煤礦地下積水采空區防水密閉安全評價方法研究

李雪佳 ，王 健 ，李 鵬 ，屈世甲 ，張 羽 ，馮黎莉 ，于 振

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

據國家統計局核算，2021 年全年，我國原煤產量約41.3 億t，煤炭消費量占能源消費總量的56%，依然是我國重要的能源資源。但是，持續大量的煤炭開采已嚴重破壞了礦區的地下原始巖層結構，導致礦井涌水量快速增大；據統計：2014—2019 年，我國因煤炭開采產生的礦井總水量高達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[1-2]。

煤礦地下積水采空區的建設和實施，為更好地利用礦井地下水資源提供了技術手段。通過煤礦開采過程中遺留的保護煤柱及人工建設的防水密閉，圍繞采空區建設封閉積水區域，避免地下水直接外排至地面，造成資源浪費和環境污染，同時也在很大程度上為礦區工業用水和生活用水提供了保障[3-5]。

針對上述難點問題，國內外眾多學者進行了深入的研究：①在防水密閉受力分析研究方面：李雨萌等[6]通過相似模擬實驗集合數值模擬方法，將標準煤樣以固定時間周期性浸水處理，得出標準煤樣隨浸水時間增加的一般性能變化規律；王文才等[7]研究了防水密閉與保護煤柱銜接處在孔隙水的軟化作用下力學性能變化情況，總結出孔隙裂縫中的水分在一定程度上增強了防水密閉的抗壓強度，為銜接材料選擇提供參考依據；②在防水密閉穩定性研究方面：楊奪等[8]重點對防水密閉和保護煤柱的工藝措施進行了詳細分析，提出了以防滲為目標的施工方案和工藝參數，為保障地下積水采空區安全運行提供可行性方案；陳陽[9]對鄂爾多斯煤礦地下水庫工程中混凝土、黏土及磚墻結構的3 種不同類型的擋水壩體進行了三維有限元滲流計算分析，評估了礦區已建地下水庫防水密閉防滲措施效果的可靠性；③在監控預警層面研究方面：曹志國等[10]采用系統工程理論系統給出地下積水采空區安全運行的關鍵因素，論述了安全監控系統總體架構；顧大釗[11]通過對神東礦區地下積水采空區的實踐應用，給出針對地下積水采空區安全監控系統組成模塊，并對各模塊功能和技術指標進行詳細的闡述，為地下積水采空區安全監控系統標準制定和實施提供了參考。

綜上所述，煤礦地下積水采空區監測和預警大多停留在試驗和數值分析的理論階段，尚無具體的監測措施和數據分析技術[12]。為了保障地下積水采空區的穩定運行，結合地面水壩監測技術[13-15]，提出了煤礦地下積水采空區防水密閉安全評價方法研究，對人工防水密閉進行應變、應力及滲壓監測、數據分析和預測評價研究，實現煤礦地下積水采空區的安全穩定運行。

1 方案設計及預測

1.1 監測方案

井下煤炭回采過程中，因煤層厚度及底板高度差異，造成采空區高度起伏較大。結合石圪臺礦雙巷掘進特點，在回風巷和進風巷之間的聯絡巷建設人工防水密閉，因低點防水密閉承受的水壓較大，在井下復雜時空變化過程中，造成防水密閉受力及滲壓狀態不明，給井下安全生產帶來潛在風險[16-17]。

參照國家能源集團神東煤炭集團有限責任公司《神東礦區煤礦積水采空區安全技術標準》第8.8 節“監測監控”部分的要求：井下積水采空區監測監控設計應遵循“在積水采空區低洼處的煤柱和防水密閉墻內安裝應力應變計、基巖變位計、微震解調儀等傳感器，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（LS1、LS2、RS1、RS2）監測人工壩體及保護煤柱銜接處滲壓參數，實時了解保護煤柱內部水體流動壓力情況。滲壓計布置工藝參數：人工壩體兩側相鄰煤柱距底板0.5、1 m；鉆孔深4 m，鉆孔直徑60 mm。鉆孔應力計布置工藝參數：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，PNN法以貝葉斯最小風險準則為理論依據。設隨機變量x和y的 聯合概率密度函數為f(x,y)， 已知x的監測值為X， 則y相 對X的條件均值為：

式中：Y?(X)為 輸出值Yi的加權平均。

每個輸出值Yi的 權重因子為相應的監測值Xi與X之間的Euclid 距離平方的指數，判斷光滑因子σ大小，確定Y?(X)預測輸出效果。

通過數據收集，并根據GRNN 模型訓練部分監測值，對輸出結果創建PNN 網絡進行分類驗證，確定各級別預測準確率，評價分析結果。

2 防水密閉安全評價

2.1 GRNN 交叉驗證預測

以石圪臺礦31205 積水采空區3#密閉墻作為研究對象，統計2022 年5 月23 至28 日期間的表面應變計（B1、B3）、鉆孔應力計（LY）和滲壓計（LS1）監測值，每組各400 個數據。

利用每組監測值的前300 個數據作為訓練數據，其余100 個數據作為預測數據。B1、B3 及LY作為輸入矩陣，LS1 作為輸出矩陣；設置光滑因子σ范圍為0.1～1.0，間隔步長為0.1 增長；采用十折交叉驗證法進行網絡訓練；利用循環迭代邏輯，判定均方差的大小，得出訓練模型效果 σ。

由訓練效果可知：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，均方差最小為0.81×10-5，此時GRNN網絡訓練效果最優。GRNN 網絡預測效果如圖2。

圖2 GRNN 網絡預測效果Fig.2 GRNN network prediction effect

由圖2 可知： σ值越小，網絡訓練的逼近性越強；反之，網絡對樣本訓練的逼近過程就越平滑，但相應的誤差也逐漸增大。另外，GRNN 網絡模型預測的100 個數據結果較為穩定，絕對誤差基本控制在1%以內，誤差超過0.01 的預測數據僅存在3 個，說明該模型預測準確率較高；同時，以BP 神經網絡模型對滲壓預測誤差進行對比，分別從平均值、中位數及方差3 個參數判定2 種模型的優劣性，對比結果發現：GRNN 模型預測結果的3 個參數都普遍小于BP 模型，說明GRNN模型的預測效果優于BP 神經網絡模型的預測效果。GRNN 與BP 優劣對比結果見表1。

表1 GRNN 與BP 的優劣對比結果Table 1 Comparative results of GRNN and BP

由表1 可知：同時對預測數據進行三維映射成圖分析，單一參數預測數據映射成圖存在互補關系，與模型組合預測數據的發展趨勢符合實測數據變化情況，結果表明：此類GRNN 模型在非線性映射能力具有高度的容錯性和魯棒性。

2.2 PNN 法分類評價

以GRNN 滲壓預測結果的100 個indices 數據作為基礎，一共分10 類，數字相同表示對應的行數為一類。

在對多因素的滲壓預測進行深入分析后，以改良的三比值法為基礎，建立基于PNN 的分類模型，B1、B3、LY 為改良三比值法數值，滲壓計為分類的輸出；使用前90 個數據作為PNN 訓練樣本，后10 個樣本作為驗證樣本，進一步對GRNN的indices 數據進行評價分析。PNN 訓練后訓練數據網絡的分類效果圖如圖3。

圖3 PNN 訓練后訓練數據網絡的分類效果圖Fig.3 Classification rendering of PNN training data network after training

由圖3 可知：將90 個訓練數據作為輸入代入已經訓練完成的PNN 網絡中，對數據進行自動分類判別，分類結果中發現只有3 個樣本數據判斷錯誤，分別是樣本編號第36、第53 和第83 的滲壓預測數據；同時結合訓練后的誤差圖可知：分類結果與訓練后的誤差相對應，在誤差圖中也僅有3 個樣本數據存在分類誤差較大，總體評價準確率為96.7%；同時以剩余的10 個樣本數據進行驗證。PNN 網絡預測效果圖驗證結果如圖4。

圖4 PNN 網絡預測效果圖Fig.4 PNN network prediction effect

由圖4 可知：用剩余10 個滲壓預測樣本數據進行驗證時，僅存在2 個數據判定錯誤，說明通過GRNN 模型預測的數據，PNN 仍可進行有效的判定驗證及評價，可用來進行更多樣本的分類評價研究。

將上述理論及分析結果應用于現場，并搭建和開發相關監測系統，目前系統已穩定運行約6個月，針對防水密閉的監測數據的運行均為正常；同時對防水密閉的風險等級進行分級預警，結果顯示：5 月26 日預警正常，未出現異常風險判定，現場應用可靠。

3 結 語

1）以石圪臺礦監測數據為基礎，采用GRNN模型對滲壓數據進行預測，應用交叉驗證和循環迭代方法，預測結果絕對誤差不超過0.01 的有97%；同時與BP 神經網絡模型進行對比分析發現，GRNN 模型預測效果優于BP 模型。

2）采用PNN 法對GRNN 預測結果共10 類100個數據進行分類驗證，訓練樣本準確率為96.7%，預測樣本也僅有2 個數據判斷錯誤，因此，PNN仍可對GRNN 預測分類數據進行驗證，可為后續分級預警提供研究基礎。

3）結合現場應用結果，此類模型方法具有較好的安全評價效果，系統監測數據正常，運行可靠，具有可實際應用性。