CN109993459B - 一种复杂多含水层矿井突水水源识别方法 - Google Patents

一种复杂多含水层矿井突水水源识别方法 Download PDF

Info

Publication number
CN109993459B
CN109993459B CN201910298332.5A CN201910298332A CN109993459B CN 109993459 B CN109993459 B CN 109993459B CN 201910298332 A CN201910298332 A CN 201910298332A CN 109993459 B CN109993459 B CN 109993459B
Authority
CN
China
Prior art keywords
water
identification
sample
aquifer
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910298332.5A
Other languages
English (en)
Other versions
CN109993459A (zh
Inventor
姜春露
安艳晴
郑刘根
傅先杰
程世贵
周学年
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Anhui University
China Coal Xinji Energy Co Ltd
Original Assignee
Anhui University
China Coal Xinji Energy Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University, China Coal Xinji Energy Co Ltd filed Critical Anhui University
Priority to CN201910298332.5A priority Critical patent/CN109993459B/zh
Publication of CN109993459A publication Critical patent/CN109993459A/zh
Application granted granted Critical
Publication of CN109993459B publication Critical patent/CN109993459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了一种复杂多含水层矿井突水水源识别方法，包括以下步骤：S1：根据已知含水层水样的水化学数据，建立矿井的水源数据库；S2：经过数据检验以及异常值的处理后的数据作为建模样本；S3：确定识别指标及其阈值并采用回代检验判断初步识别模型中的识别指标的有效性；S4：依据有效的识别指标以及Fisher识别法，建立“综合‑逐步识别法”模型；S5：测定待判水样识别指标，并通过“综合‑逐步识别法”模型依次判定，识别水源类型。本发明的优点是综合采用特征离子对比法、离子比例系数法和Fisher识别法等，对不同含水层水源识别采用不同方法，先简单后复杂，逐步判定水文地质条件较复杂、充水含水层较多的矿井水源类型。

Description

一种复杂多含水层矿井突水水源识别方法
技术领域
本发明涉及水源识别领域，尤其涉及一种复杂多含水层矿井突水水源识别方法。
背景技术
中国是一个以煤炭为主要能源的国家，而中国的煤矿床水文地质条件复杂多样，矿井水灾害形势严峻，是影响矿井安全生产的重要因素。矿井一旦发生水害不仅会造成巨大的经济损失，而且可能会造成人员伤亡。矿井水源识别是矿井水害防治的重要基础工作，可为防治水措施及灾后救援等提供依据。而选择合适的水源识别方法则是矿井水源识别的关键。
目前，矿井水源识别的主要方法有地下水水化学法、水位动态观测法、同位素法、水温度分析法等。其中，水化学方法由于基础资料丰富、通用性较强得到较为广泛的应用。利用水化学方法识别矿井突水水源的方法有很多，主要是在水化学数据基础上结合相关数理模型实现水源识别。如使用Fisher识别模型、Bayes识别模型、距离识别模型、神经网络模型、可拓识别模型、聚类分析、 SVM模型，以及先进行主成分分析再进行识别的组合模型等。
上述单一方法在矿井水文地质条件较简单、充水含水层类型较少的条件下，能取得较好的识别效果。但在水文地质条件较复杂、充水含水层较多时，识别有效性大大降低，无法满足矿井安全生产对水源识别模型的需求。
据此，目前急需一种能实现复杂多含水层突水水源类型的快速有效识别的复杂多含水层矿井突水水源识别方法。
发明内容
本发明所要解决的技术问题在于提供一种能实现复杂多含水层突水水源类型的快速有效识别的复杂多含水层矿井突水水源识别方法，其适用于水文地质条件较复杂、充水含水层较多的矿井突水水源识别。
本发明采用以下技术方案解决上述技术问题：一种复杂多含水层矿井突水水源识别方法，该方法包括以下步骤：
S1：根据已知含水层水样的水化学数据，建立矿井的水源数据库；
S2：经过数据检验以及异常值的处理后的数据作为建模样本；
S3：确定识别指标及其阈值并采用回代检验判断初步识别模型中的识别指标的有效性；
S4：依据有效的识别指标以及Fisher识别法，建立“综合-逐步识别法”模型；
S5：测定待判水样识别指标，并通过“综合-逐步识别法”模型依次判定，识别水源类型。
作为本发明的优选方式之一，所述水样的水化学数据为水样所属煤矿各含水层水的各种离子质量浓度和各离子的毫克当量及比值；常规离子可以为Na++K+、 Ca2+、Mg2+、Cl-、HCO3-、SO4 2-等；此水化学数据作为建立水源数据库的建库指标。
作为本发明的优选方式之一，所述数据检验的方法为阴阳离子平衡检验，误差控制在±5％以内；异常样本的筛选和处理方法采用各指标柱状图、箱图、 Q～Q图和聚类分析图的一种或几种结合，筛选出异常样本并剔除后的水样数据作为建模样本
作为本发明的优选方式之一，所述识别指标的选择方法是根据建模各含水层水样的水化学数据，从中选出能区分各含水层的指标作为识别指标，并确定其阈值，以及识别水源时的识别关系；识别指标选择的标准是识别指标在含水层水样中的含量变化比其他指标的含量变化大；某一识别的识别关系，即识别时将待测水样识别指标小于或大于确定的识别指标阈值的水样归为一类，识别指标至少可以区分两个含水层的水样；其中，识别指标是常规离子的质量浓度和常规离子的毫克当量比值。
作为本发明的优选方式之一，所述常规离子的质量浓度和常规离子的毫克当量比值分别叫做特征离子对比和离子比例系数。
作为本发明的优选方式之一，所述步骤S3中采用回代检验判断初步识别模型中的识别指标的有效性具体方法为：将已知含水层类型的水样作为新样本，依次代入建立的初步识别模型中，若识别结果与实际一致，则说明识别指标的选择以及建立的初步识别模型是有效的；若同一含水层水样识别结果多数与实际不一致，则应该重新选择新的识别指标，建立新的初步识别模型。
作为本发明的优选方式之一，所述步骤S4中综合-逐步识别法为综合采用特征离子对比法、离子比例系数法和Fisher识别法，对不同含水层水源识别采用不同方法，先简单后复杂，逐步判定水源类型；即对于某一待判单一含水层水样，识别时将待测水样特征离子或者离子比例系数小于确定的识别指标阈值的水样归为某种水源类型，或将该指标大于阈值的水样归为某种水源类型，如能判断出结果，则停止识别，否则将其归为新的待判样本，对此选择新的识别指标及其阈值，如此循环；对无法用识别指标判定突水水源类型时，则采用 Fisher识别法。利用本发明能够实现复杂多含水层矿井出水水源类型的快速识别。
作为本发明的优选方式之一，所述综合-逐步识别法具体步骤如下：
第一步，对于某一待判单一含水层水样，采用特征离子对比法判断该水样是奥灰水还是二含水，如能判断出结果，则停止识别，否则进行第二步识别；
第二步，采用离子比例系数法判断该水样是推覆体水还是煤系水；
第三步，在第二步基础上，如果该水样判定为推覆体水，则采用特征离子对比法，判定该水样是推覆体片麻岩水与推覆体寒灰水；如果该水样判定为煤系水，则采用Fisher识别法，判定该水样是砂岩水或太灰水。
至此，经过上述三步，该待判单一含水层水样被判定为二含水、推覆体片麻岩水、推覆体寒灰水、砂岩水、太灰水、奥灰水中的一种。
作为本发明的优选方式之一，所述综合-逐步识别法具体操作方法为：在经过数据校验及异常剔除后的水样中：首先，当TDS>4300mg/L、Cl->2000mg/L、 Na++K+>1350mg/L时，所述水样为奥灰水，识别结束；否则，进一步识别，当 TDS<440mg/L、Cl-<50mg/L、Na++K+<80mg/L时，所述水样为二含水，识别结束；否则，进一步识别，当γCl-/γCa2+<5.2时，所述水样为推覆体水，进一步识别，当TDS<1360mg/L、Cl-<474mg/L时，所述水样为推覆体水片麻岩水，识别结束；否则所述水样为推覆体水寒灰水，识别结束；当γCl-/γCa2+>5.2 时，所述水样为煤系水，再利用Fisher识别法，识别出砂岩水或太灰水，此时识别结束。
本发明相比现有技术的优点在于：本发明的优点是综合采用特征离子对比法、离子比例系数法和Fisher识别法等，对不同含水层水源识别采用不同方法，先简单后复杂，即可逐步判定水文地质条件较复杂、充水含水层较多的矿井水源类型。本发明直接通过检测未知水样中识别流程所采用的识别指标，即可代入所建立的“综合-逐步识别法”模型中，进行水源识别。因此，可以提高复杂多含水层矿井突水水源识别的快速性和准确性。
附图说明
图1是实施例1中的复杂多含水层突水水源识别流程图；
图2为本实施例的异常值处理柱状图；
图3为本实施例的异常值处理聚类结果图；
图4为本实施例的异常值处理指标箱图；
图5为本实施例的“综合-逐步识别法”模型具体流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例的一种复杂多含水层矿井突水水源识别方法，该方法包括以下步骤：
S1：根据已知含水层水样的水化学数据，建立矿井的水源数据库；所述水样的水化学数据为水样所属煤矿各含水层水的各种离子质量浓度和各离子的毫克当量及比值；常规离子可以为Na++K+、Ca2+、Mg2+、Cl-、HCO3 -、SO4 2-等；此水化学数据作为建立水源数据库的建库指标。
S2：经过数据检验以及异常值的处理后的数据作为建模样本；所述数据检验的方法为阴阳离子平衡检验，误差控制在±5％以内。在所述数据检验的阴阳离子平衡检验中：异常样本的筛选和处理方法采用各指标柱状图、箱图、Q～Q图和聚类分析图的一种或几种结合，筛选出异常样本并剔除后的水样数据作为建模样本。
S3：确定识别指标及其阈值并采用回代检验判断初步识别模型中的识别指标的有效性；所述识别指标的选择方法是根据建模各含水层水样的水化学数据，从中选出能区分各含水层的指标作为识别指标，并确定其阈值，以及识别水源的识别关系；识别指标选择的标准是识别指标在含水层水样中的含量变化比其他指标的含量变化大；某一识别的识别关系，即识别时将待测水样识别指标小于或大于确定的识别指标阈值的水样归为一类，识别指标至少可以区分两个含水层的水样；其中，识别指标是常规离子的质量浓度和常规离子的毫克当量比值，所述常规离子的质量浓度和常规离子的毫克当量比值分别叫做特征离子对比和离子比例系数。所述步骤S3中采用回代检验判断初步识别模型中的识别指标的有效性具体方法为：将已知含水层类型的水样作为新样本，依次代入建立的初步识别模型中，若识别结果与实际一致，则说明识别指标的选择以及建立的初步识别模型是有效的；若同一含水层水样识别结果多数与实际不一致，则应该重新选择新的识别指标，建立新的初步识别模型。
S4：依据有效的识别指标以及Fisher识别法，建立“综合-逐步识别法”模型；所述步骤S4中综合-逐步识别法为综合采用特征离子对比法、离子比例系数法和Fisher识别法，对不同含水层水源识别采用不同方法，先简单后复杂，逐步判定水源类型；即对于某一待判单一含水层水样，识别时将待测水样特征离子或者离子比例系数小于确定的识别指标阈值的水样归为某种水源类型，或将该指标大于阈值的水样归为某种水源类型，如能判断出结果，则停止识别，否则将其归为新的待判样本，对此选择新的识别指标及其阈值，如此循环；对无法用识别指标判定突水水源类型时，则采用Fisher识别法。Fisher识别法对总体的分布没有特定要求，是一种线性识别方法。它的特点是将高维数据点投影到低维空间(如一维直线)上，这样数据点就可以变得比较密集，从而可以克服由于维数高引起的“维数祸根”。投影的原则是将总体与总体之间尽可能的分开，然后根据类间距离最大、类内距离最小的原则确定识别分析函数，进而将新的样本进行分类识。利用本发明能够实现复杂多含水层矿井出水水源类型的快速识别。
所述综合-逐步识别法具体步骤如下：
第一步，对于某一待判单一含水层水样，采用特征离子对比法判断该水样是奥灰水还是二含水，如能判断出结果，则停止识别，否则进行第二步识别；
第二步，采用离子比例系数法判断该水样是推覆体水还是煤系水；
第三步，在第二步基础上，如果该水样判定为推覆体水，则采用特征离子对比法，判定该水样是推覆体片麻岩水与推覆体寒灰水；如果该水样判定为煤系水，则采用Fisher识别法，判定该水样是砂岩水或太灰水。
至此，经过上述三步，该待判单一含水层水样被判定为二含水、推覆体片麻岩水、推覆体寒灰水、砂岩水、太灰水、奥灰水中的一种。
S5：测定待判水样识别指标，并通过“综合-逐步识别法”模型依次判定，识别水源类型。
所述综合-逐步识别法具体操作方法为：在经过数据校验及异常剔除后的水样中：首先，当TDS>4300mg/L、Cl->2000mg/L、Na++K+>1350mg/L时，所述水样为奥灰水，识别结束；否则，进一步识别，当TDS<440mg/L、Cl-<50mg/L、 Na++K+<80mg/L时，所述水样为二含水，识别结束；否则，进一步识别，当γCl-/ γCa2+<5.2时，所述水样为推覆体水，进一步识别，当TDS<1360mg/L、Cl- <474mg/L时，所述水样为推覆体水片麻岩水，识别结束；否则所述水样为推覆体水寒灰水，识别结束；当γCl-/γCa2+>5.2时，所述水样为煤系水，再利用 Fisher识别法，识别出砂岩水或太灰水，此时识别结束。
本实施例综合采用特征离子对比法、离子比例系数法和Fisher识别法等，对不同含水层水源识别采用不同方法，先简单后复杂，即可逐步判定水文地质条件较复杂、充水含水层较多的矿井水源类型。本实施例直接通过检测未知水样中识别流程所采用的识别指标，即可代入所建立的“综合-逐步识别法”模型中，进行水源识别。因此，可以提高复杂多含水层矿井突水水源识别的快速性和准确性。
下面选择新集二水质台账中新生界二含水、推覆体片麻岩水、推覆体寒灰水、砂岩水和太灰水等含水层水样数据作为数据库，来具体阐述本实施例的设计方案与理论依据。
数据检验和异常样本处理
进行单一含水层特征指标判断时，要求所分析的水样水化学成分需是该含水层的典型代表。因此，在进行特征指标分析与水源识别模型建立前，需对各含水层水样进行检验和异常样本处理。
样本数据检验的方法为阴阳离子平衡检验，由于Na++K+、Ca2+、Mg2+、Cl-、 HCO3 -、SO4 2-指标均为实测值，因此要求误差控制在±5％以内，即测试误差在此范围内的为合格水样，做为基础数据进行下一步分析。
虽经阴阳离子检验合格，但有少数水样在水样采集、层位判定、测试分析等过程中的某一环节存在一定问题，导致该水样并不能真实反映某一含水层水质特征，在水质分析过程中表现为离群样本，需进行筛选剔除处理。下面以奥灰水样为例，阐述对异常样本的筛选和处理方法，如图2-4。
对收集的17个奥灰水样TDS、Na++K+、Ca2+、Cl-离子进行对比分析，如图2 所示。标号为O-03、O-04、O-05三个水样上述几个指标与其余14个水样差异明显。为进一步判断奥灰水O-04、O-05和O-06号三个水样与其余水样关系，对奥灰水样进行了***聚类分析。采用TDS、Na++K+、Ca2+、Mg2+、Cl-、HCO3 -、 SO4 2-等7个指标作为变量，聚类结果如图3所示。由图3可见，除标号为O-03、O-04、O-05号样品外，其余样品间差异性最小，最能代表奥灰水性质，而标号为O-03、O-04、O-05与其余样品间距离最大，在最后才完成分类。而箱线图，是一种用来描述数据分布的统计图形，可以用来表现观测数据的中位数、4分位数和极值等描述性统计量，从视觉的角度观测变量值的分布情况。奥灰水17个水样TDS、Na++K+、Ca2+、Mg2+、Cl-指标箱图如图4所示。由图可见，在这5个指标上标号为O-3、O-4、O-5三个水样，也均显示与其余水样有显著的差异。
因此，奥灰水17个样品中O-03、O-04、O-05号三个样品可视为异常样本，不能代表奥灰水典型特征，在后续水样类型识别模型建立中将剔除，不作为标准水样参与建模。
对新生界二含水、推覆体片麻岩水、推覆体寒武系水、砂岩水和太灰水等其余5个单一含水层水样均采用上述或其他多种方法进行离群样本的综合筛查和剔除。经过数据检验及异常样本剔除后的数据，作为建模的样本。
识别指标及阈值确定
根据前述分析，二含水和奥灰水在TDS、Cl-和Na++K+含量上具有典型特征，与其它含水层水样可以有效区分开来。因此，选择上述3个指标作为二含水和奥灰水的识别指标，其含量范围如表1所示。
表1二含水和奥灰水特征指标含量范围
Figure DEST_PATH_IMAGE001
Figure BDA0002027367290000101
(2)推覆体水和煤系水
推覆体片麻岩水与推覆体寒灰水常规离子和水质类型相近，砂岩水与太灰水常规离子和水质类型相近。这里把推覆体片麻岩水和推覆体寒灰水先归为一类，统称为推覆体水；把砂岩水和太灰水归为一类，统称为煤系水。通过建模样本的数据表明，推覆体水和煤系水的特征离子比例系数(γCl-/γCa2+)差异性明显(表2)，可作为重新归类的推覆体水和煤系水的区分标志。
表2推覆体水和煤系水特征离子比例系数范围
Figure DEST_PATH_IMAGE002
(3)推覆体片麻岩水与推覆体寒灰水
推覆体片麻岩水与推覆体寒武系水在TDS和Cl-含量上具有典型特征，可做为区分这两类含水层水的标志。
表3推覆体水特征指标含量范围
Figure DEST_PATH_IMAGE003
Figure BDA0002027367290000111
(4)砂岩水与太灰水
砂岩水与太灰水在特征例子指标和离子比例系数上差异均不明显，仅从上述两个方面常规手段尚无法区分。为此，综合选择TDS、Ca2+、Mg2+、Na++K+、 HCO3 -、SO4 2-、Cl-等7个指标作为砂岩水与太灰水之间分类的识别因子，采用 Fisher识别法进行判定水源类型。
Fisher识别法对总体的分布没有特定要求，是一种线性识别方法。它的特点是将高维数据点投影到低维空间(如一维直线)上，这样数据点就可以变得比较密集，从而可以克服由于维数高引起的“维数祸根”。投影的原则是将总体与总体之间尽可能的分开，然后根据类间距离最大、类内距离最小的原则确定识别分析函数，进而将新的样本进行分类识。
识别方法选择及识别步骤
本次新集二矿复杂多含水层水源类型识别方法采用“综合-逐步识别法”。
具体步骤如下：
第一步，对于某一待判单一含水层水样，采用特征离子对比法判断该水样是奥灰水还是二含水，如能判断出结果，则停止识别，否则进行第二步识别。
第二步，采用离子比例系数法判断该水样是推覆体水还是煤系水。
第三步，在第二步基础上，如果该水样判定为推覆体水，则采用特征离子对比法，判定该水样是推覆体片麻岩水与推覆体寒灰水；如果该水样判定为煤系水，则采用Fisher识别法，判定该水样是砂岩水和太灰水。
至此，经过上述三步，该待判单一含水层水样被判定为二含水、推覆体片麻岩水、推覆体寒灰水、砂岩水、太灰水、奥灰水中的一种。
“综合-逐步识别法”模型的建立
对于某一待判单一含水层水样，在进行数据检验和异常样本处理、识别指标及界限值、识别方法选择及识别步骤确定后，建立的识别模型及流程如图3所示。
识别效果的检验
采用回代检验判断识别指标的有效性，将已知含水层类型的水样作为新样本，依次代入建立的识别模型中，若识别结果与实际一致，则说明识别指标的选择以及建立的“综合-逐步识别法”模型是有效的；若同一含水层水样识别结果多数与实际不一致，则应该重新选择新的识别指标，建立新的水源识别模型。
确定“综合-逐步识别法”模型后，对未知含水层水样，通过测试识别指标的含量后，代入所建立的模型，即可得出未知水样的含水层类型。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种复杂多含水层矿井突水水源识别方法，其特征在于，该方法包括以下步骤：
S1：根据已知含水层水样的水化学数据，建立矿井的水源数据库；
S2：经过数据检验以及异常值的处理后的数据作为建模样本；
S3：确定识别指标及其阈值并采用回代检验判断初步识别模型中的识别指标的有效性；
S4：依据有效的识别指标以及Fisher识别法，建立“综合-逐步识别法”模型；测定待判水样识别指标，并通过“综合-逐步识别法”模型依次判定，识别水源类型；
所述步骤S4中综合-逐步识别法为综合采用特征离子对比法、离子比例系数法和Fisher识别法，对不同含水层水源识别采用不同方法，先简单后复杂，逐步判定水源类型；即对于某一待判单一含水层水样，识别时将待测水样特征离子或者离子比例系数小于确定的识别指标阈值的水样归为某种水源类型，或将该指标大于阈值的水样归为某种水源类型，如能判断出结果，则停止识别，否则将其归为新的待判样本，对此选择新的识别指标及其阈值，如此循环；对无法用识别指标判定突水水源类型时，则采用Fisher识别法；
所述综合-逐步识别法具体步骤如下：
第一步，对于某一待判单一含水层水样，采用特征离子对比法判断该水样是奥灰水还是二含水，如能判断出结果，则停止识别，否则进行第二步识别；
第二步，采用离子比例系数法判断该水样是推覆体水还是煤系水；
第三步，在第二步基础上，如果该水样判定为推覆体水，则采用特征离子对比法，判定该水样是推覆体片麻岩水与推覆体寒灰水；如果该水样判定为煤系水，则采用Fisher识别法，判定该水样是砂岩水或太灰水。
2.根据权利要求1所述的复杂多含水层矿井突水水源识别方法，其特征在于，所述水样的水化学数据为水样所属煤矿各含水层水的各离子质量浓度和各离子的毫克当量及比值；此水化学数据作为建立水源数据库的建库指标。
3.根据权利要求1所述的复杂多含水层矿井突水水源识别方法，其特征在于，所述数据检验的方法为阴阳离子平衡检验，误差控制在±5％以内；异常样本的筛选和处理方法采用各指标柱状图、箱图、Q～Q图和聚类分析图的一种或几种结合，筛选出异常样本并剔除后的水样数据作为建模样本。
4.根据权利要求1所述的复杂多含水层矿井突水水源识别方法，其特征在于，所述识别指标的选择方法是根据建模各含水层水样的水化学数据，从中选出能区分各含水层的指标作为识别指标，并确定其阈值，以及识别水源时的识别关系；识别指标选择的标准是识别指标在含水层水样中的含量变化比其他指标的含量变化大；某一识别的识别关系，即识别时将待测水样识别指标小于或大于确定的识别指标阈值的水样归为一类；识别指标至少可以区分两个含水层的水样；其中，识别指标是常规离子的质量浓度和常规离子的毫克当量比值。
5.根据权利要求4所述的复杂多含水层矿井突水水源识别方法，其特征在于，所述常规离子的质量浓度和常规离子的毫克当量比值分别叫做特征离子对比和离子比例系数。
6.根据权利要求1所述的复杂多含水层矿井突水水源识别方法，其特征在于，所述步骤S3中采用回代检验判断初步识别模型中的识别指标的有效性具体方法为：将已知含水层类型的水样作为新样本，依次代入建立的初步识别模型中，若识别结果与实际一致，则说明识别指标的选择以及建立的初步识别模型是有效的；若同一含水层水样识别结果多数与实际不一致，则应该重新选择新的识别指标，建立新的初步识别模型。
7.根据权利要求1所述的复杂多含水层矿井突水水源识别方法，其特征在于，所述综合-逐步识别法具体操作方法为：在经过数据校验及异常剔除后的水样中：首先，当TDS>4300mg/L、Cl->2000mg/L、Na++K+>1350mg/L时，所述水样为奥灰水，识别结束；否则，进一步识别，当TDS<440mg/L、Cl-<50mg/L、Na++K+<80mg/L时，所述水样为二含水，识别结束；否则，进一步识别，当γCl-/γCa2+<5.2时，所述水样为推覆体水，进一步识别，当TDS<1360mg/L、Cl-<474mg/L时，所述水样为推覆体水片麻岩水，识别结束；否则所述水样为推覆体水寒灰水，识别结束；当γCl-/γCa2+>5.2时，所述水样为煤系水，再利用Fisher识别法，识别出砂岩水或太灰水，此时识别结束。
CN201910298332.5A 2019-04-15 2019-04-15 一种复杂多含水层矿井突水水源识别方法 Active CN109993459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910298332.5A CN109993459B (zh) 2019-04-15 2019-04-15 一种复杂多含水层矿井突水水源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910298332.5A CN109993459B (zh) 2019-04-15 2019-04-15 一种复杂多含水层矿井突水水源识别方法

Publications (2)

Publication Number Publication Date
CN109993459A CN109993459A (zh) 2019-07-09
CN109993459B true CN109993459B (zh) 2022-09-23

Family

ID=67133385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910298332.5A Active CN109993459B (zh) 2019-04-15 2019-04-15 一种复杂多含水层矿井突水水源识别方法

Country Status (1)

Country Link
CN (1) CN109993459B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852364A (zh) * 2019-10-31 2020-02-28 中国煤炭地质总局勘查研究总院 矿井突水水源识别方法、装置与电子设备
CN111562285A (zh) * 2020-06-03 2020-08-21 安徽大学 基于大数据与深度学习的矿井突水水源识别方法及其识别***
CN112381117B (zh) * 2020-10-22 2023-10-17 合肥工业大学 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法
CN112508330B (zh) * 2020-10-29 2024-04-23 中煤科工集团西安研究院有限公司 西部矿区开采扰动下矿井水来源判别方法
CN112633318B (zh) * 2020-11-04 2023-08-11 中国地质大学（北京） 一种基于Java和安卓平台的水源识别方法
CN113689915A (zh) * 2021-08-25 2021-11-23 合肥工业大学 基于常规水化学矿井异常导水构造探测方法
CN114264680B (zh) * 2021-11-15 2023-06-13 中煤科工集团西安研究院有限公司 一种基于比拟法的矿井水中氟化物浓度预测方法
CN114167021A (zh) * 2021-12-09 2022-03-11 山西启诚电子科技有限公司 一种矿井水源快速识别仪及其控制方法
CN118033091A (zh) * 2024-04-09 2024-05-14 华北理工大学 基于成矿作用分析的矽卡岩型铁矿床的水源判别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923084A (zh) * 2010-07-15 2010-12-22 北京华安奥特科技有限公司 一种矿用水源识别方法及识别设备
CN103617147A (zh) * 2013-11-27 2014-03-05 中国地质大学（武汉） 一种矿井突水水源层识别方法
CN104122319A (zh) * 2014-08-13 2014-10-29 北京华安奥特科技有限公司 一种基于离子复合电极检测技术和光谱分析技术的矿区水源识别方法及***
CN104297308A (zh) * 2014-10-23 2015-01-21 淮南矿业(集团)有限责任公司 一种矿井突水水源快速判别设备
CN104597516A (zh) * 2015-01-19 2015-05-06 天地科技股份有限公司 一种矿井突水水源快速判别***
WO2016115816A1 (zh) * 2015-01-23 2016-07-28 中国矿业大学 奥灰顶部充填带结构判别指标及确定方法
WO2017004552A1 (en) * 2015-07-02 2017-01-05 Abramowitz Rachel Customized personal care management based on water quality and other environmental factors
CN108805357A (zh) * 2018-06-13 2018-11-13 安徽理工大学 一种基于PCA分析的Fisher判别模型突水水源预测方法
CN108876030A (zh) * 2018-06-11 2018-11-23 安徽理工大学 一种基于Fisher判别模型的突水水源预测方法
WO2019019709A1 (zh) * 2017-07-24 2019-01-31 厦门快商通科技股份有限公司 一种自来水管漏水检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923084A (zh) * 2010-07-15 2010-12-22 北京华安奥特科技有限公司 一种矿用水源识别方法及识别设备
CN103617147A (zh) * 2013-11-27 2014-03-05 中国地质大学（武汉） 一种矿井突水水源层识别方法
CN104122319A (zh) * 2014-08-13 2014-10-29 北京华安奥特科技有限公司 一种基于离子复合电极检测技术和光谱分析技术的矿区水源识别方法及***
CN104297308A (zh) * 2014-10-23 2015-01-21 淮南矿业(集团)有限责任公司 一种矿井突水水源快速判别设备
CN104597516A (zh) * 2015-01-19 2015-05-06 天地科技股份有限公司 一种矿井突水水源快速判别***
WO2016115816A1 (zh) * 2015-01-23 2016-07-28 中国矿业大学 奥灰顶部充填带结构判别指标及确定方法
WO2017004552A1 (en) * 2015-07-02 2017-01-05 Abramowitz Rachel Customized personal care management based on water quality and other environmental factors
WO2019019709A1 (zh) * 2017-07-24 2019-01-31 厦门快商通科技股份有限公司 一种自来水管漏水检测方法
CN108876030A (zh) * 2018-06-11 2018-11-23 安徽理工大学 一种基于Fisher判别模型的突水水源预测方法
CN108805357A (zh) * 2018-06-13 2018-11-13 安徽理工大学 一种基于PCA分析的Fisher判别模型突水水源预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Recognition model of groundwater inrush source of coal mine: a case study on Jiaozuo coal mine in China;Huang ping-hua等;《Arabian Journal of Geosciences》;20170729;全文 *
基于多元统计分析的矿井突水水源Fisher识别及混合模型;黄平华等;《煤炭学报》;20110531;第36卷;全文 *
基于聚类分析方法的矿井水源识别;姚洁等;《煤矿安全》;20130220(第02期);全文 *
多元统计分析模型在矿井突水水源判别中的应用;刘杰刚等;《中国煤炭》;20130222(第02期);全文 *
新集一矿突水水源综合判别模型研究;金洲洋;《中国优秀硕士学位论文全文数据库（工程科技I辑）》;20160815(第08期);全文 *
用Fisher判别法确定矿井突水水源;陈红江等;《中南大学学报(自然科学版)》;20090826(第04期);全文 *

Also Published As

Publication number Publication date
CN109993459A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109993459B (zh) 一种复杂多含水层矿井突水水源识别方法
CN105095238B (zh) 用于检测欺诈交易的决策树生成方法
CN106709242A (zh) 一种鉴别污水监测数据真伪的方法
CN105181907B (zh) 一种定量判别软玉产地的方法
CN110261560A (zh) 复杂水文地质矿井突水水源识别方法及***
CN106529571A (zh) 基于神经网络的多层图像特征提取建模、图像识别方法及装置
CN108844941B (zh) 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法
CN110852364A (zh) 矿井突水水源识别方法、装置与电子设备
CN113516228B (zh) 一种基于深度神经网络的网络异常检测方法
CN104951842A (zh) 一种新的油田产量预测方法
CN112926893A (zh) 基于模糊综合评判和层次分析的水平井调剖效果评价方法
CN110619418A (zh) 一种基于混合模型组合算法的多特征水质预测方法
CN105653788A (zh) 一种矿区水源识别方法、装置和***
CN111881974B (zh) 一种基于Piper-PCA-FCL判别模型的突水水源识别方法
CN109779622B (zh) 特高含水期油藏低效注水带表征方法及装置
CN108931815A (zh) 一种岩性的分级识别方法
CN106528665A (zh) Aoi设备测试文件查找方法和***
CN116823047A (zh) 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法
Congestri et al. Evaluating biomass of Baltic filamentous cyanobacteria by image analysis
CN105824785A (zh) 基于惩罚回归的快速异常点检测方法
CN112966783B (zh) 一种矿井水常量离子特征标识及水源判别的方法
CN111967742A (zh) 一种矿井突水水源级次快速判别技术方法
CN112257336A (zh) 一种基于特征选择与支持向量机模型的矿井突水水源判别方法
CN110656924A (zh) 一种超低渗透油藏分类方法
CN112257763A (zh) 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240607

Address after: 221008 No.1, Jinshan East Road, Quanshan District, Xuzhou City, Jiangsu Province

Patentee after: CHINA University OF MINING AND TECHNOLOGY

Country or region after: China

Patentee after: ANHUI University

Patentee after: CHINA COAL XINJI ENERGY Co.,Ltd.

Address before: No. 111, Kowloon Road, Hefei, Anhui, Anhui

Patentee before: ANHUI University

Country or region before: China

Patentee before: CHINA COAL XINJI ENERGY Co.,Ltd.

TR01 Transfer of patent right