礦井涌水量動態影響因素分析
——以貴州某煤礦為例

楊建華，蔡 云

(中國電建集團 貴州電力設計研究院有限公司，貴陽 550025)

礦井涌水量是煤礦安全監測的重要指標之一，對其進行科學預測既能為煤礦安全生產提供重要保障，也是評判排水方案設計是否經濟、合理的依據[1]。礦井涌水量主要受多因素的相互作用，如井下復雜水文地質環境、地質構造、大氣降雨、開采程度、開采面積、煤層頂底板的巖性特征等多種因素的影響，呈現出非線性、非平穩特性和自相關性。目前，在涌水量預測方法研究方面，主要有解析法、水均衡法、水文地質比擬法、相關分析法、灰色系統法和BP神經網絡等方法[2-6]。其中，BP神經網絡能更好地解決非線性映射，具有較好的預測效果[7]。本文分析了礦井復雜的水文地質條件、開采深度不斷延深、開采面積增加等因素對礦井涌水量動態的影響，同時利用BP神經網絡對礦井涌水量進行預測分析。

1 研究區背景

1.1 地質背景

研究區位于貴州省水城縣境內，地處貴州高原西部山區地形，為中等切割中山地貌、山脈綿延，主體呈東西延伸，地勢北高南西低，地形崎嶇，起伏較大。地層巖性為二疊系上統峨眉山玄武巖(P3β)、二疊系上統龍潭組(P3l)砂巖、二疊系中統關嶺組(T2g)灰巖、白云質灰巖、第四系(Q4)殘積、坡積、沖積及洪積物。其地質構造較為發育，位于格目底向斜東段之南西翼，為一向北東傾斜的單斜構造,地層傾角一般在20°～30°。主要含煤地層為龍潭組，現主采為M20號煤層，平均厚度為2.17 m，全區可采。礦區主要煤層統計見表1。

表1 礦區可采煤層統計表

1.2 水文地質條件

礦區屬珠江水系北盤江上游巴拉河流域。區內無較大河流經過，季節性山澗小溪發育,流量受季節影響較大。當地侵蝕基準面為巴拉河,煤炭儲量大部分位于基準面之上。礦區充水水源主要為大氣降水，其次為老窯水，最后為含水層之間的地下水。礦井直接充水水源為三疊系龍潭組基巖裂隙水，主要巖性為泥巖、粉砂質泥巖，為富水性較弱的含水層。礦區的主要含水層巖(組)自上而下為松散孔隙水含水層和龍潭組、飛仙關組基巖裂隙承壓含水層，永寧鎮組巖溶裂隙含水層。松散孔隙水含水層地下水位埋藏較淺，約為1.5～2 m，滲透系數為10.36 m/d，水質類型為HCO3-Ca型，總硬度9.62，礦化度250 mg/L，為弱富水性含水層；基巖裂隙含水層由灰巖、碎屑巖、粉砂巖、鈣質砂巖、泥質粉砂巖及煤層組成，該段石灰巖中溶蝕裂隙較發育，含少量裂隙水，根據礦區抽水試驗以及水樣分析，礦區單位涌出量為0.013 3～0.018 8 L/s·m，滲透系數為0.005～0.006 m/d。水質類型主要為HCO3-Ca-Mg型，礦化度<100 mg/L，為弱富水性含水層。巖溶裂隙含水層以灰巖為主，地表巖溶較發育，含水層接受大氣降水補給后，地下水通過巖溶裂隙、溶洞集中運移，含水性能好，富水條件差；由于抗風化力較強，地表多呈狹長反向陡崖、峭壁，不利于大氣降雨的補給，排泄條件也較好，大氣降水通過垂直巖溶裂隙補給含水層，并通過巖溶裂隙、溶洞匯集、徑流和排泄，含較豐富的巖溶裂隙水，礦區鉆孔抽水涌出量0.007 L/s，鉆孔抽水單位涌出量為0.000 3 L/s·m，滲透系數為0.006 m/d，水質類型主要為HCO3-Ca-Na型，礦化度90.75 mg/L，總硬度4.2～6.6，為富水性含水層。礦區的主要導水通道為冒落帶裂隙、斷層破碎帶。冒落帶裂隙發育在砂巖、泥巖中的裂隙。斷層破碎帶破壞了巖石的完整性，使巖石的裂隙發育，滲透性較強，抗水壓能力較弱。研究區地下水的補給主要來源為大氣降水，是礦井涌水量的間接充水水源，其充水過程通過地表巖石裂隙及煤層采空區、冒落塌陷區裂隙等孔隙、孔洞進入地下，主要運移和儲存于透水性較好的砂巖裂隙含水層，最終匯集于礦井坑道。

2 涌水量動態的影響因素分析

本次研究收集2011年12月至2017年6月間礦井月總涌水量數據進行數理統計分析(圖1)，以反映涌水量的基本特征，礦井月總涌水量值反映涌水量多年時間尺度上的變化特征。全礦涌水量的平均值為46.56 m3/h,最大值為257.72 m3/h,最小值為6.51 m3/h。標準差為51.80 m3/h。置信度(95%)為12.64 m3/h，置信區間(95%)為33.93～59.20 m3/h。此外，從多年涌水量動態特征類型為起伏型，涌水量一直呈有規律的起伏變化，變化周期為1 a左右，但各年的變幅度不等，每年月均涌水量最大值均在5-7月份。

圖1 月總礦井涌水量

2.1 大氣降水對涌水量的影響

根據整理資料分析可看出，降雨對礦井涌水量的影響最為明顯，礦井涌水量隨降雨量的變化而變化，因此可得出這類動態變化的成因主要與降水量變化有關。在豐水期間，涌水量隨降雨量的增加而明顯上升；枯水期間，涌水量隨降雨量減少而有所降低。這正體現了大氣降水是礦井涌水量的主要來源[8]。以2016年為例，從1-4月份，降雨量從30 mm上升至153 mm，涌水量從26.6 m3/h緩慢上升31.9 m3/h；隨后5月份降雨量達370.6 mm，涌水量快速增長且達到最高257.72 m3/h；在7-11月份，降雨量從281.92 mm急劇下降至25 mm，涌水量從7月份227.64 m3/h開始平穩下滑，于11月份為47.19 m3/h；最后12月份時降雨量有所回緩增長為73 mm，涌水量增長為47.60 m3/h，由以上數據可看出大氣降水與礦井涌水量呈正相關。見圖2。

圖2 礦井涌水量與降雨量對比圖

2.2 礦井開采深度對涌水量的影響

根據整理資料分析，開采深度對涌水量的影響沒有太直接的聯系(圖3)，但隨著開采深度的增加，礦井周圍的水文地質條件較為復雜，且缺乏資料。在前人研究的基礎上[9]，隨著開采深度的增加，對涌水量的影響體現在多方面，開采深度增加，會引起補給水源發生變化，在開采初期，涌水量是由煤礦儲量決定涌水量的大小，且開采量的緩慢增加，涌水量也隨著增長。在2011年12月至2012年7月，開采深度為103.51～125.74 m,涌水量也緩慢增長為10.8～48.1 m3/h。其次，開采深度會引起圍巖的物理性質發生變化以及圍巖溫升。當溫度升高時，圍巖易發生脆性破壞，使周圍含水層的水對巖體的侵蝕作用增加，引起圍巖的滲透系數增大，引起涌水量的增多。最后，隨著開采深度的增加，原始地應力發生變化，對圍巖的擾動較大，破壞圍巖完整性，出現擾動裂隙，周圍含水層的水從裂隙流動進入采空區，補給采空區積水，增大涌水量。

圖3 礦井涌水量與開采深度對比圖

2.3 礦井開采面積對涌水量的影響

開采面積隨開采巷道長度的增加而增長，前期，巷道涌水量隨開采面積增大而緩慢增大(圖4)，根據整理資料可得出，在2011年11月至2012年8月，隨著開采深度的增加，巷道長度的增大，開采面積也逐漸增大，其影響涌水量也緩慢凸顯。當開采面積達到一定時，開采面積對涌水量的影響較小，從2015年6月起，開采面積增長十分緩慢，但涌水量卻變化較大，說明開采面積已不是影響涌水量的主要因素。

圖4 礦井涌水量與開采面積對比圖

2.4 其它因素對涌水量的影響

影響總涌水量的因素還有斷裂構造、觀測操作記錄不當等，其中觀測不當造成的干擾比較容易識別。在礦區，總共揭露斷層9條，其中正斷層8條，逆斷層1條。大于2 m落差斷層3條，其中對礦井巷道開拓布置有較大影響的斷層2條，受構造應力的影響，破壞煤礦頂板巖層完整性，降低了巖體強度，斷層破碎帶寬度為幾米至十幾米，斷層裂隙較發育，斷層破碎帶縮短了煤層采空區和含水層之間的距離，連通更多含水層，裂隙水、大氣降水、地表水等水源進入井巷系統，從而引起全礦涌水量的增加。

3 礦井涌水量預測

3.1 BP神經網絡原理

ANN是根據對人腦的組織結構、功能特征進行模仿而發展起來的一種新型信息處理系統和計算體系的方法[9],其屬于非線性動力學系統范疇，可實現輸入到輸出的非線性映射，具有良好的適應性、組織特性以及較強的學習和容錯能力，能通過學習大量的樣本而獲取知識[10]。BP神經網絡是Rumelhart、McClelland等提出誤差反向傳播算法而解決了多層前向型神經網絡問題的方法。其優點在于BP神經網絡能更好地解決非線性映射，具有較好的預測效果。通過學習一定數量的樣本，不需要借助其數學知識就可得出輸入與輸出的映射關系。當BP神經網絡運用在礦井涌水量預測時，只需要存在一定數量可供學習訓練的涌水量樣本，BP神經網絡可通過訓練學習建立礦井涌水量與多因素影響之間映射模型，并通過反復多次訓練，BP神經網絡模型便具備了記憶功能，即可應用于實際礦井涌水量的預測之中。本文通過分析礦井涌水量動態的影響因素，將礦井涌水量與各影響因素指標的映射關系概括為：

Q=f(F，D，S)

式中:Q為礦井涌水量；F為月均降雨量；D為礦井開采深度；S為礦井開采面積。

3.2 BP神經網絡模型

根據BP神經網絡模的原理，可采用3層結構，分別為輸入層、隱含層和輸出層。其中輸入層神經元分別為月均降雨量、礦井開采深度、礦井開采面積3個指標，輸出層神經元為礦井涌水量。建立BP礦井涌水量預測模型，見圖5。

圖5 BP神經網絡模型結構示意

3.3 基于BP神經網絡礦井涌水量預測結果及分析

采用收集的2011年12月至2017年6月的月均降雨量、礦井開采深度、礦井開采面積等指標作為輸入信息，實測涌水量作為輸出信息，進行模型參數識別與驗證。并將其中49組數據作為訓練樣本進行學習，其余的18組數據作為模型的驗證與分析，預測結果見表2和圖6。

表2 BP神經網絡模型涌水量預測結果

圖6 BP神經網絡預測涌水量與實測涌水量對比圖

由圖6可知，BP神經網絡預測礦井涌水量擬合度較好，具有較好的涌水量排放的參考價值。但預測過程中，有的涌水量預測值與實測值誤差較大，如2016年5月、2016年10月和2017年4月等誤差較大，主要是受降雨的影響較大。當降雨量變化較大時，BP神經網絡模型來不及反映其變化關系，因此造成的誤差較大。

4 結 論

1)通過收集貴州某礦2011年12月至2017年6月的全礦涌水量資料整理分析得出，礦井涌水量最大值為257.72 m3/h,最小值為6.51 m3/h，標準差為51.80 m3/h，全礦涌水量的平均值為46.56 m3/h。此外，多年涌水量動態特征類型為起伏型，并呈現有規律的起伏變化，變化周期為1 a左右。但各年的變化幅度不等，每年月均涌水量最大值均在5-7月份，受降雨量的影響較大。

2)通過月均降雨量、礦井開采深度、礦井開采面積等影響因素對礦井涌水量動態進行分析可得出，礦井涌水量在前期，受降雨量、開采深度、開采面積的影響較大；在后期，主要受降雨量的影響。

3)采用BP神經網絡模型對礦井涌水量進行預測，以月均涌水量、礦井開采深度、礦井開采面積為輸入，礦井涌水量為輸出，預測結果表明BP神經網絡模型預測的涌水量與實測涌水量的擬合度較好。該模型可用來預測涌水量并為其他的礦井涌水量提供參考，并可為礦井制定疏水降壓方案提供科學依據。