煤礦地下積水采空區(qū)防水密閉安全評價(jià)方法研究

李雪佳 ，王 健 ，李 鵬 ，屈世甲 ，張 羽 ，馮黎莉 ，于 振

（1.國能神東煤炭集團(tuán)有限公司，陜西 榆林 719315；2.天地（常州）自動(dòng)化股份有限公司，江蘇 常州 213015）

據(jù)國家統(tǒng)計(jì)局核算，2021 年全年，我國原煤產(chǎn)量約41.3 億t，煤炭消費(fèi)量占能源消費(fèi)總量的56%，依然是我國重要的能源資源。但是，持續(xù)大量的煤炭開采已嚴(yán)重破壞了礦區(qū)的地下原始巖層結(jié)構(gòu)，導(dǎo)致礦井涌水量快速增大；據(jù)統(tǒng)計(jì)：2014—2019 年，我國因煤炭開采產(chǎn)生的礦井總水量高達(dá)288.09 億m3，而且大部分直接外排至地面，造成水資源的大量流失和浪費(fèi)[1-2]。

煤礦地下積水采空區(qū)的建設(shè)和實(shí)施，為更好地利用礦井地下水資源提供了技術(shù)手段。通過煤礦開采過程中遺留的保護(hù)煤柱及人工建設(shè)的防水密閉，圍繞采空區(qū)建設(shè)封閉積水區(qū)域，避免地下水直接外排至地面，造成資源浪費(fèi)和環(huán)境污染，同時(shí)也在很大程度上為礦區(qū)工業(yè)用水和生活用水提供了保障[3-5]。

針對上述難點(diǎn)問題，國內(nèi)外眾多學(xué)者進(jìn)行了深入的研究：①在防水密閉受力分析研究方面：李雨萌等[6]通過相似模擬實(shí)驗(yàn)集合數(shù)值模擬方法，將標(biāo)準(zhǔn)煤樣以固定時(shí)間周期性浸水處理，得出標(biāo)準(zhǔn)煤樣隨浸水時(shí)間增加的一般性能變化規(guī)律；王文才等[7]研究了防水密閉與保護(hù)煤柱銜接處在孔隙水的軟化作用下力學(xué)性能變化情況，總結(jié)出孔隙裂縫中的水分在一定程度上增強(qiáng)了防水密閉的抗壓強(qiáng)度，為銜接材料選擇提供參考依據(jù)；②在防水密閉穩(wěn)定性研究方面：楊?yuàn)Z等[8]重點(diǎn)對防水密閉和保護(hù)煤柱的工藝措施進(jìn)行了詳細(xì)分析，提出了以防滲為目標(biāo)的施工方案和工藝參數(shù)，為保障地下積水采空區(qū)安全運(yùn)行提供可行性方案；陳陽[9]對鄂爾多斯煤礦地下水庫工程中混凝土、黏土及磚墻結(jié)構(gòu)的3 種不同類型的擋水壩體進(jìn)行了三維有限元滲流計(jì)算分析，評估了礦區(qū)已建地下水庫防水密閉防滲措施效果的可靠性；③在監(jiān)控預(yù)警層面研究方面：曹志國等[10]采用系統(tǒng)工程理論系統(tǒng)給出地下積水采空區(qū)安全運(yùn)行的關(guān)鍵因素，論述了安全監(jiān)控系統(tǒng)總體架構(gòu)；顧大釗[11]通過對神東礦區(qū)地下積水采空區(qū)的實(shí)踐應(yīng)用，給出針對地下積水采空區(qū)安全監(jiān)控系統(tǒng)組成模塊，并對各模塊功能和技術(shù)指標(biāo)進(jìn)行詳細(xì)的闡述，為地下積水采空區(qū)安全監(jiān)控系統(tǒng)標(biāo)準(zhǔn)制定和實(shí)施提供了參考。

綜上所述，煤礦地下積水采空區(qū)監(jiān)測和預(yù)警大多停留在試驗(yàn)和數(shù)值分析的理論階段，尚無具體的監(jiān)測措施和數(shù)據(jù)分析技術(shù)[12]。為了保障地下積水采空區(qū)的穩(wěn)定運(yùn)行，結(jié)合地面水壩監(jiān)測技術(shù)[13-15]，提出了煤礦地下積水采空區(qū)防水密閉安全評價(jià)方法研究，對人工防水密閉進(jìn)行應(yīng)變、應(yīng)力及滲壓監(jiān)測、數(shù)據(jù)分析和預(yù)測評價(jià)研究，實(shí)現(xiàn)煤礦地下積水采空區(qū)的安全穩(wěn)定運(yùn)行。

1 方案設(shè)計(jì)及預(yù)測

1.1 監(jiān)測方案

井下煤炭回采過程中，因煤層厚度及底板高度差異，造成采空區(qū)高度起伏較大。結(jié)合石圪臺礦雙巷掘進(jìn)特點(diǎn)，在回風(fēng)巷和進(jìn)風(fēng)巷之間的聯(lián)絡(luò)巷建設(shè)人工防水密閉，因低點(diǎn)防水密閉承受的水壓較大，在井下復(fù)雜時(shí)空變化過程中，造成防水密閉受力及滲壓狀態(tài)不明，給井下安全生產(chǎn)帶來潛在風(fēng)險(xiǎn)[16-17]。

參照國家能源集團(tuán)神東煤炭集團(tuán)有限責(zé)任公司《神東礦區(qū)煤礦積水采空區(qū)安全技術(shù)標(biāo)準(zhǔn)》第8.8 節(jié)“監(jiān)測監(jiān)控”部分的要求：井下積水采空區(qū)監(jiān)測監(jiān)控設(shè)計(jì)應(yīng)遵循“在積水采空區(qū)低洼處的煤柱和防水密閉墻內(nèi)安裝應(yīng)力應(yīng)變計(jì)、基巖變位計(jì)、微震解調(diào)儀等傳感器，對防水密閉墻墻體與圍巖的相對位移，特別是接觸縫的位置”的原則。

為此，通過滲壓計(jì)（LS1、LS2、RS1、RS2）監(jiān)測人工壩體及保護(hù)煤柱銜接處滲壓參數(shù)，實(shí)時(shí)了解保護(hù)煤柱內(nèi)部水體流動(dòng)壓力情況。滲壓計(jì)布置工藝參數(shù)：人工壩體兩側(cè)相鄰煤柱距底板0.5、1 m；鉆孔深4 m，鉆孔直徑60 mm。鉆孔應(yīng)力計(jì)布置工藝參數(shù)：鉆孔直徑46 mm，鉆孔深3.5 m。傳感器布置圖如圖1。

圖1 傳感器布置圖Fig.1 Sensors layout diagram

1.2 安全分級

GRNN 以非線性回歸分析為研究基礎(chǔ)，PNN法以貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則為理論依據(jù)。設(shè)隨機(jī)變量x和y的 聯(lián)合概率密度函數(shù)為f(x,y)， 已知x的監(jiān)測值為X， 則y相 對X的條件均值為：

式中：Y?(X)為 輸出值Yi的加權(quán)平均。

每個(gè)輸出值Yi的 權(quán)重因子為相應(yīng)的監(jiān)測值Xi與X之間的Euclid 距離平方的指數(shù)，判斷光滑因子σ大小，確定Y?(X)預(yù)測輸出效果。

通過數(shù)據(jù)收集，并根據(jù)GRNN 模型訓(xùn)練部分監(jiān)測值，對輸出結(jié)果創(chuàng)建PNN 網(wǎng)絡(luò)進(jìn)行分類驗(yàn)證，確定各級別預(yù)測準(zhǔn)確率，評價(jià)分析結(jié)果。

2 防水密閉安全評價(jià)

2.1 GRNN 交叉驗(yàn)證預(yù)測

以石圪臺礦31205 積水采空區(qū)3#密閉墻作為研究對象，統(tǒng)計(jì)2022 年5 月23 至28 日期間的表面應(yīng)變計(jì)（B1、B3）、鉆孔應(yīng)力計(jì)（LY）和滲壓計(jì)（LS1）監(jiān)測值，每組各400 個(gè)數(shù)據(jù)。

利用每組監(jiān)測值的前300 個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其余100 個(gè)數(shù)據(jù)作為預(yù)測數(shù)據(jù)。B1、B3 及LY作為輸入矩陣，LS1 作為輸出矩陣；設(shè)置光滑因子σ范圍為0.1～1.0，間隔步長為0.1 增長；采用十折交叉驗(yàn)證法進(jìn)行網(wǎng)絡(luò)訓(xùn)練；利用循環(huán)迭代邏輯，判定均方差的大小，得出訓(xùn)練模型效果 σ。

由訓(xùn)練效果可知：光滑因子 σ在由0.1 逐漸增加的過程中，判定的均方差變化較為明顯；其中，σ=0.2時(shí)，均方差最小為0.81×10-5，此時(shí)GRNN網(wǎng)絡(luò)訓(xùn)練效果最優(yōu)。GRNN 網(wǎng)絡(luò)預(yù)測效果如圖2。

圖2 GRNN 網(wǎng)絡(luò)預(yù)測效果Fig.2 GRNN network prediction effect

由圖2 可知： σ值越小，網(wǎng)絡(luò)訓(xùn)練的逼近性越強(qiáng)；反之，網(wǎng)絡(luò)對樣本訓(xùn)練的逼近過程就越平滑，但相應(yīng)的誤差也逐漸增大。另外，GRNN 網(wǎng)絡(luò)模型預(yù)測的100 個(gè)數(shù)據(jù)結(jié)果較為穩(wěn)定，絕對誤差基本控制在1%以內(nèi)，誤差超過0.01 的預(yù)測數(shù)據(jù)僅存在3 個(gè)，說明該模型預(yù)測準(zhǔn)確率較高；同時(shí)，以BP 神經(jīng)網(wǎng)絡(luò)模型對滲壓預(yù)測誤差進(jìn)行對比，分別從平均值、中位數(shù)及方差3 個(gè)參數(shù)判定2 種模型的優(yōu)劣性，對比結(jié)果發(fā)現(xiàn)：GRNN 模型預(yù)測結(jié)果的3 個(gè)參數(shù)都普遍小于BP 模型，說明GRNN模型的預(yù)測效果優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果。GRNN 與BP 優(yōu)劣對比結(jié)果見表1。

表1 GRNN 與BP 的優(yōu)劣對比結(jié)果Table 1 Comparative results of GRNN and BP

由表1 可知：同時(shí)對預(yù)測數(shù)據(jù)進(jìn)行三維映射成圖分析，單一參數(shù)預(yù)測數(shù)據(jù)映射成圖存在互補(bǔ)關(guān)系，與模型組合預(yù)測數(shù)據(jù)的發(fā)展趨勢符合實(shí)測數(shù)據(jù)變化情況，結(jié)果表明：此類GRNN 模型在非線性映射能力具有高度的容錯(cuò)性和魯棒性。

2.2 PNN 法分類評價(jià)

以GRNN 滲壓預(yù)測結(jié)果的100 個(gè)indices 數(shù)據(jù)作為基礎(chǔ)，一共分10 類，數(shù)字相同表示對應(yīng)的行數(shù)為一類。

在對多因素的滲壓預(yù)測進(jìn)行深入分析后，以改良的三比值法為基礎(chǔ)，建立基于PNN 的分類模型，B1、B3、LY 為改良三比值法數(shù)值，滲壓計(jì)為分類的輸出；使用前90 個(gè)數(shù)據(jù)作為PNN 訓(xùn)練樣本，后10 個(gè)樣本作為驗(yàn)證樣本，進(jìn)一步對GRNN的indices 數(shù)據(jù)進(jìn)行評價(jià)分析。PNN 訓(xùn)練后訓(xùn)練數(shù)據(jù)網(wǎng)絡(luò)的分類效果圖如圖3。

圖3 PNN 訓(xùn)練后訓(xùn)練數(shù)據(jù)網(wǎng)絡(luò)的分類效果圖Fig.3 Classification rendering of PNN training data network after training

由圖3 可知：將90 個(gè)訓(xùn)練數(shù)據(jù)作為輸入代入已經(jīng)訓(xùn)練完成的PNN 網(wǎng)絡(luò)中，對數(shù)據(jù)進(jìn)行自動(dòng)分類判別，分類結(jié)果中發(fā)現(xiàn)只有3 個(gè)樣本數(shù)據(jù)判斷錯(cuò)誤，分別是樣本編號第36、第53 和第83 的滲壓預(yù)測數(shù)據(jù)；同時(shí)結(jié)合訓(xùn)練后的誤差圖可知：分類結(jié)果與訓(xùn)練后的誤差相對應(yīng)，在誤差圖中也僅有3 個(gè)樣本數(shù)據(jù)存在分類誤差較大，總體評價(jià)準(zhǔn)確率為96.7%；同時(shí)以剩余的10 個(gè)樣本數(shù)據(jù)進(jìn)行驗(yàn)證。PNN 網(wǎng)絡(luò)預(yù)測效果圖驗(yàn)證結(jié)果如圖4。

圖4 PNN 網(wǎng)絡(luò)預(yù)測效果圖Fig.4 PNN network prediction effect

由圖4 可知：用剩余10 個(gè)滲壓預(yù)測樣本數(shù)據(jù)進(jìn)行驗(yàn)證時(shí)，僅存在2 個(gè)數(shù)據(jù)判定錯(cuò)誤，說明通過GRNN 模型預(yù)測的數(shù)據(jù)，PNN 仍可進(jìn)行有效的判定驗(yàn)證及評價(jià)，可用來進(jìn)行更多樣本的分類評價(jià)研究。

將上述理論及分析結(jié)果應(yīng)用于現(xiàn)場，并搭建和開發(fā)相關(guān)監(jiān)測系統(tǒng)，目前系統(tǒng)已穩(wěn)定運(yùn)行約6個(gè)月，針對防水密閉的監(jiān)測數(shù)據(jù)的運(yùn)行均為正常；同時(shí)對防水密閉的風(fēng)險(xiǎn)等級進(jìn)行分級預(yù)警，結(jié)果顯示：5 月26 日預(yù)警正常，未出現(xiàn)異常風(fēng)險(xiǎn)判定，現(xiàn)場應(yīng)用可靠。

3 結(jié) 語

1）以石圪臺礦監(jiān)測數(shù)據(jù)為基礎(chǔ)，采用GRNN模型對滲壓數(shù)據(jù)進(jìn)行預(yù)測，應(yīng)用交叉驗(yàn)證和循環(huán)迭代方法，預(yù)測結(jié)果絕對誤差不超過0.01 的有97%；同時(shí)與BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比分析發(fā)現(xiàn)，GRNN 模型預(yù)測效果優(yōu)于BP 模型。

2）采用PNN 法對GRNN 預(yù)測結(jié)果共10 類100個(gè)數(shù)據(jù)進(jìn)行分類驗(yàn)證，訓(xùn)練樣本準(zhǔn)確率為96.7%，預(yù)測樣本也僅有2 個(gè)數(shù)據(jù)判斷錯(cuò)誤，因此，PNN仍可對GRNN 預(yù)測分類數(shù)據(jù)進(jìn)行驗(yàn)證，可為后續(xù)分級預(yù)警提供研究基礎(chǔ)。

3）結(jié)合現(xiàn)場應(yīng)用結(jié)果，此類模型方法具有較好的安全評價(jià)效果，系統(tǒng)監(jiān)測數(shù)據(jù)正常，運(yùn)行可靠，具有可實(shí)際應(yīng)用性。