶板水害和老空水害，基本不涉及底板水领域；1957年北京煤田地质开采研究所搬至西安后，开始着手研究煤层防治水方法，初步涉及底板水问题[1]；改革开放后，各工业蓬勃发展，煤炭开采工作重心向中深部上组煤转移，“带压开采”概念应运而生，煤层底板水害问题逐渐进入防治水工作者视野[2]；21世纪初，进入煤炭发展的“黄金十年”，开采规模扩大，各类底板水害事故相伴而来，“带压开采”理论体系日臻完善[3]；及至今日，我国浅部煤炭资源日渐枯竭，不得不转向深部开采，底板水害问题已成为煤矿工作者避不可避的科研命题。
底板突水危险性评价作为带压开采“机理–评价–预测”理论体系中重要一环，也具有其独特的历史层累性。1944年匈牙利科学家维格弗伦第一次提出相对隔水层的概念，初步描绘出水压、相对隔水层与底板突水三者关系的大致轮廓；1948年，前苏联科学家斯列萨列夫结合力学理论提出安全隔水层厚度公式，将突水关系科学化和理论化[4]；1964年我国科研工作者在焦作会战中，结合我国特有矿区资料，提出突水系数计算公式，从此突水系数法成为业界流传最深使用最广的危险性评价方法，关于突水系数法的讨论与改良仍方兴未艾[5]；20世纪90年代初，孙亚军教授[6]将数学方法与地理信息系统相结合，突破传统思维桎梏，将突水评价方法演化引入更大的舞台；进入21世纪，武强院士[7]综合考虑多种因素，创新性地将人工神经网络等数学算法纳入进来，提出脆弱性指数法；各种评价方法在此思维模式下快速发展，在近十年涌现：地质条件、开采条件等各种影响因素被考量；模糊评价[8]、灰色系统理论[9]等各种数学方法被引入；地理信息系统、数值模拟软件被纳入，总的来看，煤层底板突水危险性评价演化至今日，已从最初单纯依靠力学理论或矿区资料进行评价演变为综合考虑多种开采因素和地质因素构造评价指标，运用更高精度的半定量化数学评价方法建立评价模型，并最终借助先进科学技术手段形成可视化评价结果的评价体系。
针对带压开采“机理–评价–预测”理论体系中危险性评价一环[10]，提出危险性评价的体系“指标–方法–工具”，即“指标体系的建立–评价方法的选取–处理工具的革新”，分别对三者发展现状进行梳理总结，提出未来发展趋势，传承过往创新未来。
1. 指标体系的建立
煤层底板突水是受多种复杂非线性水文地质与采矿因素影响的复合活动[11]，因此突水危险性评价工作中势必牵涉到多因素的权衡、较量与综合。早期煤层条件较为简单，开采工具及方法较为单一，因此在早期底板突水危险性评价过程中，只考虑隔水层厚度及含水层水压就能得到较为精确的结果。随着开采深度的不断加深，煤层开采条件越来越复杂，开采方式也越来越多样化，为了使评价结果保持较高的精度，同时使得评价结果更加全面化，学者们针对不同矿井不同开采条件构建了评价指标体系。
武强作为将指标体系纳入底板突水危险性评价的先行者，在文献[12]中构建的指标体系涵盖了充水含水层、底板隔水层、地质构造、矿压破坏发育带、导升发育带诸多因素，并将其应用到自己所创建的脆弱性指数模型中，取得了较为理想的评价效果。尹尚先[13]构建以“含水层、地质构造、隔水层”为中间层的指标体系，并应用灰色系统理论的数学方法形成综合评价结果，所在团队河北省矿井灾害防治重点实验室，在考虑到矿井水文地质复杂程度、矿井涌水量等指标的基础上，建立起全国煤矿水情监测与水害预警平台及数据中心，取得了很好的成效与回响。中国矿业大学徐智敏团队在“十三五”课题“矿井水害危险源辨识与动态评价技术”中，将已有水害类型划分为7个大类、22个亚类、48个细类，提出48种水害类型的水文地质结构模式，并总结提出48种危险性评价的关键因素[14]；根据所提出的48个因素构建出包含煤层倾角、煤层开挖方式等在内的指标体系，应用熵权–脆弱性指数的评价模型完成危险性评价工作。
关于底板突水的机理仍存在较多说法，建立在突水机理之上的指标体系仍有很大的不确定性，但经过长时间的积累、沉淀与整理，作用于底板突水的评价因素已大体齐全，要素集合已大致完整。笔者认为，对于底板突水危险性评价指标体系本身来说，未来发展不再是评价因素集的扩充，而是因素与因素之间非线性关系的处理和对以开采条件及地质条件为两大基本要素集合体的化繁为简。现阶段底板突水危险性评价工作大多是将评价因素进行量化处理建立起线性表达式得到综合评价结果，而非线性关系的处理更多要借助有限元数值模拟软件及神经网络的数学方法。在进行危险性评价工作时，去掉权重因子较小的因素，保留基本指标及关键指标，其中基本指标应当是矿井底板突水危险性评价所必须纳入的基础因素，如隔水层厚度、含水层水压等，关键因素应当是对评价影响较大的因素，如断层规模指数、含水层富水性，以及矿井因地理环境或矿井特有构造必须被考虑的特殊因素，如华北地区矿井岩溶陷落柱发育情况、西北矿区融雪水径流补给情况。在考虑基础因素与关键因素的基础上，纳入特殊因素，并侧重于涌水量数据、开采步距等动态指标的考量，以期服务于工作面动态监测的智慧矿山的建设。
2. 评价方法的选取
从20世纪40年代依靠力学理论简单判定危险与否，到20世纪60年代依靠水文地质学和采矿学知识给出危险系数范围，20世纪80年代构建传统数学模型结合计算机技术形成可视化信息，再到21世纪初结合数字处理技术获得更高更精确更全面的处理结果，煤层底板突水危险性评价方法的发展展现出很强的时代特征。时代的快速发展导致了评价方法发展出现一定的滞缓，大多数工作还停留在传统模型的建立，与其所收获的关注不成正比。文献[15]在21世纪初就对带压开采安全评价技术的发展方向提出自己的三点思考：①对作为定值化评价手段的突水系数法的不合理性的改良，②三维地质模型和可视化信息技术的运用，③突水规则知识的获取及数据仓库的运用和数据的深度挖掘。回过头看，作者所提及的三点思考前两点都得到了有效印证：评价手段不再是定值化为主，而是以半定量指标为基准，以泛决策方法为手段，形成以危险范围为结果的分级评判标准。突水系数法的改良也从未停止它的脚步；三维地质模型被更广泛的应用到指导实际生产工作中，并且一步步从最初单纯考虑固相相互作用到考虑岩石与水体之间的物理作用、化学反应的流固耦合的不断拔高；第三点突水规则知识的获取方面，评价因素已足够支撑起评价方法的发展，但数据仓库和数据的深度挖掘层面（事实上这样的概念更接近于后来出现的“大数据”的描述，笔者考虑到“大数据”这一概念太大，而机器学习作为大数据这一庞大概念的一个小分支，直接引用太过狭隘，因此在本文中依然沿袭了数据仓库的说法），其实并未达到理想的高度。笔者收集近年来常见的底板突水危险性评价方法，并依据方法作用机理，将这些方法分为3类：发现数据内在规律性的第一类方法、寻求数据外延规律性的第2类方法、通过数据仓库建立起数据共性的第3类方法。
2.1 发现数据内在规律性的第一类方法
以数据的基础信息为基准，将原始数据对评价对象所产生的大小、高低、优劣性影响进行考量、排序及综合，并形成最终评价结果的方法定义为第一类方法。这类方法以传统模型为主，具有代表性的方法为五图双系数法、脆弱性指数法。五图双系数法[16]模型固定，几乎没有改良的空间。脆弱性指数法[17]在指标体系建立和权重分配方法上都有较多的自主性，且如今大多数底板突水危险性评价方法，都是由脆弱性指数法演化而来。
2.2 寻求数据外延规律性的第二类方法
对数据列进行人工评判、加工分析、拓展和延伸，挖掘数据的潜在信息，并形成最终评价结果的方法定义为第2类方法。这类方法有很强的人为导向，具有代表性的方法为逼近理想解的排序法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）、模糊评价法、加权秩和比法及灰色系统理论。
TOPSIS法是根据评价对象和理想目标的接近程度进行排序的方法[18]；模糊评价法是根据隶属度原则将定性评价转换为定量评价从而获得综合评价结果的方法[19]；加权秩和比法是对评价对象进行评价分级得秩并综合权重值对最终评价结果进行优劣排序、分档处理获得最终评价结果的方法[20]，三者都有着广泛的应用和不错的评价效果。灰色系统理论是对数据列所包含的灰色信息进行白化淡化模型化形成最优化评价的方法[21]。相较于前三者，灰色系统理论的改良空间更大，集中在与神经网络、支持向量机等其他模型的复合以实现更高精度的预测。
2.3 通过数据仓库建立起数据共性的第3类方法
整理具有相同指标的数据集，通过数据信息处理方法，发现数据间的共有信息，从而获得最终评价结果的方法定义为第3类方法。这类方法需要大量数据作支撑，一般而言，数据越多，拟合结果越精确。具有代表性的方法为回归法、突水系数法和神经网络法。
回归法是建立起变量的回归关系方程，并将回归方程作为预测模型的方法。回归法的核心思路是建立起被评估对象和变量之间的相关关系，其形式简单，但种类多样。
突水系数法是回归法的一个特殊应用。文献[5]中关于突水系数的由来及发展已作了详细阐述，因此笔者在此不再过多引述。回顾突水系数法的进化历史，其争议点主要围绕3点展开：① 危险系数的临界值危险性如何定义。笔者倾向于突水危险性是个范围，而危险系数正是它们的下限这样的思考，实践中也正是站在这样的基础之上；② 突水系数法的矿区适配问题—峰峰、焦作、淄博等矿区的数据仓库计算得出的临界突水系数是否适配于全国煤矿。经过长时间实践证明，在全国大部分地区，利用突水系数法对底板突水危险性进行评价是较为精确且有意义的；③ 单纯以隔水层厚度与底板隔水层承受水压的比值作为判据的公平性问题。一方面是隔水层厚度如何被精确考量。事实而言，完整底板突水的几率远小于构造带突水。纵观突水系数法演化史（图1），其改良多围绕此话题展开。尽管考虑采动影响与隔水层岩层组成都有其科学原理存在，但与各公式相对应的临界突水系数却难以确定，并且在实际运用中也远没有原版公式来得灵活便捷，因此在2009年颁布的《煤矿防治水规定》[23]中，依然采用原版公式计算突水系数值，并建议对具有构造破坏的地段临界突水系数值取0.06 MPa/m，正常块段取0.1 MPa/m，之后修订的《煤矿防治水细则》中也沿袭了此规定。另一方面是隔水层厚度过大或过小时所产生的判定结果失准问题。尹尚先等以隔水层厚度与底板破坏高度和底板导升带高度之和的大小关系，将隔水层厚度分为极薄、薄、中厚、厚、巨厚5种类型[22]，并将阻水系数纳入极薄、厚、巨厚煤层的危险性评价中来，以修正突水系数在极薄、厚、巨厚隔水层类型中的不良表现。理想化精简化的表达模式应当是在隔水层厚度较小时，着重考虑隔水层厚度的影响，拉低危险系数临界值，在隔水层厚度达到一定数值后可以使用突水系数进行评价，当隔水层厚度过大时，则应淡化隔水层厚度的影响，适当提高危险系数临界值。整个过程所牵涉到的数值精确化表达，还需要依靠数据仓库来总结提取。
神经网络是机器学习的一种典型模型。邵良斌等[24]提出一种基于平均影响值法（Mean Impact Value，MIV）混合粒子群优化支持向量机（Particle Swarm Optimization-Support Vector Mechine，PSO-SVM）的水源识别算法，有效消除地下水源指标间信息重叠，提高了水源识别准确率；袁峰等[25]采用以漏失量为监督数据的深度前馈神经网络方法融合多种地震属性，对研究区导水裂隙带发育高度进行预测，一定程度上弥补了钻孔数据不连续的不足；施龙青等[26]建立灰狼优化算法（Grey Wolf Optimizer，GWO）-Elman神经网络底板突水预测模型对煤层进行底板突水预测，提高了预测精度；董东林等[27]应用鲸鱼优化算法（Whale Optimization Algorithm，WOA）改进极限学习机（Extreme Learning Machine，ELM）形成WOA-ELM判别模型实现突水水源判别，提升了突水水源判别速度和精度；王鹏等[28]提出了一种改进萤火虫算法的矿井水害避灾路径规划，发生矿井突水事故时可有效帮助巷道受困人员脱离危险；赵铭生等[29]构建了遗传算法优化的BP神经网络的矿压破坏带深度预测模型，提高了矿压破坏深度预测精度。可以说，由于具有自学习和高效率信息处理能力，神经网络在煤矿安全稳步推进道路上扮演着越来越重要的角色。
2.4 比较与评述
依据评价方法处理数据逻辑，将其分为3类，罗列代表性方法，分列出各自优势及局限性，详见表1。
表 1 评价方法分类及特征总结Table 1. Classification and characteristics summary of existing evaluation methods方法类型 机制 优势 局限性 代表方法 第一类方法 以数据的基础信息为基准，将原始数据对评价对象所产生的大小、高低、优劣性影响进行考量、排序及综合 实现方法简单，
计算量较小模型改良空间小 五图双系数法
脆弱性指数法第2类方法 对数据列进行人工评判、加工分析、拓展和延伸，挖掘数据的潜在信息 可以利用专家及学者知识，指标评测更为全面 人工参与度较高，评价结果受人工
制定标准影响较大加权秩和比法
TOPSIS法
模糊评价法
灰色系统理论第3类方法
整理具有相同指标的数据集，通过数据信息处理技术，发现数据间的共有信息模型改良空间较大，
精确度较高评价结果受限于网络模型的结构，样本的数量及质量对评价结果也有较大影响，且计算量较大
回归法
突水系数法
神经网络法第一类方法与第2类方法中的加权秩和比法、TOPSIS法和模糊评价法的评价模式已经定型，因此研究价值较小，灰色系统理论方法的改良也并非针对其本身，而是以与其他方法的组合模型研究为主。笔者认为，未来底板突水危险性评价方法的发展，一方面是对突水系数法的改良，在不断修正与改进中继续抬高它的价值。突水系数法在形式简单、使用方便的前提下能够保持高度的预测准确率，并且能够反应出地下水渗流最基本规律—Darcy定律的核心思想，描述了煤层底板突水的整个动力学过程[30]，因此对传统评价方法突水系数法的改良有一定的必要和价值；另一方面，则是对以神经网络为代表的机器学习方法潜力的不断挖掘。神经网络能够有效的减少人为干扰，在处理速度和预测精度方面有较大优势，并且有很大的发展空间，现存的依赖大量数据、模型过拟合等问题可以通过自身优化被缓步解决。与其他方法相比，神经网络强大的自学习能力，直击了数据源与评价目标间的非线性关系，一定程度上缓冲了突水机理对突水危险性评价工作造成的影响。更高层次上来讲，神经网络与智慧矿山的建设展现出高度契合性，通过同种语言搭建起数据与评价对象的桥梁，完成一系列行业问题如突水危险性评价、突水水源识别、逃生路线规划的算法阐述，提供了煤矿一体化智能控制平台搭建的基础。可预见的是，智慧矿山所要达到的“全面感知、实时互联、动态监测、提前预警”[31]的要求，势必离不开机器学习的土壤。与人工智能日新月异的发展脚步相比，机器学习在煤矿防治水领域所取得的成果还远远落后，前瞻性的方法其实寥寥，在拓宽机器学习方法理论的应用广度的基础上，理应促进其深度使用，打破方法鸿沟与数据排斥，从而为智慧矿山提供一种可能的实现渠道。
3. 处理工具的革新
3.1 矿井立体化模型的建立
地质模型是评价结果动态展示的载体，一方面，地质模型是精确本构理论的基础[32]，另一方面，地质模型的三维立体化发展也推动着煤矿智能化的进步。在探索智能化煤矿建设的道路上，国内三维地质建模技术迅速发展，并取得了诸多成果：
毛善君等[33]提出利用网络插值法建立包含地理信息的三维网格化模型，侯恩科等[34]建立类三棱柱模型来构建地质体并对其进行三维拓扑研究，武强等[35]针对矿井地质体的岩体岩性、地质结构的变化及地质过程的动态本质针对性提出了“多源数据耦合、多种构模方法集成、多分辨率可视化与监测以及多维数据分析与应用”的理论体系，董书宁等[36]提出以地质量化预测为先导，以物探、钻探等为技术手段，并依托先进的计算机手段实现地质工程动态管理，程建远等[37-38]提出运用物探、钻探、采掘工程等多种地质信息采集手段，逐步构建精度渐进型工作面三维地质模型，实现工作面地质条件阶梯透明。伴随着相关理论的不断完善，三维地质模型成功开发并被应用到多个煤矿中取得良好效果。
然而现有三维地质模型更多集中于可视化的展示，并未与多源数据场进行深度融合与有机协作，难以发挥三维地质模型的作用。因此，探索几何拓扑一致的数学模型，发展数字孪生理论概念，设计数据融合共享机制，整合多源异构数据综合算法，实现三维地质体模型内外数据联动、模型协动、虚实互动，是三维地质模型研究中亟待解决的问题[39]。
3.2 评价结果的动态化演示
3.2.1 数据的全方位获取与实时更新是实现动态化演示的先决条件
数据是支撑煤矿智能化发展的基础。我国煤矿发展历经数字矿山、感知矿山与智慧矿山3个阶段[40]，目前正处于智慧矿山初级阶段[41]。对矿井地质体的探查手段也经历了从依靠钻探到钻探与瞬变电磁法、电阻率探测法、三维地震勘探等多物理勘探方式及化探并行的转变[42]。尽管地质体信息探查手段越来越多样，但与全方位获取和实时更新的要求依然存在着不小的距离：通过人工测量、井下钻探、物探等所得来的二手数据，存在一定的延后且具有离散化的特点，滞后与间断的数据根本无法满足动态化评价的需求。要想真正实现底板突水危险性的动态评价，必须首先实现数据的全方位获取（空间上）与实时更新（时间上），这也同时要求处理平台具有足够容量的数据存储功能与即时处理功能。
3.2.2 时空属性数据分析处理算法是实现动态化演示的基石
算法是数据分析处理的有效手段。数据列蕴含的动态特征及规律，都有赖于算法进行挖掘。动态化功能的实现，依赖于两大关键算法[43]：时空属性数据分析处理算法、多源异构数据关联分析算法。时空属性数据分析处理算法方面已涌现大量优质算法，如长短期记忆网络（Long Short-Term Memory，LSTM）算法[44]、随机森林算法[45]、卷积神经网络算法[46]等。但多源异构数据关联分析算法方面，成果相对贫乏，阻碍了动态化评价的推进。
3.2.3 评价模型的更新和进化是实现动态化演示的关键
模型是算法集合信息综合的工具。评价模型不应是一成不变的，而是随着数据的更新不断进行自我更新和进化。开采活动的进行势必会引发地质体各属性的动态变化，从而造成原有评价模型的不适配，因此，评价模型需要对已存储及实时更新的数据进行清洗迭代进阶，完成自身版本的修正与进化，保持先进。
3.3 “定位、定量、定概率”三定指标的实现
与评价结果动态化的实现同等重要的是“定位、定量、定概率”三定指标的实现。
定位，即实现突水时间及突水位置的精确判断。现阶段煤矿主要依靠微震监测手段，收集煤层开采过程中周围岩石由于破裂、失稳产生的微震信号，反演得出微破裂发生的时间信息及空间位置，刻画出导水通道的时空演变过程，从而实现煤层底板突水的监测与预警[47]。但受限于微震信号的物理传导技术及微震信号处理分析技术，推演结果与真实情况存在一定程度的滞后与偏移。物理传导技术的进步是一方面，另一方面，以微震信号频率分析及能量传递路径反演为核心的时间和空间信息获取技术，也有赖于分析算法的进步与革新。
定量，即实现突水量的精准预测。突水量的预测，对于矿井水灾害防治有着极为重要的作用。受限于地质体与水流加之众多不确定因素的复杂性，在现有理论技术条件下实现突水量的精准预测不太可能。要实现定量预测，还需仰赖更精确更具代表性的地质体–水体力学模型出现。
定概率，即依据矿区地质及生产信息对矿区突水事故的发生概率做出合理推断。现阶段的底板突水危险性评价工作，还是以半定量化的评测为主，统计方法及经验方法占据主导地位，缺少精确的力学或数学描述。在现有理论基础上，实现半定量到定量的进一步突破，则需发挥交叉学科的优势，宏观与微观相结合，分条件提出评价方法[10]，给出突水事故的发生概率。
4. 结 论
1）分析了底板突水危险性评价过程中牵涉的影响因素，认为作用于底板突水的评价因素已大体齐全，要素集合已大致完整。未来评价指标体系的发展不再是评价因素集的扩充，而是因素与因素之间非线性关系的处理和对以开采条件及地质条件为两大基本要素集合体的化繁为简。
2）梳理了近年来常见的危险性评价方法，依据方法作用机理，将其分为3类：发现数据内在规律性的第一类方法、寻求数据外延规律性的第2类方法、通过数据仓库建立起数据共性的第3类方法。阐述了各类方法的优势及局限性，并罗列各种类的代表性方法。综合现有方法发展趋势，认为未来评价方法的发展方向一方面是对传统方法突水系数法的改良，修正其在厚、巨厚、极薄隔水层的不良表现，另一方面是对以神经网络为代表的机器学习方法潜力的不断挖掘，促进其深度使用。
3）提出了处理工具所需实现的三大目标：矿井立体化模型的建立、评价结果的动态化演示、“定位、定量、定概率”三定指标的实现。分别探讨了三者面临的问题并阐述具体解决手段。完善突水机理理论体系、提升井下数据传输速率、革新数据分析算法、更新现有评价模型，是实现进步的几大关键。
4）在突水机理理论体系尚未成熟的当下，理想化的评价模式应当是：通过建立的数据仓库，实现各种因素的动态传输与实时更新，运用机器学习的方法，剔除无关数据或影响较小的数据， 运用并行式信息处理手段，处理好各因素及因素集间的非线性关系，自动建立起底板突水危险性评价指标体系，构建算法完成数据的清洗、分析、综合工作，结合所建立的三维地质体模型，形成可视化结果。如何实现由人为向计算机自动建立指标体系的转变，是底板突水危险性评价方法进化路上的一大关键。
-
表 1 评价方法分类及特征总结
Table 1 Classification and characteristics summary of existing evaluation methods
方法类型 机制 优势 局限性 代表方法 第一类方法 以数据的基础信息为基准，将原始数据对评价对象所产生的大小、高低、优劣性影响进行考量、排序及综合 实现方法简单，
计算量较小模型改良空间小 五图双系数法
脆弱性指数法第2类方法 对数据列进行人工评判、加工分析、拓展和延伸，挖掘数据的潜在信息 可以利用专家及学者知识，指标评测更为全面 人工参与度较高，评价结果受人工
制定标准影响较大加权秩和比法
TOPSIS法
模糊评价法
灰色系统理论第3类方法
整理具有相同指标的数据集，通过数据信息处理技术，发现数据间的共有信息模型改良空间较大，
精确度较高评价结果受限于网络模型的结构，样本的数量及质量对评价结果也有较大影响，且计算量较大
回归法
突水系数法
神经网络法
下载: 导出CSV
-
[1] 中煤科工集团西安研究院有限公司. 中煤科工集团西安研究院有限公司志[M]. 北京:煤炭工业出版社,2016. [2] 国家安全生产监督管理总局. 煤矿安全规程[M]. 北京:煤炭工 业出版社,2011. [3] 国家煤矿安全监察局. 煤矿防治水细则[M]. 北京:煤炭工业出版社,2018. [4] 潘元伯. 关于斯列萨列夫安全水头公式的推导[J]. 合肥工业大学学报(自然科学版),1986,8(1):99−103. PAN Yuanbo. Derivation of Slesarev safe head formula[J]. Journal of Hefei Polytechnic university (Natural Science Edition),1986,8(1):99−103.
[5] 刘其声. 关于突水系数的讨论[J]. 煤田地质与勘探,2009,37(4):34−37,42. LIU Qisheng. A discussion on water inrush coefficient[J]. Coal Geology & Exploration,2009,37(4):34−37,42.
[6] 孙亚军,郑世书,张大顺,等. 信息拟合方法在焦作东部矿区底板突水预测中的初步应用[J]. 中州煤炭,1990(2):24−26. SUN Yajun,ZHENG Shishu,ZHANG Dashun,et al. Preliminary application of information fitting method in prediction of water inrush from floor in eastern Jiaozuo mining area[J]. Zhongzhou Coal,1990(2):24−26.
[7] 武 强,解淑寒,裴振江,等. 煤层底板突水评价的新型实用方法Ⅲ-基于GIS的ANN型脆弱性指数法应用[J]. 煤炭学报,2007,32(12):1301−1306. WU Qiang,XIE Shuhan,PEI Zhenjiang,et al. A new practical methodology of the coal floor water bursting evaluating Ⅲ:the application of ANN vulnerable index method based on GIS[J]. Journal of China Coal Society,2007,32(12):1301−1306.
[8] 李忠建,魏久传,郭建斌,等. 运用突水系数法和模糊聚类法综合评价煤层底板突水危险性[J]. 矿业安全与环保,2010,37(1):24−26,90. LI Zhongjian,WEI Jiuchuan,GUO Jianbin,et al. Evaluating the water inrush risk of coal floor based on the water floor coefficient method and fuzzy clustering method[J]. Mining Safety & Environmental Protection,2010,37(1):24−26,90.
[9] 刘 磊,于小鸽,王丹丹,等. 基于灰色理论的底板突水危险性评价[J]. 矿业安全与环保,2016,43(5):45−49. LIU Lei,YU Xiaoge,WANG Dandan,et al. Risk evaluation of mine floor water inrush based on grey theory[J]. Mining Safety & Environmental Protection,2016,43(5):45−49.
[10] 尹尚先,连会青,徐 斌,等. 深部带压开采:传承与创新[J]. 煤田地质与勘探,2021,49(1):170−181. YIN Shangxian,LIAN Huiqing,XU Bin,et al. Deep mining under safe water pressure of aquifer:Inheritance and innovation[J]. Coal Geology & Exploration,2021,49(1):170−181.
[11] 左人宇,龚晓南,桂和荣. 多因素影响下煤层底板变形破坏规律研究[J]. 东北煤炭技术,1999(5):3−7. ZUO Renyu,GONG Xiaonan,GUI Herong. Research of the coal seam floor’s stranin and fracture regularity influenced by several facts[J]. Coal Technology of Northeast China,1999(5):3−7.
[12] 武 强,张志龙,马积福. 煤层底板突水评价的新型实用方法Ⅰ-主控指标体系的建设[J]. 煤炭学报,2007,32(1):42−47. doi: 10.3321/j.issn:0253-9993.2007.01.009 WU Qiang,ZHANG Zhilong,MA Jifu. A new practical methodology of the coal floor water bursting evaluating Ⅰ-The master controlling index system construc-tion[J]. Journal of China Coal Society,2007,32(1):42−47. doi: 10.3321/j.issn:0253-9993.2007.01.009
[13] 尹尚先,徐 维,尹慧超,等. 深部开采底板厚隔水层突水危险性评价方法研究[J]. 煤炭科学技术,2020,48(1):83−89. YIN Shangxian,XU Wei,YIN Huichao,et al. Study on risk assessment method of water inrush from thick floor aquifuge in deep mining[J]. Coal Science and Technology,2020,48(1):83−89.
[14] 陈红影. 我国矿井水害的类型划分与水文结构模式研究[D]. 徐州:中国矿业大学,2019. CHEN Hongying. Study on the type classification and hydrological structure model of mine water hazards in China[D]. Xuzhou:China University of Mining & Technology,2019.
[15] 靳德武,董书宁,刘其声. 带(水)压开采安全评价技术及其发展方向[J]. 煤田地质与勘探,2005,33(S1):21−24. JIN Dewu,DONG Shuning,LIU Qisheng. Safety evaluation technique and development tendency of safety mining above confined aquifer[J]. Coal Geology & Exploration,2005,33(S1):21−24.
[16] 李志强. 基于五图—双系数法与脆弱性指数法的煤矿底板突水预测研究[D]. 焦作:河南理工大学,2017. LI Zhiqiang. Study on water bursting prediction of coal mine floor based on Five Graph-Double Coefficient method and Vulnerability Index method[D]. Jiaozuo:Henan Polytechnic University,2017.
[17] 武 强,张 波,赵文德,等. 煤层底板突水评价的新型实用方法Ⅴ:基于GIS的ANN型、证据权型、Logistic回归型脆弱性指数法的比较[J]. 煤炭学报,2013,38(1):21−26. WU Qiang,ZHANG Bo,ZHAO Wende,et al. A new practical methodology of coal seam floor water burst evaluation:the comparison study among ANN,the weight of evidence and the logistic regression vulnerable index method based on GIS[J]. Journal of China Coal Society,2013,38(1):21−26.
[18] 赵云平,施龙青,丛培章,等. 灰色关联度-DTOPSIS法在煤矿事故分析中的应用[J]. 山东煤炭科技,2016(7):186−188,190. ZHAO Yunping,SHI Longqing,CONG Peizhang,et al. Application of grey correlation degree-DTOPSIS method in coal mine accidents analysis[J]. Shandong Coal Science and Technology,2016(7):186−188,190.
[19] 张科学,亢磊,何满潮,等. 矿井煤层冲击危险性多层次综合评价研究[J]. 煤炭科学技术,2020,48(8):82−89. ZHANG Kexue,KANG Lei,HE Manchao,et al. Research on multi-level comprehensive evaluation of coal seam rockburst risk in underground mine[J]Coal Science and Technology,2020,48(8):82−89.
[20] 姚 辉,尹尚先,徐 维,等. 基于组合赋权的加权秩和比法的底板突水危险性评价[J]. 煤田地质与勘探,2022,50(6):132−137. YAO Hui,YIN Shangxian,XU Wei,et al. Risk assessment of floor water inrush by weighted rank sum ratio based on combination weighting[J]. Coal Geology & Exploration,2022,50(6):132−137.
[21] 刘思峰. 灰色系统理论及其应用[M]. 北京:科学出版社,2018. LIU Sifeng. Grey system theory and its application[M]. Beijing:Science Press,2018.
[22] 尹尚先,王 屹,尹慧超,等. 深部底板奥灰薄灰突水机理及全时空防治技术[J]. 煤炭学报,2020,45(5):1855−1864. YIN Shangxian,WANG Yi,YIN Huichao,et al. Mechanism and full-time-space prevention and control technology of water inrush from Ordovician and thin limestone in deep mines[J]. Journal of China Coal Society,2020,45(5):1855−1864.
[23] 国家煤矿安全监察局. 煤矿防治水规定[M]. 北京:煤炭工业出版社,2009. The State Administration of Work Safety. Regulations for water prevention and control in coal mines[M]. Beijing:China Coal Industry Publishing House,2009.
[24] 邵良杉,李相辰. 基于MIV-PSO-SVM 模型的矿井突水水源识别[J]. 煤炭科学技术,2018,46(8):183−190. SHAO Liangshan,LI Xiangchen. Indentification of mine water inrush source based on MIV-PSO-SVM[J]. Coal Science and Technology,2018,46(8):183−190.
[25] 袁 峰,申 涛,谢晓深,等. 基于深度学习的地震多属性融合技术在导水裂隙带探测中的应用[J]. 煤炭学报,2021,46(10):3234−3244. YUAN Feng,SHEN Tao,XIE Xiaoshen,et al. Application of deep learning-based seismic multi-attribute fusion technology in the detection of water conducting fissure zone[J]. Journal of China Coal Society,2021,46(10):3234−3244.
[26] 施龙青,张荣遨,徐东晶,等. 基于 GWO-Elman 神经网络的底板突水预测[J]. 煤炭学报,2020,45(7):2455−2463. SHI Longqing,ZHANG Rongao,XU Dongjing,et al. Prediction of water inrush from floor based on GWO-Elman neural network[J]. Journal of China Coal Society,2020,45(7):2455−2463.
[27] 董东林,陈昱吟,倪林根,等. 基于WOA-ELM算法的矿井突水水源快速判别模型[J]. 煤炭学报,2021,46(3):984−993. DONG Donglin,CHEN Yuyin,NI Lingen,et al. Fast discriminant model of mine water inrush source based on WOA-ELM algorithm[J]. Journal of China Coal Society,2021,46(3):984−993.
[28] 王 鹏,朱希安,王占刚,等. 基于改进萤火虫算法的矿井水害避灾路径规划[J]. 中国矿业,2021,30(6):106−111. WANG Peng,ZHU Xi’an,WANG Zhangang,et al. Disaster avoidance path planning for mine floor based on improved firefly algorithm[J]. China Mining Maga-zine,2021,30(6):106−111.
[29] 赵铭生,刘守强,纪润清,等. 基于遗传算法优化BP神经网络的华北型煤田矿压破坏带深度预测[J]. 矿业研究与开发,2020,40(6):89−93. ZHAO Mingsheng,LIU Shouqiang,JI Runqing,et al. Depth prediction of mining pressure failure zone in North China coalfield based on BP neural network optimized by genetic algorithm[J]. Mining Research and Development,2020,40(6):89−93.
[30] 武 强. 我国矿井水防控与资源化利用的研究进展、问题和展望[J]. 煤炭学报,2014,39(5):795−805. WU Qiang. Progress,problems and prospects of prevention and control technology of mine water and reutilization in China[J]. Journal of China Coal Society,2014,39(5):795−805.
[31] 王国法,任怀伟,庞义辉,等. 煤矿智能化(初级阶段)技术体系研究与工程进展[J]. 煤炭科学技术,2020,48(7):1−27. WANG Guofa,REN Huaiwei,PANG Yihui,et al. Research and engineering process of intelligent coal mine technical system in early stages[J]. Coal Science and Technology,2020,48(7):1−27.
[32] 尹尚先,王玉国,李文生. 矿井水灾害:原因·对策·出路[J]. 煤田地质与勘探,2023,51(1):214−221. YIN Shangxian ,WANG Yuguo,LI Wensheng. Cause,countermeasures and solutions of water hazards in coal mines in China[J]. Coal Geology & Exploration,2023,51(1):214−221.
[33] 毛善君,马洪兵. 自动构建复杂地质体数字高程模型的方法研究[J]. 测绘学报,1999,28(1):59−63. MAO Shanjun,MA Hongbing. Method studying of digital elevation model of creating complicated geological entity automatically[J]. Acta Geodaetica et Cartographica Sinica,1999,28(1):59−63.
[34] 侯恩科,吴立新. 面向地质建模的三维体元拓扑数据模型研究[J]. 武汉大学学报(信息科学版),2002,27(5):467−472. HOU Enke,WU Lixin. An object-oriented three-dimensional topological data model based on component for geology modeling[J]. Geomatics and Infor-mation Science of Wuhan University,2002,27(5):467−472.
[35] 武强,徐华. 数字矿山中三维地质建模方法与应用. 中国科学:地球科学,2013,43:1996−2006. WU Qiang,XU Hua. Three-dimensional geological modeling and its application in digital mine. Science China:Earth Sciences,2013,doi: 10.1007/s11430-013-4671-9.
[36] 董书宁,刘再斌,程建远,等. 煤炭智能开采地质保障技术及展望[J]. 煤田地质与勘探,2021,49(1):21−31. DONG Shuning,LIU Zaibin,CHENG Jianyuan,et al. Technologies and prospect of geological guarantee for intelligent coal mining[J]. Coal Geology & Exploration,2021,49(1):21−31.
[37] 程建远,朱梦博,王云宏,等. 煤炭智能精准开采工作面地质模型梯级构建及其关键技术[J]. 煤炭学报,2019,44(8):2285−2295. CHENG Jianyuan,ZHU Mengbo,WANG Yunhong,et al. Cascade construction of geological model of longwall panel for intelligent precision coal mining and its key technology[J]. Journal of China Coal Society,2019,44(8):2285−2295.
[38] 程建远,刘文明,朱梦博,等. 智能开采透明工作面地质模型梯级优化试验研究[J]. 煤炭科学技术,2020,48(7):118−126. CHENG Jianyuan,LIU Wenming,ZHU Mengbo,et al. Experimental study on cascade optimization of geological models in intelligent mining transparency working face[J]. Coal Science and Technology,2020,48(7):118−126.
[39] 陈 健,盛 谦,陈国良,等. 岩土工程数字孪生技术研究进展[J]. 华中科技大学学报(自然科学版),2022,50(8):79−88. CHEN Jian,SHENG Qian,CHEN Guoliang,et al. Research process in digital tein technology for geotechnical engineering[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition),2022,50(8):79−88.
[40] 张长鲁. 基于数据挖掘的煤矿安全可视化管理研究[D]. 北京:中国矿业大学(北京),2015. ZHANG Changlu. Visual management of safety in cola mines based on data mining[D]. Beijing:China university of mining & technology,Beijing,2015.
[41] 王国法,刘 峰,孟祥军,等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术,2019,47(8):1−36. WANG Guofa,LIU Feng,MENG Xiangjun,et al. Research and practice on intelligent coal mine construction (primary stage)[J]. Coal Science and Technology,2019,47(8):1−36.
[42] 彭苏萍. 我国煤矿安全高效开采地质保障系统研究现状及展望[J]. 煤炭学报,2020,45(7):2331−2345. PENG Suping. Current status and prospects of research on geological assurance system for coal mine safe and high efficient mining[J]. Journal of China Coal Society,2020,45(7):2331−2345.
[43] 乔 伟,靳德武,王 皓,等. 基于云服务的煤矿水害监测大数据智能预警平台构建[J]. 煤炭学报,2020,45(7):2619−2627. QIAO Wei,JIN Dewu,WANG Hao,et al. Development of big data intelligent early warning platform for coal mine water hazard monitoring based on cloud service[J]. Journal of China Coal Society,2020,45(7):2619−2627.
[44] YIN Huichao,WU Qiang,YIN Shangxian,et al. Predicting mine water inrush accidents based on water level anomalies of borehole groups using long short-term memory and isolation forest[J]. Journal of Hydrology,2023,616:128813. doi: 10.1016/j.jhydrol.2022.128813
[45] 侯恩科,严迎新,文强,等. 巷道掘进顶板突水危险性预测研究[J]. 煤炭科学技术,2022,50(10):110−120. HOU Enke,YAN Yingxin,WEN Qiang,et al. Study onprediction of water inrush hazard in roof of roadway driving[J]. Coal Science and Technology,2020,50(10):110−120.
[46] 陈建平,王春雷,王雪冬. 基于CNN神经网络的煤层底板突水预测[J]. 中国地质灾害与防治学报,2021,32(1):50−57. CHEN Jianping,WANG Chunlei,WANG Dongxue. Coal mine floor water inrush prediction based on CNN neural network[J]. The Chinese Journal of Geological Hazard and Control,2021,32(1):50−57.
[47] 查华胜,张海江,连会青,等. 潘二煤矿A组煤层底板灰岩水害微震监测[J]. 煤炭学报,2022,47(8):3001−3014. ZHA Huasheng,ZHANG Haijiang,LIAN Huiqing,et al. Microseismic monitoring on limestone water inrush at coal seam floor for group A coal layer of Pan’er Coal Mine[J]. Journal of China Coal Society,2022,47(8):3001−3014.
计量
- 文章访问数: 60
- HTML全文浏览量: 8
- PDF下载量: 24
