封堵矿井突水点注浆量预测研究

施龙青 刘天浩 于小鸽 冯 涛 马金伟

(1.山东科技大学地球科学与工程学院,山东省青岛市，266590；2. 山东科技大学资源与土木工程学院, 山东省泰安市,271000；3.山东能源新矿集团内蒙能源长城一号煤矿，内蒙古自治区鄂托克前旗,016299；4.山东能源肥城矿业集团有限责任公司，山东省肥城市，271600)



★ 煤矿安全 ★

封堵矿井突水点注浆量预测研究

施龙青1刘天浩1于小鸽2冯 涛3马金伟4

(1.山东科技大学地球科学与工程学院,山东省青岛市，266590；2. 山东科技大学资源与土木工程学院, 山东省泰安市,271000；3.山东能源新矿集团内蒙能源长城一号煤矿，内蒙古自治区鄂托克前旗,016299；4.山东能源肥城矿业集团有限责任公司，山东省肥城市，271600)

在收集肥城煤田封堵突水点资料基础上，分析了影响注浆量的主要因素是突水水压、突水量、封堵过水通道长度、注浆压力等，借助智能算法自动获取支持向量机最佳参数的优点，优化支持向量机回归分析能力，建立GA-SVR非线性模型和PSO-SVR非线性模型，并通过实际工程对封堵突水点注浆量做出预测。通过对比实际注浆预测结果，得出PSO-SVR模型预测结果相对准确，但预测结果波动性偏大，GA-SVR预测结果相对稳定，但预测结果误差相对偏大的特点。因此提出在进行注浆量预测时，采取两种模型同时进行注浆量预测，取其区间值，实现又快又好又经济地封堵突水点。

突水点 遗传-支持向量回归机 粒子群—支持向量回归机 注浆量预测 注浆影响因素 封堵

近年来，在封堵突水点过程中，国内工作人员做出了多方面研究。刑文平调整注浆压力、流量以及骨料、浆液配比等工艺，实现高效、快速、低成本、高质量注浆效果；姬中奎采用物探与钻探方法，查明过水巷道的位置，对奥灰含水层进行有效注浆；潘睿认为预注浆效果是由地质、水文设计等参数决定，注浆过程要考虑多因素影响；许延春基于焦作矿区突水事故分析，归纳出注浆影响因素，并提出防治措施；赵庆彪针对大采深、高承压奥灰水的特点，提出了区域超前治理的方法，在治理过程中取得不错的安全效果。

以上都是从封堵突水点的注浆机理、注浆材料、注浆方法、探查突水通道等方面做出研究，着眼于快速封堵突水点，没有思考节省注浆成本问题。事实上，往往在现场完成突水点封堵以后，出现大量的封堵物资浪费或闲置，造成封堵突水点的费用大于突水点排水费用，封堵突水点就失去了意义。本文在搜集封堵突水点资料基础上，基于遗传-支持向量回归机(GA-SVR)和粒子群-支持向量回归机(PSO-SVR)分类性强、小样本适应度好的特点，分析了注浆量与突水水压、水量、封堵孔过水通道及注浆压力等因素的关系，建立注浆量与其影响因素之间的非线性模型，实现经济快速封堵突水点。

1 GA-SVR算法

1.1 样本选取

在封堵突水点过程中，影响注浆量的因素有很多，常见因素包括突水量、突水水压、封堵过水通道长度、注浆压力及人为决策等。其中，在注浆过程中，浆液需要克服一定水头压力(即突水水压)，因此，突水点的水压影响注浆量的变化；封堵过水通道长度越长，封堵突水裂隙的可能性越大。因此，封堵过水通道与注浆效果成正相关关系；合适的注浆压力影响着注浆效果，注浆压力过大，造成突水裂隙破坏，注浆压力过小，浆液不能克服一定的水头压力，浆液有可能被冲走，造成大量的注浆量损失。本文选取突水水压、突水量、封堵过水通道长度、注浆压力4个影响因素作为研究影响注浆量变化因素，共筛选出26个封堵突水点实例，见表1，前21个封堵突水点数据样本作为优化支持向量机算法的学习样本，后5个样本作为测试样本。如果学习样本达标后，用测试样本验证模型的泛化程度，如测试样本达到要求，该模型可以用于实际预测。

表1 矿井突水动水注浆数据样本

1.2 支持向量机原理

支持向量机(SVR)是基于结构风险最小理论和VC理论发展而来的，根据特定样本学习精度和无错误识别其他任意样本的折中，期待最优推广能力，常用于小样本、非线性及函数拟合等机器学习问题。

f(x)=ωφ(x)+b

(1)

式中：ω——权值向量；

φ——非线性映射；

b——阀值。

为了在支持向量回归机中保持较好的稀疏性，引入不敏感损失函数ε最小化经验风险，得到损失函数：

(2)

式中：L——损失函数。

在式(2)引入非负松弛变量ξm和惩罚因子C，待优化的问题可以表示为：

式中：C——给定的常数；

式(3)是一个凸二次优化问题，为了解决问题，引入拉格朗日乘子。

(5)

式中：αm——拉格朗日乘子。

(6)

无先验知识的数据集，核函数首选径向基核函数。

RBF核函数：

(7)

由于不同范围的径向基核函数取值的性质和作用不同，当径向基核函数取较大g值，其性能类似多项式核函数；当径向基核函数取较小g值，其性能类似线性核函数，所以在实际问题的研究中，采用径向基核函数往往可以获得较好的效果。

支持向量机参数C及其核函数参数σ的选取是一个复杂问题，参数C控制着对错分样本的惩罚程度；径向基核函数的参数为高斯分布的宽度，控制着函数的径向作用范围，决定着非线性映射的本质。支持向量机的学习性能与参数C和σ之间没有明显的函数关系，所以遗传算法(GA算法)的全局搜索特性可以实现支持向量机参数的有效选择。遗传-支持向量机是在支持向量机基础上，充分利用遗传算法以群体为基础，不以单点寻优、分类好等优点对支持向量机参数进行寻优，是选取支持向量机的最佳参数的一种算法。当前，遗传-支持向量算法广泛应用到矿井水害应用中，并取得了不错的效果。

1.3 模型建立流程

选择遗传算法及粒子群算法作为本文的分析工具，建立非线性模型具体过程图1所示。

图1 模型建立流程图

第一步，将前21个数据样本中的注浆量数据读入并保存为注浆量训练样本文件，将前21个样本中的影响因素读入并保存为注浆量影响因素训练样本文件，将后5个注浆量数据样本读入并保存为注浆量测试样本文件，将后5个注浆量影响因素数据样本读入并保存为注浆量影响因素测试样本文件，并将上述4个文件另存为一个MATLAB可读文件。

第二步，将这个MATLAB可读文件读入遗传-支持向量机算法程序，借助遗传算法自动寻优支持向量机参数C和g，然后通过样本映射计算和线性拟合训练，得到学习样本拟合图，并根据拟合程度的相对误差的均方误差(MSE)评价学习效果，若相对误差的均方误差没有趋向于0，则学习效果不好，重新进行学习；若相对误差的均方误差趋向于0，则学习效果好，建立初始模型。

第三步，根据测试样本中封堵突水点注浆量预测值与实际注浆量的相对误差验证初始模型的泛化度，当相对误差的均方误差(MSE)趋向于0时，说明建立的初始模型泛化度好，初始模型即为动水注浆量的预测非线性模型；当相对误差的均方误差(MSE)较大时，需要返回第二步，借助遗传算法重新进行支持向量机参数寻优，直到找到最优参数C和g，使相对误差的均方误差(MSE)趋向于0为止。

经过多次训练学习，得到进化带数为100，种群数量为20，经计算得到惩罚因子C=6.3257，最优参数g=0.64926。通过映射计算和线性拟合训练，得到的封堵突水点注浆量拟合结果曲线如图2所示，经计算，平均相对误差为25.6%，最大相对误差出现在样本3#中，相对误差是78.6%，出现离群点，当扩大样本后，离群点现象消除。

图2 GA-SVR 训练结果拟合图

2 PSO-SVR算法

2.1PSO算法

PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pbest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。在找到这两个最优值时，粒子根据式(8)来更新自己的速度和位置：

(8)

式中：p——粒子当前的位置表示SVM参数{C,g }的当前取值；

β——约束因子，控制速度的权重，通常取1；

c1、c2——学习因子，通常取c1=c2=2，根据模型的需求，设定其取值范围；

r1、r2——介于(0,1)之间的随机数；

w——惯性因子，非负数。

w越大说明粒子惯性大，搜索范围大；w越小惯性小，搜索范围小。

2.2PSO优化SVR参数过程

本文利用PSO的全局搜索能力，对SVR参数进行优化，PSO优化SVR的参数流程如图3所示。

图3 PSO优化SVR过程

第一步，首先对PSO和SVR参数初始化。包括粒子群中的参数c1、c2，进化代数和种群规模种群等及SVM参数C和g的设置。

第二步，随机给出初始粒子和初始速度，并赋给其初始速度和位置，计算初始极值及极值点。

第四步，根据粒子当前最优位置和种群最优位置，并获得一组SVM优化的参数。

第五步，当粒子群的适应度满足需求时或当迭代到最大种群数，停止迭代，输出参数结果；否则返回第三步重新进行计算，直到找到粒子合适的适应度值为止。

PSO-SVR模型的建立与GA-SVR模型建立流程相似，不同的就是两种算法不同。粒子群算法(PSO)以群体为基础，不单点寻优，具有全局搜索的优点。与遗传算法相比，粒子群算法不需要进行变异，算法简单实用，优化效果好，能实现支持向量机在小样本环境下自动寻优的一种算法。遗传算法染色体之间可以共享信息，整个种群比较平均移向最优点，而粒子群算法是当前粒子单独移向最优点，移动速度更快，很大程度上是单项共享机制。

本文利用粒子群算法，按照图1的流程建立初始模型，经过多次训练学习，得到进化带数为100，种群数量为20，经计算得到惩罚因子C=8.0209，最优参数g=04993，c1=1.5，c2=2.7。通过映射计算和线性拟合训练，得到的PSO-SVR方法封堵突水点注浆量拟合结果曲线如图4所示，由图4中可知，拟合结果最小相对误差为6.29%，最大相对误差为81.35%，平均相对误差为26.59%，误差较大的样本随数量的增加可以剔除。

图4 PSO-SVR学习样本拟合图

3 测试样本

本文测试样本检验采用留一验证法，根据初始模型注浆量预测值与实际值之间的相对误差进行分析，若相对误差的MSE趋向0时，则应用该模型，若达不到要求，对数据样本重新进行学习训练。

3.1GA-SVR测试样本

将样本22～26数据样本带入GA-SVR初始模型，得到检验样本预测如图5所示。

图5 GA-SVR测试样本拟合图

由图5可知，注浆量的预测值和实际值拟合情况非常好，只有测试样本25、26拟合的变化比较大；测试样本中GA-SVR预测注浆量与实际注浆量的相对误差见表2。

表2 测试样本相对误差表

由表2可知，相对误差较大的是样本25、26，最小相对误差是样本24，平均相对误差8.91%，小于模型的相对误差25.64%，相对误差的MSE为0.0867，趋向于0，说明该模型具有较好的泛化度。

3.2PSO-SVR测试样本

将样本22～26数据样本带入PSO-SVR初始模型，得到检验样本预测如图6所示，由图6可知，注浆量的预测值与实际值拟合情况非常好，只有样本25、26拟合的变化比较大；测试样本中PSO-SVR预测注浆量与实际注浆量的相对误差见表2。由表2可知，相对误差较大的是样本25、26，最小相对误差是样本24，平均相对误差为7.20%，小于学习样本的相对误差26.59%，相对误差的MSE为0.078，趋向于0，说明该模型具有较好的泛化度。

图6 PSO-SVR测试样本拟合图

4 实际应用

将GA-SVR和PSO-SVR建立的模型应用到曹庄煤矿81004工作面和杨庄煤矿9401工作面封堵矿井突水中注浆量预测中，并分析实际工程中封堵突水点的注浆效果。曹庄煤矿81004工作面和杨庄煤矿9401工作面的实际注浆情况如表3所示。

表3 实际注浆情况表

曹庄煤矿81004工作面突水水压为2.7MPa，最大突水水量为449m3/h，为加快封堵突水进度，根据矿压显现规律及已经掌握的水文地质资料，共使用了5台钻机，封堵过水通道长度为5m，在注浆过程中注浆压力为5.6MPa，利用GA-SVR模型和PSO-SVR模型预测注浆量分别是4593t、4923.3t，实际注浆量为4839t，经过注浆封堵后，突水点涌水量稳定在11.7m3/h，封堵率为97.4%。经计算，GA-SVR和PSO-SVR模型注浆量预测误差率分别是5.08%、1.74% 。

杨庄煤矿9401工作面突水水压为1.7MPa，最大突水量为743m3/h，封堵过水通道长度为3.5m，注浆过程中注浆压力为3.7MPa，利用GA-SVR模型和PSO-SVR模型预测注浆量分别是3370.1t和3320.5t。经过注浆封堵突水点后，突水点涌水量稳定在3.4m3/h，封堵率为99.55%，实际注浆量为3705t。经过计算，GA-SVR模型和PSO-SVR模型注浆量预测误差率分别是9.03%、10.37% 。

在上述两实例中，GA-SVR模型和PSO-SVR模型预测注浆量相对误差平均值分别为7.05%、6.05%。PSO-SVR模型预测平均相对误差比GA-SVR模型平均相对误差更小，但GA-SVR模型预测结果更稳定，PSO-SVR模型预测结果波动性更强。一般来说，选取更稳定的GA-SVR模型，但考虑到波动性问题，因此在预测封堵矿井突水点注浆量时，同时采取两种模型进行注浆量预测，取其区间值，从而实现经济快速封堵突水点。

5 结论

(1)基于GA-SVR和PSO-SVR两种方法建立了封堵突水点注浆量与突水水压、突水量、封堵过水通道、注浆压力等非线性模型，经实际工程验证，预测封堵突水点的注浆量准确度高。

(2)GA-SVR和PSO-SVR两种模型预测的结果与实际结果对比，各有优劣，因此在实际工作中应采用两种模型共同预测，取其区间值来选取注浆量。

[1] 邢文平，浮绍礼.井上下联合高效快速封堵突水点技术[J].煤矿安全，2014(2)

[2] 姬中奎.复杂突水条件下矿井注浆堵水技术[J].探矿工程，2014(5)[3] 潘睿，张兵奇.主立井高承压水上工作面注浆效果的影响因素研究[J].能源技术与管理，2014(2)

[4] 许延春，陈新明，姚依林.高水压突水危险工作面防治水关键技术[J].煤炭科学技术，2012(9)

[5] 许延春，李江华，刘白宙.焦作矿区煤层底板注浆加固工作面突水原因与防治[J].煤田地质与勘探，2011(4)

[6] 施龙青, 宋忠航, 吕大炜等. 新汶矿区翟镇井田2#煤层小断层发育规律研究[J].中国煤炭, 2015(7)

[7] 赵庆彪.高承压水上煤层安全开采指导原则及技术对策[J].煤炭科学技术，2013( 9)

[8] 丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011(1)

[9] 孙云普，王云飞，郑晓娟.基于遗传-支持向量机法的煤层顶板导水断裂带高度的分析[J].煤炭学报，2009(12)

[10] 曹庆奎，赵斐.基于遗传-支持向量回归的煤层底板突水量预测研究[J].煤炭学报，2011(12)

[11] 刘胜，李妍妍.自适应GA-SVM参数选择算法研究[J].哈尔滨工程大学学报，2007(4)

[12] 谭希鹏，施龙青，王娟等.基于支持向量机的导水裂隙带发育高度预测[J].煤矿安全，2014(8)

[13] 何同弟，李见为，黄鸿.基于GA优选参数的SVR水质参数遥感反演方法[J].光电工程，2010(8)

(责任编辑 张艳华)

Study on grouting forecast of sealing mine water inrush point

Shi Longqing1, Liu Tianhao1, Yu Xiaoge2, Feng Tao3, Ma Jinwei4

(1. College of Earth Sciences & Engineering, Shandong University of Science and Technology, Qingdao, Shandong 266590, China; 2. College of Resources and Civil Engineering, Shandong University of Science and Technology, Taian, Shandong 271000, China; 3. Inner Mongolia Energy Changcheng No. 1 Mine, Shandong Energy Xinwen Mining Group, Otog Front Banner, Inner Mongolia 016299, China; 4. Shandong Energy Group Feicheng Mining Co., Ltd., Feicheng, Shandong 271600, China)

Based on the data of blocking water inflow point of Feicheng coalfield, this paper analyzed the main factors which affect grouting quantity, including water pressure, water inrush, length of sealing off water channel, grouting pressure, and the optimal parameters of the support vector machine was figured out by the intelligent algorithm. The GA-SVR nonlinear model and PSO-SVR model were established. By comparing the results of actual grouting, the PSO-SVR model was more accurate than the GA-SVR model, and the GA-SVR forecasting results were more stable and less volatile. Therefore, it would better use two kinds of models to predict the amount of grouting at the same time and take the interval value, so as to achieve fast and favorable sealing at water inrush point.

water inrush point, GA-SVR, PSO-SVR, grouting quantity forecast, grouting impact factor, sealing

国家自然科学基金(41572244)，教育部高等学校博士学科点专项科研基金(20133718110004)，山东省自然科学基金(ZR2015DM013)，泰山学者建设工程专项经费资助

施龙青,刘天浩,于小鸽等. 封堵矿井突水点注浆量预测研究[J].中国煤炭，2017,43(6)：110-115,119. Shi Longqing,Liu Tianhao,Yu Xiaoge, et al.Study on grouting forecast of sealing mine water inrush point [J]. China Coal, 2017，43(6):110-115,119.

TD743

A

施龙青(1964-)，男，教授，博士生导师，主要从事矿井水害防治研究。