CN110261560A - 复杂水文地质矿井突水水源识别方法及*** - Google Patents
复杂水文地质矿井突水水源识别方法及*** Download PDFInfo
- Publication number
- CN110261560A CN110261560A CN201910603123.7A CN201910603123A CN110261560A CN 110261560 A CN110261560 A CN 110261560A CN 201910603123 A CN201910603123 A CN 201910603123A CN 110261560 A CN110261560 A CN 110261560A
- Authority
- CN
- China
- Prior art keywords
- water
- sample
- water sample
- identification model
- identification
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 305
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000009172 bursting Effects 0.000 title claims abstract description 28
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 37
- 239000003245 coal Substances 0.000 claims abstract description 19
- 238000006467 substitution reaction Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000009412 basement excavation Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 150000002500 ions Chemical class 0.000 claims description 41
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000010797 grey water Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001159 Fisher's combined probability test Methods 0.000 description 1
- 241000372132 Hydrometridae Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1813—Specific cations in water, e.g. heavy metals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/182—Specific anions in water
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种复杂水文地质矿井突水水源识别方法,包括以下步骤:S1、首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;S2、将收集和采集的水样的数据作为建模样本;S3、对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;S4、依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区‑综合识别模型;S5、用回代估计法对所建立的分区‑综合识别模型的准确性进行检验;S6、测定待测水样识别指标,并通过分区‑综合识别模型进行水源识别。本发明还公开了一种复杂水文地质矿井突水水源识别***。本发明适用于水文地质条件较为复杂的矿井突水水源识别。
Description
技术领域
本发明涉及水源识别领域,尤其涉及一种复杂水文地质矿井突水水源识别方法及***。
背景技术
水害是影响煤矿生产与安全的主要灾害之一。我国煤矿床水文地质条件复杂多样,矿井水害事故频繁,一直是制约我国煤炭生产发展的重要因素之一。煤矿水害给国家和人民生命财产造成的损失是巨大的。矿井充水水源识别是防治水工作的基础,它能为制定合理有效的防治水措施(疏干、降压及堵水)提供依据。
目前,矿井水源识别的主要办法有水化学法、水温水质识别法、同位素法等。其中水化学方法由于使用方便、通用性较强得到了广泛的应用。水化学方法识别矿井突水水源的方法很多,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。包括Fisher识别模型、Bayes识别模型、神经网络模型、支持向量机模型、可拓识别模型等。
上述单一方法对于水文地质较为简单的矿井水源可以取得较好的识别效果。对于水文地质条件较为复杂的条件下,识别的准确有效性就会大大下降,无法满足矿井安全生产对水源识别模型的需求。
因此,目前急需一种能实现复杂水文地质矿井突水水源识别方法及***。
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水文地质矿井突水水源快速有效的识别方法及***,其适用于水文地质条件较为复杂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:
一种复杂水文地质矿井突水水源识别方法,该方法包括以下步骤:
S1、首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;
S2、将收集和采集的水样的数据作为建模样本;
S3、对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;
S4、依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区-综合识别模型;
S5、用回代估计法对所建立的分区-综合识别模型的准确性进行检验;
S6、测定待测水样识别指标,并通过分区-综合识别模型进行水源识别。
作为本发明的优选方式之一,所述S2中的水样的数据具体为煤矿各区域含水层水样的各离子浓度和各离子的毫克当量及比值;此水样的化学数据作为建立水源数据库的建库指标,各离子的质量浓度叫做特征离子对比,而各离子的毫克当量的比值叫做离子比例系数。
作为本发明的优选方式之一,所述各离子至少为Na++K+、Ca2+、Mg2+、Cl-、HCO3-、SO42-。
作为本发明的优选方式之一,所述步骤S3中数据检验具体为:采用阴阳离子平衡检验,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,更直观的确定水样的特征指标及界限含量,筛选出异常样本,并将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,所述步骤S4中的分区-综合识别模型的特征识别指标和界限值是根据各分区水样的各离子的质量浓度、毫克当量百分比及离子比例系数来确定的;特征识别指标的选择标准是在各分区的含水层水样中含量较其他指标变化明显,界限值容易判定;识别时,将待测水样的特征识别指标小于或大于确定的界限含量的水样归为一类;其中,将水样常规离子质量浓度和毫克当量百分比作为识别指标。
作为本发明的优选方式之一,所述步骤S4中分区-综合识别模型综合采用特征指标识别模型、Fisher识别模型和Bayes识别模型对其进行水源综合识别,对不同的分区采用不同的识别方法;即对待某一区域的某一含水层水样,识别时将待测水样的特征识别指标或离子比例系数大于或小于确定的界限含量的水样归为某种水源类型,将待测水样的常规离子含量,依次代入建立的识别函数中,并且利用识别准则进行识别;如果方法将水样识别为一类水源,则停止识别;如果各指标识别不一致,则采用少数服从多数原则,以多数指标识别结果为最终水源类别。
作为本发明的优选方式之一,所述步骤S5中,采用回代估计法对所建立的分区-综合识别模型进行了回代自检,其具体内容为:将建立模型的水样数据依次代入所建立的模型中,如果识别结果与实际相一致,说明选择的特征识别指标和建立的识别模型是有效的;若模型识别结果大部分与实际不一致,则需要重新选取特征识别指标并建立初步识别模型。
作为本发明的优选方式之一,所述的分区-综合识别模型具体操作方法为:第一步,将城郊矿区分为一水平东翼、一水平北翼、一水平西北翼、二水平西翼和二水平南翼;
第二步,先将水样中Na++K+、Ca2+、Mg2+、SO4 2-、Cl-、HCO3 -的离子浓度代入Fisher识别模型和Bayes识别模型的识别式得出的水源类型为太灰水;且当一水平东翼Ca2+的质量浓度>252mg/L,毫克当量百分比>23%,γCl-/γCa2+值<0.525;一水平北翼中水样的Ca2+的质量浓度>300mg/L,Ca2+毫克当量百分比>22%,γCa2+/γNa+>0.36,γSO4 2-/γ(Ca2++Mg2+)<2.1;一水平西北翼中水样的Na++K+质量浓度<900mg/L,SO4 2-质量浓度<2410mg/L,Cl-质量浓度<342mg/L;二水平西翼中水样的Na++K+质量浓度<770mg/L,Ca2+的质量浓度>350mg/L,Ca2+毫克当量百分比>30%,γNa+/γCl-值<3,γCa2+/γNa+>0.6,γCl-/γCa2+>0.38,太灰水γSO4 2-/γ(Ca2++Mg2+)<1.9,γ(Ca2++Mg2+)/γ(HCO3 -+SO4 2-)>0.48,γCa2+/γSO4 2->0.45,砂岩水γCa2+/γSO4 2-<0.45,γNa+/γSO4 2-<0.62;则判断该水样水源类型为太灰水;
第三步:若Fisher识别模型和Bayes识别模型的得出的水源类型为砂岩水,且当一水平东翼Ca2+的质量浓度<252mg/L,毫克当量百分比<23%,γCl-/γCa2+值>0.525;一水平北翼中水样的Ca2+的质量浓度<300mg/L,Ca2+毫克当量百分比<22%,γCa2+/γNa+>0.36,γSO4 2-/γ(Ca2++Mg2+)>2.1;一水平西北翼中水样的Na++K+质量浓度>900mg/L,SO4 2-质量浓度>2410mg/L,Cl-质量浓度>342mg/L;二水平西翼中水样的Na++K+质量浓度>770mg/L,Ca2+的质量浓度<350mg/L,Ca2+毫克当量百分比<30%,γNa+/γCl->3,γCa2+/γNa+<0.6,γCl-/γCa2+<0.38,太灰水γSO4 2-/γ(Ca2++Mg2+)>1.9,γ(Ca2++Mg2+)/γ(HCO3 -+SO4 2-)<0.48,γCa2+/γSO4 2-<0.45,砂岩水γCa2+/γSO4 2->0.45,γNa+/γSO4 2->0.62;则判断该水样为砂岩水;
第四步,若Fisher识别模型和Bayes识别模型的得出的水源类型为砂岩水(太灰水),而特征识别模型得出的结果为太灰水(砂岩水),则少数服从多数,识别结束。
本发明还公开了一种复杂水文地质矿井突水水源识别***,该***包括以下模块:
地质划分模块:首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;
建模模块:将收集和采集的水样的数据作为建模样本;
特征模块:对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;
初步水源识别模块:依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区-综合识别模型;
检验模块:用回代估计法对所建立的分区-综合识别模型的准确性进行检验;
最终水源识别模块:测定待测水样识别指标,并通过分区-综合识别模型进行水源识别。
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、离子比例系数方法、Fisher识别方法和Bayes识别方法,对不同的分区的含水层水源识别采用不同的方法,分区识别水源,即可识别水文地质条件较为复杂的矿区水源类型。本发明通过检测未知水样中识别流程所需要的识别指标,然后将其代入分区-综合识别模型中,即可进行水源识别。
附图说明
图1是实施例中的复杂水文地质矿井突水水源识别方法的识别流程图;
图2是实施例的全区混合水水化学数据箱式图;
图3是实施例的全区砂岩水水化学数据箱式图;
图4是实施例的全区太灰水水化学数据箱式图;
图5是实施例的分区-综合识别模型具体流程图;
图6是实施例的复杂水文地质矿井突水水源识别方法的识别***结构示意图。
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1-5所示,本实施例的一种复杂水文地质矿井突水水源识别方法,该方法包括以下步骤:
S1、首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;将城郊矿区分为一水平东翼、一水平北翼、一水平西北翼、二水平西翼和二水平南翼五个分区。根据各分区的水样的水化学数据,从中选出能区分各区主要突水含水层的指标作为特征识别指标,还可以确定其界限值,识别水源时的识别关系;识别指标的标准是识别指标在各分区水样中的含量变化较其他指标明显;某一识别的识别关系,就是在识别时将待测水样的特征识别指标小于或者大于确定的识别指标的界限值的水样归为一类,来区分两个含水层的水样;其中,特征识别指标是常规离子的质量浓度和毫克当量比值。
S2、将收集和采集的水样的数据作为建模样本;所述S2中的水样的数据具体为煤矿各区域含水层水样的各离子浓度和各离子的毫克当量及比值;此水样的化学数据作为建立水源数据库的建库指标,各离子的质量浓度叫做特征离子对比,而各离子的毫克当量比值叫做离子比例系数,所述各离子至少为Na++K+、Ca2+、Mg2+、Cl-、HCO3 -、SO4 2-。
S3、对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;所述步骤S3中数据检验具体为:采用阴阳离子平衡检验,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,更直观的确定水样的特征指标及界限含量,筛选出异常样本,并将剔除后的水样数据作为建模样本。
S4、依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区-综合识别模型;所述步骤S4中的分区-综合识别模型的特征识别指标和界限值是根据各分区水样的各离子的质量浓度及毫克当量百分比来确定的;特征识别指标的选择标准是在各分区的含水层水样中含量较其他指标变化明显,界限值容易判定;识别时,将待测水样的特征识别指标小于或大于确定的界限含量的水样归为一类;其中,将水样常规离子质量浓度、毫克当量百分比及离子比例系数作为识别指标;所述步骤S4中分区-综合识别模型综合采用特征指标识别模型、Fisher识别模型和Bayes识别模型对其进行水源综合识别,对不同的分区采用不同的识别方法;即对待某一区域的某一含水层水样,识别时将待测水样的特征识别指标、离子毫克当量百分比或离子比例系数大于或小于确定的界限含量的水样归为某种水源类型,将待测水样的常规离子含量,依次代入建立的识别函数中,并且利用识别准则进行识别;如果方法将水样识别为一类水源,则停止识别;如果各指标识别不一致,则采用少数服从多数原则,以多数指标识别结果为最终水源类别。
S5、用回代估计法对所建立的分区-综合识别模型的准确性进行检验;所述步骤S5中,采用回代估计法对所建立的分区-综合识别模型进行了回代自检,其具体内容为:将建立模型的水样数据依次代入所建立的模型中,如果识别结果与实际相一致,说明选择的特征识别指标和建立的识别模型是有效的;若模型识别结果大部分与实际不一致,则需要重新选取特征识别指标并建立初步识别模型。
S6、测定待测水样识别指标,并通过分区-综合识别模型进行水源识别,所述的分区-综合识别模型具体操作方法为:
第一步,将城郊矿区分为一水平东翼、一水平北翼、一水平西北翼、二水平西翼和二水平南翼;
第二步,先将水样中Na++K+、Ca2+、Mg2+、SO4 2-、Cl-、HCO3 -的离子浓度代入Fisher识别模型和Bayes识别模型的识别式得出的水源类型为太灰水;且当一水平东翼Ca2+的质量浓度>252mg/L,毫克当量百分比>23%,γCl-/γCa2+值<0.525;一水平北翼中水样的Ca2+的质量浓度>300mg/L,Ca2+毫克当量百分比>22%,γCa2+/γNa+>0.36,γSO4 2-/γ(Ca2++Mg2+)<2.1;一水平西北翼中水样的Na++K+质量浓度<900mg/L,SO4 2-质量浓度<2410mg/L,Cl-质量浓度<342mg/L;二水平西翼中水样的Na++K+质量浓度<770mg/L,Ca2+的质量浓度>350mg/L,Ca2+毫克当量百分比>30%,γNa+/γCl-值<3,γCa2+/γNa+>0.6,γCl-/γCa2+>0.38,太灰水γSO4 2-/γ(Ca2++Mg2+)<1.9,γ(Ca2++Mg2+)/γ(HCO3 -+SO4 2-)>0.48,γCa2+/γSO4 2->0.45,砂岩水γCa2+/γSO4 2-<0.45,γNa+/γSO4 2-<0.62;则判断该水样水源类型为太灰水;
第三步:若Fisher识别模型和Bayes识别模型的得出的水源类型为砂岩水,且当一水平东翼Ca2+的质量浓度<252mg/L,毫克当量百分比<23%,γCl-/γCa2+值>0.525;一水平北翼中水样的Ca2+的质量浓度<300mg/L,Ca2+毫克当量百分比<22%,γCa2+/γNa+>0.36,γSO4 2-/γ(Ca2++Mg2+)>2.1;一水平西北翼中水样的Na++K+质量浓度>900mg/L,SO4 2-质量浓度>2410mg/L,Cl-质量浓度>342mg/L;二水平西翼中水样的Na++K+质量浓度>770mg/L,Ca2+的质量浓度<350mg/L,Ca2+毫克当量百分比<30%,γNa+/γCl->3,γCa2+/γNa+<0.6,γCl-/γCa2+<0.38,太灰水γSO4 2-/γ(Ca2++Mg2+)>1.9,γ(Ca2++Mg2+)/γ(HCO3 -+SO4 2-)<0.48,γCa2+/γSO4 2-<0.45,砂岩水γCa2+/γSO4 2->0.45,γNa+/γSO4 2->0.62;则判断该水样为砂岩水;
第四步,若Fisher识别模型和Bayes识别模型的得出的水源类型为砂岩水(太灰水),而特征识别模型得出的结果为太灰水(砂岩水),则少数服从多数,识别结束。
本实施例综合采用特征指标识别模型、Fisher识别模型和Bayes识别模型对其进行水源综合识别,对不同的分区采用不同的识别方法,可判定复杂水文地质条件下的地下水的水源。本实施例直接通过将研究区域根据水文地质和挖掘工程等进行分区,再检测未知水样中识别流程所采用的识别指标和水化学数据,即可代入所建立的分区-逐综合识别模型中,进行水源识别。因此,可以提高复杂水文地质矿井突水水源识别的快速性和准确性。
实施例2
如图6:本实施例还公开了一种复杂水文地质矿井突水水源识别***,该***包括以下模块:
地质划分模块:首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;
建模模块:将收集和采集的水样的数据作为建模样本;
特征模块:对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;
初步水源识别模块:依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区-综合识别模型;
检验模块:用回代估计法对所建立的分区-综合识别模型的准确性进行检验;
最终水源识别模块:测定待测水样识别指标,并通过分区-综合识别模型进行水源识别。
下面选择城郊矿区一水平东翼、一水平北翼、一水平西北翼、二水平西翼和二水平南翼的太灰水和砂岩水水样数据作为数据库,来阐述本实施例的设计方案和理论依据。
城郊矿分区
通过城郊矿井地质构造与水文地质条件分析,将矿井分为五个区域,分别为一水平东翼、一水平北翼、一水平西北翼、二水平西翼以及二水平南翼,本次研究中,对每个区域分别进行水化学特征分析研究,单独建立水化学管理数据库、水源识别模型和决策支持***。
特征识别指标及界限值确定
(1)一水平东翼太灰水与砂岩水
根据上述分析,在一水平东翼中太灰水和砂岩水的Ca2+的质量浓度、Ca2+毫克当量百分比以及γCl-/γCa2+均具有显著差异,故选为特征指标含量,其含量范围如表1所示。
(2)一水平北翼太灰水与砂岩水
在一水平北翼中太灰水和砂岩水的Ca2+的质量浓度、Ca2+毫克当量百分比、γCa2+/γNa+和γSO4 2-/γ(Ca2++Mg2+)上均具有显著差异,故选为特征指标含量,其含量范围如表2所示。
(3)一水平西北翼太灰水与砂岩水
在一水平西北翼中太灰水和砂岩水的Na++K+、SO4 2-和Cl-的质量浓度上均具有显著差异,故选为特征指标含量,其含量范围如表3所示。
(4)二水平西翼太灰水与砂岩水
在二水平西翼中太灰水和砂岩水的Na++K+、Ca2+质量浓度、Ca2+毫克当量百分比、γNa+/γCl-、γCa2+/γNa+、γCl-/γCa2+、γSO4 2-/γ(Ca2++Mg2+)、γ(Ca2++Mg2+)/γ(HCO3 -+SO42-)、γCa2+/γSO4 2-和γNa+/γSO4 2-上均具有显著差异,故选为特征指标含量,其含量范围如表4所示。
(5)一水平西北翼太灰水与砂岩水
在二水平南翼中太灰水和砂岩水的γSO4 2-/γ(Ca2++Mg2+)、γMg2+/γNa+、γNa+/γSO4 2-的值均具有显著差异,故选为特征指标含量,其含量范围如表5所示。
表1一水平东翼砂岩水和太灰水特征指标含量范围
表2一水平北翼砂岩水和太灰水特征指标含量范围
表3一水平西北翼砂岩水和太灰水特征指标含量范围
表4二水平西翼砂岩水和太灰水特征指标含量范围
表5二水平南翼砂岩水和太灰水特征指标含量范围
识别步骤
本次城郊矿区复杂水文地质复杂水文地质多含水层突水水源识别方法采用分区-综合识别识别模型。
具体步骤如下:
第一步,对于某一待判单一含水层水样,首先确定其所在分区;
第二步,根据水样的特征值和水化学数据,从特征指标法、Fisher识别法和Bayes识别法得出水样的水源类别。
第三步,若三种识别方法得出结果一致,则识别结束;若三种水样得出的结果不一致,则少数服从多数,识别结束。
至此,经过上述三步,该待判单一含水层水样就可以识别为太灰水和砂岩水中的一种。
分区-综合识别模型的建立
对于某一待判单一含水层水样,在进行矿区分区、建立数据库、识别指标及界限值、识别方法及识别步骤确定后,建立的识别模型如图5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“分区-综合识别法”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。
确定分区-综合识别模型后,对未知含水层水样,通过测试识别指标的含量后和水化学数据,代入所建立的模型,即可得出未知水样的含水层类型。
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、离子毫克当量百分比、离子比例系数方法、Fisher识别方法和Bayes识别方法,对不同的分区的含水层水源识别采用不同的方法,分区识别水源,即可识别水文地质条件较为复杂的矿区水源类型。本发明通过检测未知水样中识别流程所需要的识别指标,然后将其代入分区-综合识别模型中,即可进行水源识别。
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 (9)
1.一种复杂水文地质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、首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;
S2、将收集和采集的水样的数据作为建模样本;
S3、对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;
S4、依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区-综合识别模型;
S5、用回代估计法对所建立的分区-综合识别模型的准确性进行检验;
S6、测定待测水样识别指标,并通过分区-综合识别模型进行水源识别。
2.根据权利要求1所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述S2中的水样的数据具体为煤矿各区域含水层水样的各离子浓度、毫克当量百分比和离子比例系数;此水样的化学数据作为建立水源数据库的建库指标,各离子的质量浓度叫做特征离子对比,而各离子的毫克当量比值叫做离子比例系数。
3.根据权利要求2所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述各离子至少为Na++K+、Ca2+、Mg2+、Cl-、HCO3 -、SO4 2-。
4.根据权利要求1所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述步骤S3中数据检验具体为:采用阴阳离子平衡检验,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,更直观的确定水样的特征指标及界限含量,筛选出异常样本,并将剔除后的水样数据作为建模样本。
5.根据权利要求1所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述步骤S4中的分区-综合识别模型的特征识别指标和界限值是根据各分区水样的各离子的质量浓度、毫克当量百分比及毫克当量比值来确定的;特征识别指标的选择标准是在各分区的含水层水样中含量较其他指标变化明显,界限值容易判定;识别时,将待测水样的特征识别指标小于或大于确定的界限含量的水样归为一类;其中,将水样常规离子质量浓度、毫克当量百分比及毫克当量比值作为识别指标。
6.根据权利要求1所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述步骤S4中分区-综合识别模型综合采用特征指标识别模型、Fisher识别模型和Bayes识别模型对其进行水源综合识别,对不同的分区采用不同的识别方法;即对待某一区域的某一含水层水样,识别时将待测水样的特征识别指标或离子比例系数大于或小于确定的界限含量的水样归为某种水源类型,将待测水样的常规离子含量,依次代入建立的识别函数中,并且利用识别准则进行识别;如果此方法将水样识别识别为一类水源,则停止识别;如果各指标识别不一致,则采用少数服从多数原则,以多数指标识别结果为最终水源类别。
7.根据权利要求1所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述步骤S5中,采用回代估计法对所建立的分区-综合识别模型进行了回代自检,其具体内容为:将建立模型的水样数据依次代入所建立的模型中,如果识别结果与实际相一致,说明选择的特征识别指标和建立的识别模型是有效的;若模型识别结果大部分与实际不一致,则需要重新选取特征识别指标并建立初步识别模型。
8.根据权利要求1-7任一所述的复杂水文地质矿井突水水源识别方法,其特征在于,所述的分区-综合识别模型具体操作方法为:第一步,将城郊矿区分为一水平东翼、一水平北翼、一水平西北翼、二水平西翼和二水平南翼;
第二步,先将水样中Na++K+、Ca2+、Mg2+、SO4 2-、Cl-、HCO3 -的离子浓度代入Fisher识别模型和Bayes识别模型的识别式得出的水源类型为太灰水;且当一水平东翼Ca2+的质量浓度>252mg/L,毫克当量百分比>23%,γCl-/γCa2+值<0复杂水文地质525;一水平北翼中水样的Ca2+的质量浓度>300mg/L,Ca2+毫克当量百分比>22%,γCa2+/γNa+>0.36,γSO4 2-/γ(Ca2++Mg2+)<2.1;一水平西北翼中水样的Na++K+质量浓度<900mg/L,SO4 2-质量浓度<2410mg/L,Cl-质量浓度<342mg/L;二水平西翼中水样的Na++K+质量浓度<770mg/L,Ca2+的质量浓度>350mg/L,Ca2+毫克当量百分比>30%,γNa+/γCl-值<3,γCa2+/γNa+>0.6,γCl-/γCa2+>0.38,太灰水γSO4 2-/γ(Ca2++Mg2+)<1.9,γ(Ca2++Mg2+)/γ(HCO3 -+SO4 2-)>0.48,γCa2+/γSO4 2->0.45,砂岩水γCa2+/γSO4 2-<0.45,γNa+/γSO4 2-<0.62;则判断该水样水源类型为太灰水;
第三步:若Fisher识别模型和Bayes识别模型的得出的水源类型为砂岩水,且当一水平东翼Ca2+的质量浓度<252mg/L,毫克当量百分比<23%,γCl-/γCa2+值>0.525;一水平北翼中水样的Ca2+的质量浓度<300mg/L,Ca2+毫克当量百分比<22%,γCa2+/γNa+>0.36,γSO4 2-/γ(Ca2++Mg2+)>2.1;一水平西北翼中水样的Na++K+质量浓度>900mg/L,SO4 2-质量浓度>2410mg/L,Cl-质量浓度>342mg/L;二水平西翼中水样的Na++K+质量浓度>770mg/L,Ca2+的质量浓度<350mg/L,Ca2+毫克当量百分比<30%,γNa+/γCl->3,γCa2+/γNa+<0.6,γCl-/γCa2+<0.38,太灰水γSO4 2-/γ(Ca2++Mg2+)>1.9,γ(Ca2++Mg2+)/γ(HCO3 -+SO4 2-)<0.48,γCa2+/γSO4 2-<0.45,砂岩水γCa2+/γSO4 2->0.45,γNa+/γSO4 2->0.62;则判断该水样为砂岩水;
第四步,若Fisher识别模型和Bayes识别模型的得出的水源类型为砂岩水(太灰水),而特征识别模型得出的结果为太灰水(砂岩水),则少数服从多数,识别结束。
9.一种根据权利要求1-8任一所述的复杂水文地质矿井突水水源识别***,其特征在于,该***包括以下模块:
地质划分模块:首先依据构造分布及水文地质条件,结合矿井采掘工程布置,将井田划分成5个区域;
建模模块:将收集和采集的水样的数据作为建模样本;
特征模块:对于矿区某个片区某一待判单一含水层水样,进行数据检验,确定水样特征指标和界限值;
初步水源识别模块:依据有效的特征识别指标、界限值和Fisher及Bayes识别方法,建立分区-综合识别模型;
检验模块:用回代估计法对所建立的分区-综合识别模型的准确性进行检验;
最终水源识别模块:测定待测水样识别指标,并通过分区-综合识别模型进行水源识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603123.7A CN110261560A (zh) | 2019-07-05 | 2019-07-05 | 复杂水文地质矿井突水水源识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603123.7A CN110261560A (zh) | 2019-07-05 | 2019-07-05 | 复杂水文地质矿井突水水源识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110261560A true CN110261560A (zh) | 2019-09-20 |
Family
ID=67924594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603123.7A Pending CN110261560A (zh) | 2019-07-05 | 2019-07-05 | 复杂水文地质矿井突水水源识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261560A (zh) |
Cited By (9)
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*** |
CN112381117A (zh) * | 2020-10-22 | 2021-02-19 | 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 |
CN113361213A (zh) * | 2021-06-08 | 2021-09-07 | 华北科技学院(中国煤矿安全技术培训中心) | 一种基于水力学与水化学耦合的水源识别方法 |
CN113495131A (zh) * | 2020-03-20 | 2021-10-12 | 中国石油天然气股份有限公司 | 判断地层中含有地下水的方法 |
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 |
CN113917558A (zh) * | 2021-08-23 | 2022-01-11 | 云南滇东雨汪能源有限公司 | 矿井水源快速判别方法、水文监测***、设备、存储介质 |
CN114264680A (zh) * | 2021-11-15 | 2022-04-01 | 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 |
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 (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080014641A1 (en) * | 2006-07-14 | 2008-01-17 | Carey A Andrew | Correcting karl fischer water and oil analysis |
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 |
US8533146B1 (en) * | 2011-04-29 | 2013-09-10 | Google Inc. | Identification of over-clustered map features |
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 |
CN108389135A (zh) * | 2018-03-21 | 2018-08-10 | 安徽理工大学 | 一种基于灰色关联模型的突水水源判别方法 |
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 |
CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
CN109801685A (zh) * | 2019-03-15 | 2019-05-24 | 安徽理工大学 | 一种基于PCA法与Bayes判别模型的突水水源识别方法 |
CN109887552A (zh) * | 2019-03-28 | 2019-06-14 | 安徽理工大学 | 一种突水水源判别预测方法 |
-
2019
- 2019-07-05 CN CN201910603123.7A patent/CN110261560A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080014641A1 (en) * | 2006-07-14 | 2008-01-17 | Carey A Andrew | Correcting karl fischer water and oil analysis |
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 |
US8533146B1 (en) * | 2011-04-29 | 2013-09-10 | Google Inc. | Identification of over-clustered map features |
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 |
CN108389135A (zh) * | 2018-03-21 | 2018-08-10 | 安徽理工大学 | 一种基于灰色关联模型的突水水源判别方法 |
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 |
CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
CN109801685A (zh) * | 2019-03-15 | 2019-05-24 | 安徽理工大学 | 一种基于PCA法与Bayes判别模型的突水水源识别方法 |
CN109887552A (zh) * | 2019-03-28 | 2019-06-14 | 安徽理工大学 | 一种突水水源判别预测方法 |
Non-Patent Citations (4)
Title |
---|
QIANG WU等: "Source discrimination of mine water inrush using multiple methods: a case study from the Beiyangzhuang Mine, Northern China", 《BULL ENG GEOL ENVIRON 》 * |
崔中良等: "矿井突水水源判别研究现状及发展趋势", 《中国钨业》 * |
张 妹等: "潘三矿区地下水化学特征及成因分析", 《煤矿开采》 * |
谭 博等: "基于多元统计分析的矿井水源的Bayes逐步判别及混合模型", 《中国煤炭》 * |
Cited By (11)
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 |
CN113495131A (zh) * | 2020-03-20 | 2021-10-12 | 中国石油天然气股份有限公司 | 判断地层中含有地下水的方法 |
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*** |
CN112381117A (zh) * | 2020-10-22 | 2021-02-19 | 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 |
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 |
CN113361213A (zh) * | 2021-06-08 | 2021-09-07 | 华北科技学院(中国煤矿安全技术培训中心) | 一种基于水力学与水化学耦合的水源识别方法 |
CN113361213B (zh) * | 2021-06-08 | 2023-04-21 | 华北科技学院(中国煤矿安全技术培训中心) | 一种基于水力学与水化学耦合的水源识别方法 |
CN113917558A (zh) * | 2021-08-23 | 2022-01-11 | 云南滇东雨汪能源有限公司 | 矿井水源快速判别方法、水文监测***、设备、存储介质 |
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 |
CN114264680A (zh) * | 2021-11-15 | 2022-04-01 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261560A (zh) | 复杂水文地质矿井突水水源识别方法及*** | |
CN104747185B (zh) | 非均质油藏储层综合分类评价方法 | |
CN108446797B (zh) | 一种致密油藏水平井体积压裂初期产能预测方法 | |
CN109993459B (zh) | 一种复杂多含水层矿井突水水源识别方法 | |
CN106053514B (zh) | 一种烃源岩有机质生烃转化率的评价方法 | |
CN109784383B (zh) | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 | |
Zhang et al. | The multiple logistic regression recognition model for mine water inrush source based on cluster analysis | |
Guan et al. | Identification of inrush water recharge sources using hydrochemistry and stable isotopes: a case study of Mindong No. 1 coal mine in north-east Inner Mongolia, China | |
Li et al. | Geological, rare earth elemental and isotopic constraints on the origin of the Banbanqiao Zn–Pb deposit, southwest China | |
CN110487693A (zh) | 一种确定泥页岩不同类型孔隙度的方法 | |
Li et al. | Logging identification for diagenetic facies of tight sandstone reservoirs: A case study in the Lower Jurassic Ahe Formation, Kuqa Depression of Tarim Basin | |
CN114813903A (zh) | 一种基于石榴石微区化学成分判别矿种的方法 | |
CN111827996A (zh) | 基于力学性质的多参数综合定性致密砂岩储层分类方法 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN104516025A (zh) | 碳酸盐储层物性随钻分类和评价方法 | |
Li et al. | Unraveling source-to-sink dust transport in Central and East Asia by identifying provenances of aeolian sediments | |
CN110208874B (zh) | 一种致密砂岩油藏有效储层识别方法 | |
CN110334773A (zh) | 基于机器学习的模型入模特征的筛选方法 | |
CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN115081546B (zh) | 原生成因氧化沉积建造的识别方法 | |
Liu et al. | Application of clustering and stepwise discriminant analysis based on hydrochemical characteristics in determining the source of mine water inrush | |
CN104181222A (zh) | 利用同位素示踪法分析鉴别进口铁矿国别的方法 | |
Kai et al. | Hydrochemical and hydrogen–oxygen isotope-based identification of water sources in mine wells | |
Xing et al. | Evaluation of the modification potential for carbonate geothermal rocks by considering multiple mechanics properties and acid dissolution in the Jizhong Depression, China | |
CN115146889A (zh) | 气藏开发价值评估方法、***、存储介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |