A rapid identification model of mine water inrush based on PSO-XGBoost
-
摘要:
矿井突水是煤矿安全生产面临的主要威胁之一，快速分析突水成因和准确判别突水水源是矿井突水灾害治理的关键步骤。为有效防治矿井突水灾害，准确快速地判识矿井突水水源，提出一种基于粒子群优化算法（PSO）结合极限梯度提升回归树（XGBoost）的矿井突水水源识别模型（PSO-XGBoost），通过高效的参数全局搜索模式进一步提高突水水源识别效率与精度，并将该模型成功应用于辽宁抚顺煤田老虎台矿区以验证模型的实用性。基于老虎台矿40组水样光谱数据，首先利用多元散射校正、平滑去噪、标准化及主成分分析对原始光谱数据预处理，依据分层随机抽样按照7∶3比例进行训练集和测试集划分。其次，初始化粒子个体最优值和全局最优值，利用PSO对XGBoost算法的learning_rate、n_estimatiors、max_depth等7项参数进行迭代寻优，构建最优参数组合下的分类识别模型。为进一步研究该模型的优越性，选取平均判识准确率和对数损失值作为评价指标，对比PSO-XGBoost模型与PSO-SVM、PSO-RF模型的分类识别结果，同时通过100次重复交叉验证评价各模型的泛化能力。对比结果表明，XGBoost、PSO-SVM、PSO-RF和PSO-XGBoost模型对测试集数据的平均判识准确率分别为87.76%、87.56%、91.67%和91.67%。对于重复交叉验证，XGBoost、PSO-SVM、PSO-RF和PSO-XGBoost模型的平均准确度分别为87.76%、87.56%、90.63%和93.18%，相应的对数损失平均值分别为0.5453、0.5460、0.5623和0.4534。综合分析评价指标结果得出，PSO-XGBoost模型在矿井突水水源识别方面具有更高的判别精度和更好的泛化能力。
Abstract:Mine water inrush is one of the main threats to mine safety production. Rapid analysis of the cause of water inrush and accurate identification of water inrush source are the key steps of mine water inrush disaster control. In order to effectively prevent and control mine water inrush disaster and identify mine water inrush source accurately and quickly, a mine water inrush source identification model (PSO-XGBoost) based on particle swarm optimization algorithm (PSO) and limit gradient lifting regression tree (XGBoost) was proposed. The efficiency and accuracy of water inrush source identification were further improved by the efficient parameter global search model, and the model was successfully applied to the Laohutai mine in Fushun coal field, Liaoning Province to verify the practicability of the model. Based on the spectral data of 40 groups of water samples from Laohutai mine, the original spectral data were preprocessed by multiple scattering correction, smoothing denoising, standardization and principal component analysis, and the training set and test set were divided according to the ratio of 7∶3 according to stratified random sampling. Secondly, the individual optimal value and the global optimal value of particles are initialized, and PSO is used to iteratively optimize seven parameters of XGBoost algorithm, such as learning_rate, n_estimatiors, max_depth, etc., to construct the classification and recognition model under the optimal parameter combination. To further investigate the superiority of the model, the average discrimination accuracy and log loss value were selected as evaluation indexes to compare the classification recognition results of PSO-XGBoost model with PSO-SVM and PSO-RF models, while the generalization ability of each model was evaluated by 100 repetitions of cross-validation. The comparison results showed that the average discrimination accuracies of XGBoost, PSO-SVM, PSO-RF and PSO-XGBoost models for the test set data were 87.76%, 87.56%, 91.67% and 91.67%, respectively. For repeated cross-validation, the average accuracy of XGBoost, PSO-SVM, PSO-RF, and PSO-XGBoost models were 87.76%, 87.56%, 90.63%, and 93.18%, respectively, with corresponding log-loss averages of 0.5453, 0.5460, 0.5623, and 0.4534, respectively. Comprehensive analysis of evaluation indexes shows that PSO-XGBoost model has higher discrimination accuracy and better generalization ability in mine water inrush source identification.
-
0. 引 言
地壳中的氟元素是含量排名第13位的元素，电负性强。作为人体必不可少的微量元素之一，较低浓度的氟（F−）能使人体的骨骼和牙齿坚固，减少龋齿的发病率，过量的F−则可能导致氟斑牙、软组织损害、氟骨病、肿瘤和白血病等疾病[1-3]。氟化物在中国、印度和巴基斯坦等国家的地下水中出现较高浓度的现象，是一个相对严重的问题[4-6]。地下水作为重要的饮用水来源，世界卫生组织（WHO）和中国对饮水中氟的“标准限值”分别为1.5 mg/L和1.0 mg/L[7]。地下水中氟化物产生的原因较为相似，包括含氟矿物及其风化产物与地下水的水−岩溶解作用，阳离子交换作用和蒸发作用等。常见的含氟矿物包含硅酸盐矿物、萤石(CaF2)、冰晶石 (Na3AlF6)、黄玉(Al2SiO4)、氟磷灰石(Ca5(PO4)3F)、氟镁石(MgF2)、云母类和角闪石等，而CaF2则通常被认为是地下水中F−的主要矿物质来源[4, 8-9]。高浓度F−常见的水化学环境为较高浓度的
$\mathrm{HCO}_3^{-} $ 和Na+、较高的pH和温度、低浓度的Ca2+[10-12]。神东煤炭集团公司共有13座矿井，具有良好的地质条件和丰富的煤炭资源储量，是我国首个2亿t级的煤炭生产基地。然而，神东矿区干旱少雨，缺少饮用水资源。神东煤炭集团公司在开发煤炭的同时，也产生了大量的矿井水，矿井水可作为重要的生产、生活和生态用水资源。煤炭生产过程加速水-岩耦合作用，进而使地下水中的F–浓度增加[13]。通过对神东矿区矿井水水质指标检测发现，神东矿区部分位置矿井水存在氟化物浓度超过地表水环境质量标准（GB 3838—2002）（1 mg/L）的现象。矿井水中较高的氟化物影响水的资源化利用，也增加企业的环保成本。
目前，神东矿区矿井水氟化物随着时空变化的分布规律报道较少。因此，以神东矿区不同区域的矿井水为研究对象，以长周期矿井水水质监测为基础，研究矿井水氟化物的赋存规律、水化学环境特征和氟化物时间空间变化规律等方面，系统分析高氟矿井水的产生规律和时间、空间分布特征。期望能为神东矿区减少环保成本、提高水资源利用效率，为矿区不同区域高氟矿井水的调查和治理提供帮助。
1. 研究区概况
神东煤炭集团公司矿井区域位于陕西省北部内蒙古自治区西南部，榆林市北部鄂尔多斯市东南部，北纬39. 33°～39. 50°、东经 110. 07°～110. 18°。处于黄土高原北缘与毛乌素沙漠东侧过渡地带，面积3481 km2。气候为半干旱大陆性季风气候，冬寒雨雪稀少，春旱多风干燥，夏季炎热多雨，降水年际和年内变化很大，多年平均降雨量424.3 mm[14]。根据神东矿区内部相对位置，相对靠北部位置的煤矿可称为北部矿区，相对位置在南部的位置为中心矿区，中心矿区根据乌兰木伦河的相对位置，分为东部和西部。神东北部矿区包括补连塔煤矿以北的煤矿，以布尔台煤矿为代表，中心矿区为补连塔煤矿及以南的煤矿，根据中心矿区地理位置，西部以补连塔煤矿为代表、东部以哈拉沟煤矿为代表，3个煤矿分别代表高F−区域、次高F−区域和低F−区域。
神东矿区地表水系统发达，主要包括乌兰木伦河及其支流和饽牛川及其支流。研究区主要包含有3个地下含水层，第Ⅰ含水层组(Q4)：为松散层孔隙潜水，其水位埋深的升降与降雨丰枯有关。第Ⅱ含水层组(J2z) ：直罗组裂隙承压水，分布面积广。第Ⅰ、Ⅱ含水层组为浅层地下水，第Ⅲ(J12y) 含水层组为延安组裂隙承压水，为深层地下水。
2. 材料与方法
2.1 样品采集
在神东矿区不同位置矿井水进行了不同季节周期采样，共采集矿井水样品58组(图1)，其中神东北部矿区矿井水为12组（分布在布尔台煤矿42煤，共6组；深度345.0～435.0 m；长期监测位置在42煤层采空区清水排立风井钻孔，共6组；深度435.0 m），神东中心矿区（西）矿井水为24组（取样位置分布在补连塔煤矿22煤层，共7组；深度210.0～286.1 m；长期监测位置在22煤层采空区清水应急排口，共17组；深度299.99 m），神东中心矿区（东）矿井水为22组（取样位置分布在哈拉沟煤矿22煤层和31煤层，共14组；深度分别为80.6～128.1 m和173 m；长期监测位置在22煤层采空区清水应急排口和采空区供水2处，共8组；深度95.9 m和114.6 m），所有矿井水样品所处煤层上部第一个含水层均为延安组，往上为松散层萨拉乌苏组含水层。神东北部矿区和神东中心矿区（东）分别采集岩心2组；神东中心矿区（西）采集煤层顶板1组。以不同煤矿生产过程中产生的矿井水和煤矿涌水为研究对象，采集不同季节煤矿生产产生的矿井水和井下强排孔水源。强排孔矿井水通常在取样前先确保强排孔运转，一段时间后开始取样。
![]()
图 1 神东矿区矿井水采样点分布Figure 1. Distribution of mine water sampling points in Shendong Mining Area2.2 样品的采集和分析
温度、pH值、溶解氧（DO）等指标现场测试，其余指标送至实验室检测。水样测试均在鄂尔多斯市环境监测检验有限公司检测进行。在实验室先用蒸馏水润洗采样瓶(1 L棕色玻璃瓶) 3遍，矿井水采样前，再用水样润洗2～3遍后取样。水样采样执行《水质采样技术指导》HJ494—2009标准，水样在现场测定指标后，装满并密封带回实验室，放于4 ℃冰箱保存，48 h内检测分析。F−测定校准采用国家标准样品，编号：GSB07-1194-2000，保证数据的准确性。DO和pH值采用DZB-718L便携式多参数分析仪/EJYS-JC-137进行测定，水温采用水银温度计进行现场测定，Cl−、
$\mathrm{SO}_4^{2-} $ 、NO3−和F−采用液相离子色谱(883Basic IC Plus离子色谱仪/EJYS-FX-005)测定，Na+、Mg2+、Ca2+和K+采用iCAP7200 电感耦合等离子体发射光谱仪/EJYS-FX-008测定，溶解性总固体根据《水质悬浮物的测定重量法》GB/T 11901—1989测定，电导率采用HQ14D/电导率仪EJYS-FX-018测定，碱度采用《水和废水监测分析方法》（第4版增补版）酸碱指示剂滴定法（B），2019—2021年神东监测矿井水时间规律F−采用《水和废水监测分析方法》（第4版增补版）液相离子色谱仪（瑞士万通930型）测定。岩心元素分析采用X射线荧光光谱仪，ZSX Primus II，岩心经过物理破碎和研磨后进行测定。采用Aqqa1.5绘制矿井水Piper三线图，Origin 2022绘制矿井水Gibbs图。研究采用 Piper三线图及相关性分析等方法分析地下水水样的水化学类型及其特征。水−岩耦合作用矿物的溶解与沉淀受到矿物在地下水中的饱和指数(SI)决定，采用PHREEQC 2.15计算石膏、方解石、白云石和萤石的饱和指数。
3. 结果与分析
3.1 不同区域矿井水水化学指标
表1为神东北部矿区和中心矿区矿井水水化学指标统计。根据表1可知，神东北部矿区和中心矿区不同煤矿矿井水pH值总体呈碱性，中心矿区不同深度的矿井水pH值呈现出较大差异，北部矿区矿井水pH呈碱性，pH为7.7～8.7，均值为8.3，中心矿区西部矿井水pH呈碱性，pH为6.8～8.9，均值为7.9，中心矿区东部矿井水pH为6.8～8.9，均值为7.7。神东中心矿区东部矿井水F−质量浓度基本小于1.0 mg/L，而神东中心矿区西部和北部矿区矿井水F−浓度均出现较高的情况，前者在3.0～12.8 mg/L，后者在4.1～13.7 mg/L。神东北部矿区和中心矿区西部矿井水EC平均值分别是2.27和2.72 mS/cm，中心矿区东部矿井水1.04 mS/cm。随着矿井水中F−浓度增加，pH值在逐渐增加。
表 1 神东北部矿区和中心矿区矿井水水化学指标统计Table 1. Statistical of mine water hydrochemcal in northeastern and central Shendong mining area项目 pH EC/(mS·cm-1) 最小值 最大值 平均值 标准差 最小值 最大值 平均值 标准差 北部矿区 7.7 8.7 8.3 0.33 1.79 3.08 2.27 0.49 中心矿区西部 6.8 8.9 7.9 0.60 2.46 3.21 2.72 0.33 中心矿区东部 6.8 8.9 7.7 0.59 0.39 1.82 1.04 0.62 3.2 氟的分布特征
3.2.1 氟的时间变化规律
为阐明神东矿区矿井水F–浓度时间变化特征，选取2019—2021年时间范围内神东北部矿区和神东中心矿区西部矿井水F–浓度进行分析，同一取样位置的F–含量随时间的变化进行对比分析（图2），结果表明2019—2020年神东北部矿区和神东中心矿区西部矿井水F–含量随季度变化趋势不明显，2021年中心矿区西部矿井水F–含量较之前出现下降。
![]()
图 2 神东矿区矿井水F–时间的变化规律Figure 2. Variation law of F– in mine water with time in Shendong Mining Area3.2.2 氟的空间分布特征
根据井田方位，将神东矿区划分为北部矿区和中心矿区。神东北部矿区和神东中心矿区西部矿井水检测情况表明，含有的F−浓度较高；神东中心矿区东部矿井水F–浓度降低，通常小于1.0 mg/L。总体来看，高氟矿井水主要分布在神东北部矿区和中心矿区西部范围，低氟矿井水主要分布在中心矿区东部范围。
神东中心矿区东部浅层矿井水F−浓度范围在0.3～2.51 mg/L，深层矿井水F−浓度为5.86和6.88 mg/L；神东中心矿区西部矿井水F−浓度范围在3.0～12.8 mg/L；神东北部矿区矿井水F−浓度集中在4.11～13.7 mg/L。中心矿区东部矿井水所在煤层上部的含水层是延安组含水层且富水性强，松散层萨拉乌苏组、直罗组含水层富水性弱且较难渗流到矿井水中，下部矿井水F−浓度超标率较低，且超标量较小，低F−矿井水主要分布在80～130 m深度内，高F−矿井水分布在173 m（图3）。神东北部矿区和中心矿区东部矿井水F−浓度较高，且在210～300 m深度范围内F−的浓度范围为2.6～12.8 mg/L，到345.0 m～435.0 m的深度范围F−的浓度范围为4.11～13.7 mg/L；F−浓度在垂直方向上的分布呈现随深度的增加而增加的趋势，且与取水煤层的深度有关。神东北部矿区矿井水上部直接补给含水层是延安含水层，为主要补给水源。中心矿区西部矿井水上部富水性强的含水层是延安组含水层，表明矿井水上部含水层水化学性质因埋深不同存在差异，可能是由于上部含水层的岩石矿物中含氟较低所致。通过查阅文献，XRF岩心扫描结果的可靠度较高[15]。神东北部矿区和中心矿区延安组岩样含氟矿物XRF分析表明北部矿区和中心矿区西部含氟矿物相对含量较高（表2）。
![]()
图 3 神东矿区不同深度矿井水F–的分布Figure 3. Distribution of F– in mine water F– at different depths in Shendong Mining Area中心矿区东部地下含水层深度较浅，而北部矿区和中心矿区西部地下含水层深度相对较深，造成不同水体之间差异性的主要原因是它们来源的区域位置和深度位置影响不同。
3.3 地下水水化学特征
3.3.1 F−与水化学指标的关系
神东矿区矿井水中F−与水化学指标相互关系（表3）。神东北部矿区矿井水的pH、Cl−和DO与F−均呈正相关关系，水温、
$\mathrm{SO}_4^{2-} $ 和阳离子与F−呈负相关关系，说明矿井水中高阳离子和$\mathrm{SO}_4^{2-} $ 对F−浓度有消极作用；中心矿区东部矿井水的pH和Cl−与F−呈现出正相关关系，表明矿井水中高Cl−质量浓度对F−富集有积极作用；而神东中心矿区西部矿井水的pH和Cl−与F−呈现出正相关关系，$\mathrm{SO}_4^{2-} $ 与F−呈现出负相关关系，表明矿井水中高$\mathrm{SO}_4^{2-} $ 质量浓度对F−质量浓度有消极作用。结合表1，偏碱性是高氟矿井水的主要水化学环境特征之一，该结果含与F−地下水的水环境特征基本保持一致[4]。表 2 神东北部矿区和中心矿区延安组岩样氟化物统计Table 2. Statistical of fluoride in rock samples of Yan’an Formation in northeastern and central Shendong Mining Area项目 氟化物质量分数/% 1−2煤上部 2−2煤上部 4−2煤上部 北部矿区 0.0509 0.0559 0.0825 中心矿区西部 0.0677 中心矿区东部 — — 注：空白为未检测该部分样品；—为未检出含氟物质。 表 3 水化学指标与F–的相关关系Table 3. Correlation between water chemical indexes and F–项目 pH DO T EC $\mathrm{SO}_4^{2-} $ $\mathrm{NO}_3^{-} $ Cl− TDS Na+ K+ Mg2+ Ca2+ 北部矿区 0.55 0.39 −0.23 −0.98 −0.71 — 0.23 −0.98 −0.98 −0.85 −0.89 −0.70 中心矿区东部 0.18 0.011 0.01 −0.003 −0.11 −0.13 0.72 −0.19 0.38 −0.03 −0.15 −0.22 中心矿区西部 0.67 0.0072 −0.08 −0.26 −0.74 0.17 0.43 −0.48 −0.24 −0.63 −0.15 −0.31 神东矿区矿井水的pH与F−的浓度存在正相关性(图4)，北部矿区、神东中心矿区东部和西部矿井水的pH与F−浓度正相关关系分别是R=0.55、R=0.18和R= 0.67) 。
![]()
图 4 神东北部矿区和中心矿区矿井水F−和pH值相关关系Figure 4. Correlation between F− and pH in mine water in northeastern and central Shendong mining area神东矿区矿井水的DO与F−的质量浓度相关性存在一定不同(图5)，北部矿区矿井水的DO与F−质量浓度存在正相关关系(图5a)，神东中心矿区东部和西部DO与F−浓度几乎不相关关系(分别是R=0.011和R= 0.0015) (图5c和图5b)。神东北部矿区矿井水的DO的质量浓度在7～9 mg/L范围浮动，神东中心矿区东部和西部的矿井水DO的质量浓度分别在5～12 mg/L和5～10 mg/L范围浮动，DO质量浓度的差异可能是由于水温差异导致。有研究表明，通过测定2个钻孔的地下水样，得知F−与DO呈正相关性(r = 0.405和r = 0.742)[16]。但也有研究得到不同结果，F−质量浓度与地表水中的DO呈正相关，而在地下水中，它与DO呈负相关，地下水DO平均值在3和1.4 mg/L，地表水平均值是6.9和1.2 mg/L[17]。通过采集印度地下水样品，发现样品中的DO和F−浓度相关关系不明显[18]。
![]()
图 5 神东北部矿区和中心矿区矿井水溶解氧和F–相关关系Figure 5. Correlation between dissolved oxygenand F– in mine water in northeastern and central Shendong Mining Area如图6所示，神东北部矿区和中心矿区西部矿井水温度与F–的质量浓度存在负相关性(图6a和图6c)，然而神东中心矿区东部矿井水的温度与F–的质量浓度几乎无正相关性(图6b)。神东北部矿区矿井水的温度主要集中在15～25 ℃，中心矿区东和西部矿井水温分别主要集中在10～20 ℃和15～20 ℃之间，随着深度变深，下部含水层所补给矿井水的温度增加，北部矿区矿井水F−的质量浓度也整体上增加。浅层地下水(60～120 m)和深层地下水(180～300 m)中F–质量浓度和温度均呈现负相关关系（R=−0.43和R=−0.40）[19]。OLAKA等研究也发现F–质量浓度与地下水中温度呈负相关关系[17]。
![]()
图 6 神东北部矿区和中心矿区矿井水温度和F–相关关系Figure 6. Correlation between water temperature and F– in mine water in northeastern and central Shendong Mining Area一般来说，地下水比地表水具有更高的F−浓度水。神东北部矿区矿井水F−浓度明显大于神东中心矿区东部和西部矿井水F−浓度，F−浓度的提高与水温提高具有关联性，高F−浓度和低地表热量之间明显关联(图7)。地下水中F−浓度可能受到相对较高的温度影响，随着地下水温度升高出现增加[20-21]。由于地壳存在地热梯度，深层地下水往往会比同一位置的浅层地下水产生更高的水温，有利于在碱性pH条件下从矿物中释放氟化物[13]。受到地热系统地温梯度的影响，萤石等含F−矿物溶解度随水温的增加而增加，进而提高含水层F−浓度[17, 22-23]。
![]()
图 7 神东北部矿区和中心矿区矿井水不同F–的温度分布Figure 7. Temperature distribution of different F– concentrations in mine water in northeastern and central Shendong Mining Area神东北部矿区延安组矿井水的
$\mathrm{NO}_3^{-} $ -N与F−的质量浓度无相关性(图8a)，神东中心矿区东部和西部矿井水的$\mathrm{NO}_3^{-} $ -N与较低F−质量浓度分别存在弱负相关性和几乎无相关性(分别是R=−0.0018和R=−0.016) (图8c和图8b)。《地表水环境质量标准》（GB 3838—2002）中规定地表水$\mathrm{NO}_3^{-} $ -N质量浓度小于10 mg/L，神东矿区矿井水$\mathrm{NO}_3^{-} $ -N质量浓度在0～1 mg/L的范围浮动。浅层地下水中$\mathrm{NO}_3^{-} $ -N含量高于深层地下水，可能受到人类活动的影响。![]()
图 8 神东北部矿区和中心矿区矿井水$\mathrm{NO}_3^{-} $ -N和F–相关关系Figure 8. Correlation between$\mathrm{NO}_3^{-} $ -N and F– in mine water in northeastern and central Shendong Mining Area神东北部矿区和中心矿区西部和东部矿井水的Cl-与F−正相关性(图9)。深层矿井水中Cl-含量高于浅层矿井水，可能是由于所处含水层性质的差异以及不同深度地质结构不同造成。
![]()
图 9 神东北部矿区和中心矿区矿井水Cl−和F−相关关系Figure 9. Correlation between Cl– and F– in mine water in northeastern and central Shendong Mining Area神东北部矿区和中心矿区西部和东部矿井水的
$\mathrm{SO}_4^{2-} $ 与F−具有较强负相关性(图10)。神东北部矿区$ \mathrm{SO}_4^{2-}$ 质量浓度在50～100 mg/L，含有较高F−质量浓度范围的神东中心矿区矿井水$\mathrm{SO}_4^{2-} $ 质量浓度在400～800 mg/L。![]()
图 10 神东北部矿区和中心矿区矿井水$\mathrm{SO}_4^{2-} $ 和F−相关关系Figure 10. Correlation between$\mathrm{SO}_4^{2-} $ and F− in mine water in northeastern and central Shendong Mining Area3.3.2 水化学类型
Piper三线图是水化学成分的有效图形表示，用于表示一组水样的化学相的来源，是地下水研究中使用广泛的图表。神东矿区不同矿井水的化学相的来源差异较大，Piper三线图中（图11）北部矿区矿井水样品的阳离子主要是Na+，阴离子主要是HCO3−，其次是Cl−，水化学类型为 Na-HCO3-Cl型水(83.7%)和Na-Cl-HCO3型水(16.3%)。中心矿区高氟矿井水样品的阳离子主要是Na+，阴离子主要是Cl−，其次是
$\mathrm{HCO}_3^{-} $ 和$\mathrm{SO}_4^{2-} $ ，水化学类型为 Na-Cl-HCO3型水(45.5%)Na-SO4-Cl和Na-HCO3-Cl型水(45.5%)。中心矿区低氟矿井水样品的阳离子主要是Ca2+和Na+，阴离子主要是$\mathrm{SO}_4^{2-} $ ，其次是$\mathrm{HCO}_3^{-} $ 和Cl−，水化学类型为 Ca-HCO3-SO4型水(38.5%)、Na-SO4-HCO3(30.8%)和Mg-SO4-HCO3型水(15.4%)。![]()
图 11 神东北部矿区和中心矿区矿井水水化学成分piper三线图Figure 11. Piper diagram for mine water in northeastern and central Shendong Mining Area3.4 高氟地下水的成因
3.4.1 蒸发浓缩作用
吉布斯图（Gibbs）显示地下水的离子特征和成因[24]。Gibbs图通过水样的TDS值，阴离子C
(Cl−)/C(Cl−+ $\mathrm{HCO}_3^{-} $ )或阳离子C(Na+)/C(Na++Ca2+)的关系，建立较直观地水化学成分形成的作用。由图12可知，神东北部矿区和神东中心矿区东部矿井水TDS值大于1000 mg/L，中心矿区西部矿井水TDS值200～1700 mg/L，降水控制作用几乎不存在对地下水化学组分影响，这与该区干燥少雨的气候条件一致；神东矿区矿井水主要受岩石风化及蒸发浓缩共同控制。根据TDS值大小，当TDS值中等且C(Na+)/C(Na++Ca2+)或C(Cl−)/C(Cl−+$\mathrm{HCO}_3^{-} $ )比值小于0.5时，水化学组分主要受岩石风化作用；TDS值较高且C(Na+)/C(Na++Ca2+)或C(Cl−)/C(Cl−+$\mathrm{HCO}_3^{-} $ )比值接近于1时，水化学组分主要受蒸发浓缩作用。神东中心矿区西部矿井水C(Na+)/C(Na++Ca2+)集中在0.6以下，多数样品TDS值小于1.0g/L，主要集中在Gibbs图的中部，说明岩石风化是水化学组分主要的控制因素；神东北部矿区和神东中心矿区东部矿井水C(Na+)/C(Na++Ca2+)值集中在0.9左右，在Gibbs图的中部且靠上，蒸发浓缩和岩石风化是水化学组分主要的控制因素。高氟矿井水比低氟矿井水的TDS值高，高氟矿井水具有较强的水-岩相互作用。![]()
图 12 神东北部矿区和中心矿区矿井水Gibbs图Figure 12. Plots of the major ions within Gibbs model for mine water in northeastern and central Shendong Mining Area3.4.2 阳离子交换
阳离子交换作用是控制地下水离子浓度的一项重要影响机制，该过程影响F–的溶解。采用氯碱指数(Chloro-Alkaline，CAI1和CAI2)对研究区矿井水阳离子交换作用进行分析。
如果氯碱指数(CAI1和CAI2)为正值，地下水中的Na+和 K+与含水层中的Ca2+和Mg2+发生阳离子交换；如果地下水中的Ca2+和Mg2+与Na+和 K+发生阳离子交换，氯碱指数为负值，且绝对值越大，表示阳离子交换作用愈强烈。由图13可知，神东北部矿区和中心矿区东部矿井水的氯碱指数均为负值，神东中心矿区西部井水CAI1值均为正，F–质量浓度越低CAI1值越低，表明低F–质量浓度矿井水的Ca2+和Mg2+与Na+和 K+发生阳离子交换作用较强。
![]()
图 13 神东北部矿区和中心矿区矿井水中氯碱指数（CAI）关系Figure 13. Correlation between CAI1 and CAI2 in mine water in northeastern and central Shendong Mining Area3.4.3 水文地球化学模拟
饱和指数(SI)可以判断地下水与岩石、矿物之间的反应。当SI = 0时，矿物在地下水中处于平衡状态；SI＞0时，矿物在地下水中处于过饱和状态，具有沉淀趋势，反之则处于溶解作用。
神东北部矿区和中心矿区西部深层地下水中石膏具有溶解趋势，方解石和白云石则处于平衡状态，神东中心矿区矿东部地下水中石膏具有较弱的溶解趋势，方解石和白云石则具有较强溶解趋势。神东北部矿区矿井水和中心矿区西部高F–浓度矿井水萤石处于平衡状态，而神东中心矿区矿西部相对较低F−浓度矿井水和中心矿区矿东部矿井水萤石处于溶解状态（图14），因此高F−质量浓度矿井水地下水中主要发生以下反应：
![]()
图 14 神东北部矿区和中心矿区矿井水F–和SI关系图Figure 14. Correlation between SI and F– in mine water in northeastern and central Shendong Mining Area$$ {\text{CaF}}_{\text{2}} \to {\text{C}}_{\text{a}}^{2+}{\text{+2F}}^- $$ 神东北部矿区和中心矿区矿西部深层地下水中萤石的溶解是导致地下水中的F−质量浓度较高的主要原因。
4. 结 论
1）神东矿区矿井水中F−质量浓度水平方向上呈现北部和西南部高、东南部低的现象；垂直方向上呈现随开采深度的增加而增加的趋势，且与取水层位的深度有密切关系。含量平均值差异较大。不同深度延安组地下水补给矿井水中F−质量浓度的差异较大，北部矿区矿井水中F−质量浓度范围为4.1～13.7 mg/L，深度在345～435 m。中心矿区东部矿井水中F−质量浓度较低，主要分布在80～130 m。中心矿区西部矿井水中F−质量浓度范围为2.6～12.8 mg/L，主要分布在210～300 m深度范围。
2）F−质量浓度与神东矿区的水环境条件有关。神东矿区矿井水pH和Cl−与F−均呈正相关关系，
$\mathrm{SO}_4^{2-} $ 、Ca2+和Mg2+与F−呈现出负相关关系。高F−矿井水的水温通常大于低F−矿井水。北部矿区矿井水的水化学类型为Na−HCO3−Cl型水(83.7%)和Na−Cl−HCO3型水(16.3%)。中心矿区高F−矿井水水化学类型为 Na−Cl−HCO3型水(45.5%)Na−SO4−Cl和Na−HCO3−Cl型水(45.5%)。中心矿区低F−矿井水水化学类型为 Ca−HCO3−SO4型水(38.5%)和Na−SO4−HCO3(30.8%)。3）北部矿区和中心矿区矿西部水-岩相互作用导致的含氟矿物溶解是导致矿井水中的F−浓度较高的主要原因。强烈的蒸发浓缩作用、阳离子交替吸附，共同导致矿井水中F−的富集。
-
![]()
图 8 3种不同算法测试集判识结果
Figure 8. Three different algorithm test sets to identify the results
![]()
图 9 3种不同算法迭代寻优结果
Figure 9. Iterative optimization search results of three different algorithms
![]()
图 10 优化前后准确率对比结果
Figure 10. Comparison results of accuracy before and after optimization
表 1 水样信息及编号
Table 1 Water sample information and number
编号 水样类型 采集位置 1 老空水 −580 m井下水泵房 2 地表水 老虎台矿西南泵站 3 西露天组泥灰岩裂隙水 −330 m东边界综采面 4 第四系孔隙水 55006东部地表水体 
下载: 导出CSV
表 2 Savitzky-Golay卷积平滑评价指标
Table 2 Evaluation indexes of Savitzky-Golay convolution smoothing
窗口宽度 3 5 多项式阶数 1 2 1 2 3 4 MSE 1水样 2.32×10−8 0 2.93×10−8 1.75×10−8 1.74×10−8 0 2水样 2.98×10−8 0 4.85×10−8 2.11×10−8 1.95×10−8 0 3水样 3.97×10−8 0 5.35×10−8 3.01×10−8 3.01×10−8 0 4水样 3.99×10−8 0 5.32×10−8 3.09×10−8 2.83×10−8 0 MSE均值 3.32×10−8 0 4.61×10−8 2.49×10−8 2.38×10−8 0 注：MSE为均方误差。
下载: 导出CSV
表 3 主成分及其累计贡献率
Table 3 Cumulative contribution of principal components
主成分个数 PCA1 PCA2 PCA3 PCA4 PCA5 累计贡献率/% 56.46 75.79 84.87 88.56 90.78
下载: 导出CSV
参数 取值 learning_rate 0.1 n_estimators 100 max_depth 5 min_child_weight 1 gamma 0.01 subsample 0.8457 colsample_bytree 0.322
下载: 导出CSV
表 4 不同分类模型的性能对比
Table 4 Performance comparison of different classification models
算法 交叉验证平均准确率/% 平均对数损失值 PSO-XGBoost 93.18 0.4534 PSO-SVM 87.56 0.5460 PSO-RF 90.63 0.5623
下载: 导出CSV
-
[1] WU Qiang,MU Wenping,XING Yuan,et al. Source discrimination of mine water inrush using multiple methods: a case study from the Beiyangzhuang Mine, Northern China[J]. Bulletin of Engineering Geology and the Environment,2019,78(1):469−482. doi: 10.1007/s10064-017-1194-1
[2] 吴群英,彭 捷,迟宝锁,等. 神南矿区煤炭绿色开采的水资源监测研究[J]. 煤炭科学技术,2021,49(1):304−311. WU Qunying,PENG Jie,CHI Baosuo,et al. Researoh on water resources monitoring of green coal mining in Shenan Ming Anea[J]. Coal Science and Technology,2021,49(1):304−311.
[3] 武 强,赵苏启,董书宁,等. 《煤矿安全规程》(防治水部分)修改技术要点剖析[J]. 中国煤炭地质,2012,24(7):34−37. WU Qiang,ZHAO Suqi,DONG Shuning,et al. Analysis of the technical points of the revision of “Coal Mine Safety Regulations” (Part of Water Prevention and Control)[J]. China Coal Geology,2012,24(7):34−37.
[4] 曾一凡,孟世豪,吕 扬,等. 基于矿井安全与生态水资源保护等多目标约束的超前疏放水技术[J]. 煤炭学报,2022,47(8):3091−3100. ZENG Yifan,MENG Shihao,LYU Yang,et al. Advanced drainage technology based on multi-objective constraint of mine safety and water resources protection[J]. Journal of China Coal Society,2022,47(8):3091−3100.
[5] 曾一凡,武 强,杜 鑫,等. 再论含水层富水性评价的“富水性指数法”[J]. 煤炭学报,2020,45(7):2423−2431. ZENG Yifan,WU Qiang,DU Xin,et al. Further research on “water-richness index method” for evaluation of aquifer water abundance[J]. Journal of China Coal Society,2020,45(7):2423−2431.
[6] 董东林,孙文洁,朱兆昌,等. 基于GIS-BN技术的范各庄矿煤12底板突水态势评价[J]. 煤炭学报,2012,37(6):999−1004. DONG Donglin,SUN Wenjie,ZHU Zhaochang,et al. Water-inrush assessment of coal 12 floor using a GIS-based bayesian network for Fangezhuang Coal Mine with collapse column[J]. Journal of China Coal Society,2012,37(6):999−1004.
[7] 高小伟,黄 欢. 基于水量水位变化及水化学特征的突水水源判别[J]. 煤炭技术,2018,37(9):198−200. GAO Xiaowei,HUANG Huan. Discrimination of water bursting source based on change of water quantity and water level and hydrochemical characteristics[J]. Coal Technology,2018,37(9):198−200.
[8] 石 磊,徐楼英. 基于水化学特征的聚类分析对矿井突水源判别[J]. 煤炭科学技术,2010,38(3):97−100. SHI Lei,XU Louying. Prediction of mine water inrush sources based on cluster analysis of hydrogeochem ical features[J]. Coal Science and Technology,2010,38(3):97−100.
[9] 连会青,刘德民,尹尚先. 水化学综合识别模式在矿井水源判别中的应用[J]. 煤炭工程,2012(8):107−109. LIAN Huiqing,LIU Demin,YIN Shangxian. Application of hydrochemistry comprehensive identification mode to distinguish mine water resources[J]. Coal Engineering,2012(8):107−109.
[10] 董东林,张 健,林 刚,等. 矿井涌(突)水源混合水识别模型研究[J]. 煤炭工程,2020,52(12):124−127. DONG Donglin,ZHANG Jian,LIN Gang,et al. Identification model of the source of water-inrush[J]. Coal Engineering,2020,52(12):124−127.
[11] 马 雷,钱家忠,赵卫东,等. 基于GIS的矿井水害防治辅助决策支持系统[J]. 煤田地质与勘探,2014,42(5):44−49. MA Lei,QIAN Jiazhong,ZHAO Weidong et al. GIS-based decision-making support system for prevention and control of water hazards in coal mines[J]. Coal Geology & Exploration,2014,42(5):44−49.
[12] 孙亚军,杨国勇,郑 琳. 基于GIS的矿井突水水源判别系统研究[J]. 煤田地质与勘探,2007,35(2):34−37. SUN Yajun,YANG Guoyong,ZHENG Lin. Distinguishing system study on resource of mine water inrush based on GIS[J]. Coal Geology & Exploration,2007,35(2):34−37.
[13] TERRY Plank, H. LANGMUIR Charles. The chemical composition of subducting sediment and its consequences for the crust and mantle[J]. Chemical Geology, 1997, 145(3).
[14] 曾一凡,梅傲霜,武 强,等. 基于水化学场与水动力场示踪模拟耦合的矿井涌(突)水水源判识[J]. 煤炭学报,2022,47(12):4482−4494. ZENG Yifan,MEI Aoshuang,WU Qiang,et al. Source discrimination of mine water inflow or inrush using hydrochemical field and hydrodynamic field tracer simulation coupling[J]. Journal of China Coal Society,2022,47(12):4482−4494.
[15] 孙文洁,杨 恒,徐陈超,等. 基于多元统计分析的东欢坨矿突水水源判别研究[J]. 煤炭工程,2021,53(9):112−116. SUN Wenjie,YANG Heng,XU Chenchao,et al. Discrimination on mine water inrush source in Donghuantuo mine based on multivariate statistical analysis[J]. Coal Engineering,2021,53(9):112−116.
[16] 黄平华,陈建生. 基于多元统计分析的矿井突水水源Fisher识别及混合模型[J]. 煤炭学报,2011,36(S1):131−136. HUANG Pinghua,CHEN Jiansheng. Fisher indentify and mixing model based on multivariate statistical analysis of mine water inrush sources[J]. Journal of China Coal Society,2011,36(S1):131−136.
[17] 李 帅,王 震,史继彪,等. 模糊数学在煤矿突水水源判别中的应用[J]. 煤矿安全,2012,43(7):136−139. LI Shuai,WANG Zhen,SHI Jibiao,et al. Application of Fuzzy Mathematics in Discriminating Sources of Water Inrush in Coal Mine[J]. Coal Mine Safety,2012,43(7):136−139.
[18] 朱赛君,姜春露,毕 波,等. 基于组合权-改进灰色关联度理论的矿井突水水源识别[J]. 煤炭科学技术,2022,50(4):165−172. ZHU Saijun,JIANG Chunlu,BI Bo,et al. Identification of water inrush source based on combined weight-theory of improved gray relational degree[J]. Coal Science and Technology,2022,50(4):165−172.
[19] 王 欣,葛恒清,张凯婷,等. 基于遗传BP神经网络的矿井突水水源识别[J]. 淮阴师范学院学报(自然科学版),2017,16(4):307−311. WANG Xin,GE Hengqing,ZHANG Kaiting,et al. Water source recognition of mine inflow based on the GA-BP neural network[J]. Journal of huaiyin teachers college (Natural science edition),2017,16(4):307−311.
[20] 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.
[21] 张瑞钢,钱家忠,马 雷,等. 可拓识别方法在矿井突水水源判别中的应用[J]. 煤炭学报,2009,34(1):33−38. ZHANG Ruigang,QIAN Jiazhong,MA Lei,et al. Application of extension identification method in mine water-bursting source discrimination[J]. Journal of China Coal Society,2009,34(1):33−38.
[22] 王 亚,周孟然,闫鹏程,等. 基于极限学习机的矿井突水水源快速识别模型[J]. 煤炭学报,2017,42(9):2427−2432. WANG Ya,ZHOU Mengran,YAN Pengcheng,et al. A rapid identification model of mine water inrush based on extreme learning machine[J]. Journal of China Coal Society,2017,42(9):2427−2432.
[23] 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.
[24] 王甜甜,靳德武,刘 基,等. 动态权-集对分析模型在矿井突水水源识别中的应用[J]. 煤炭学报,2019,44(9):2840−2850. WANG Tiantian,JIN Dewu,LUI Ji,et al. Application of dynamic weight-set pair analysis model in mine water inrush discrimination[J]. Journal of China Coal Society,2019,44(9):2840−2850.
[25] 周孟然,来文豪,王 亚,等. CNN在煤矿突水水源LIF光谱图像识别的应用[J]. 光谱学与光谱分析,2018,38(7):2262−2266. ZHOU Mengran,LAI Wenhao,WANG Ya,et al. Application of CNN in LIF fluorescence spectrum image recognition of mine water inrush[J]. Spectroscopy and Spectral Analysis,2018,38(7):2262−2266.
[26] 范劭博,张中杰,黄 健. 决策树剪枝加强的关联规则分类方法[J]. 计算机工程与应用,2023,59(5):87−94. FAN Shaobo,ZHANG Zhongjie,HUANG Jian. Association rule classification method strengthened by decision tree pruning[J]. Computer Engineering and Applications,2023,59(5):87−94.
[27] 杭 琦,杨敬辉. 机器学习随机森林算法的应用现状[J]. 电子技术与软件工程,2018(24):125−127. HANG Qi,YANG Jinghui. The current state of application of machine learning random forest algorithms[J]. The Application of Computer Technology,2018(24):125−127.
[28] 李继君,薛 阳,余桂希,等. 基于支持向量机的煤矿井水害水源自动识别方法研究[J]. 华北科技学院学报,2015,12(2):25−29. LI Jijun,XUE Yang,YU Guixi,et al. Research on method of automatic recognition of water sources based on Support vector machine[J]. Journal of North China Institute of Science and Technology,2015,12(2):25−29.
[29] 田东雨,何玉珠,宋 平. 基于灰狼优化算法的SVM的图像噪声识别[J]. 电子测量技术,2019,42(4):90−94. TIAN Dongyu,HE Yuzhu,SONG Ping. Approach for image noise recognition by optimizing SVM using grey wolf optimization algorithm[J]. Electronic Measurement Technology,2019,42(4):90−94.
[30] 田 野,闵锦涛. 基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计[J]. 电工材料,2023,184(1):23−27. TIAN Ye,MIN Jintao. SOH Prediction of lithium ion battery with multiple degradation characteristics based on PSO-XGBoost algorithm[J]. Electrotechnical materials,2023,184(1):23−27.
[31] 张 涛,张明辉,李清伟,等. 基于粒子群-支持向量机的时间序列分类诊断模型[J]. 同济大学(自然科学版),2016,44(9):1450−1457. ZHANG Tao,ZHANG Minghui,LI Qingwei,et al. Time series classification diagnosis model based on partical swarm optimization and support vector machine[J]. Journal of TongJi University(Natural Science),2016,44(9):1450−1457.
[32] 周 旭,朱 毅,张九零,等. 基于PSO-XGBoost的煤自燃程度预测研究[J]. 煤矿安全与环保,2022,49(6):79−84. ZHOU Xu,ZHU Yi,ZHANG Jiuling,et al. Study on prediction model of coal spontaneous combustion based on PSO-XGBoost[J]. Mining Safety Environmental Protection,2022,49(6):79−84.
[33] 王雪阳,史攀飞. 蚁群算法与模拟退火、遗传算法比较分析[J]. 无线互联网科技,2015,65(13):126−127. WANG Xueyang,SHI Panfei. Comparative analysis of ant colony algorithm with simulated annealing and genetic algorithm[J]. Wireless Internet Technology,2015,65(13):126−127.
[34] 王海军,乔 烨. PSO-SVM模型在葡萄酒品质分类中的应用研究[J]. 计算机与数字工程,2012,40(8):146−148. WANG Haijun,QIAO Ye. Wine Quality Classification model based on PSO-SVM[J]. Computer And Digital Engineering,2012,40(8):146−148.
[35] 李祚泳,汪嘉杨,郭 淳. PSO算法优化BP网络的新方法及仿真实验[J]. 电子学报,2008(11):2224−2228. LI Zuoyong,WANG Jiayang,GUO Chun. A new method of BP network optimized based on particle swarm optimization and simulation test[J]. Acta Electronica Sinica,2008(11):2224−2228.
-
期刊类型引用(3)
1. 王路，赵庆珍，翟志伟，李江涛，李靖. 基于FTIR与烷烃气碳同位素特征的中阶煤结构演化研究. 煤炭工程. 2024(02): 171-177 . 
百度学术
2. 王欣，张海，王凯，范卫东. 差异化电子密度特征基团对煤氮迁移转化的影响机理. 洁净煤技术. 2024(11): 24-32 . 百度学术
3. 李美芬，李晔熙，邵燕，陈小珍，崔曦，左家琦，蒋恒宇. 伊敏煤热解过程中化学结构演化特征的原位拉曼光谱. 煤炭学报. 2022(12): 4313-4322 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 237
- HTML全文浏览量: 79
- PDF下载量: 113
- 被引次数: 9
