厚松散层薄基岩条件下矿井顶板涌水致灾因素分析及预测研究

，，

(1.山东科技大学 矿业与安全工程学院，山东 青岛 266590；2. 山东科技大学 矿山灾害预防控制省部共建国家重点实验室培育基地，山东 青岛 266590；3.山东科技大学 机械电子工程学院，山东 青岛 266590)

厚松散层薄基岩条件下矿井顶板涌水致灾因素分析及预测研究

李波1,2，张文泉1,2，马兰3

(1.山东科技大学 矿业与安全工程学院，山东 青岛 266590；2. 山东科技大学 矿山灾害预防控制省部共建国家重点实验室培育基地，山东 青岛 266590；3.山东科技大学 机械电子工程学院，山东 青岛 266590)

为研究厚松散层薄基岩条件下开采诱发矿井顶板涌水事故的各因素之间的相互关系，总结了厚松散层薄基岩条件下影响矿井顶板涌水量的11个因素。基于模糊数学隶属度及隶属函数对各因素进行了初步处理，构建了基于神经网络的顶板涌水量预测模型，对影响因素权重进行了敏感性排序，并结合现场数据对模型加以验证。研究结果表明，厚松散层薄基岩下开采诱发顶板涌水事故的主要因素是由开采方法的选取引起的一系列“连锁反应”与地层赋存特征共同作用的结果。其中，开采方法、开采高度、基岩厚度及水压是影响松散层下开采顶板涌水灾害的主要因素。经过现场实例验证，模型的准确性较高，预测结果与工程实际吻合较好。

厚松散层薄基岩；顶板涌水量；模糊神经网络；涌水因素；敏感性排序；预测模型

Abstract: In order to obtain the relationships between influencing factors of mine roof water inrush under the condition of thick unconsolidated layers and thin bedrock, this paper summarized 11 influencing factors. Based on Fuzzy Mathematics membership and membership function, preliminary treatment of each of the 11 factors was made and a roof water inrush prediction model was established based on Neural Network. Then the sensitivity ranking of the weight of influencing factors was carried out and the model was verified by field data.Research results show that the strata features and the “chain reaction” caused by the selection of mining method are the major factors that result in roof water inrush accident in mining under the condition of thick unconsolidated layers and thin bedrock. Among them, the mining method, mining height, bedrock thickness and water pressure are the main factors leading to roof water inrush in mining under the condition of thick unconsolidated layers and thin bedrock. The field example indicates that the model is of high accuracy, and the prediction results are in good agreement with the engineering practice.

Keywords: thick unconsolidated layers and thin bedrock; roof water inrush volume; fuzzy neural network; factors of water inrush; sensitivity ranking; prediction model

近年来，随着煤炭资源开采程度逐渐扩大，煤炭开采面临深浅两极化现象日趋明显，尤其是已将浅部开采作为首要任务的华北老矿区，在松散层厚度大、基岩薄、沉积结构复杂多变、松散含水层富水程度区域性差异明显、开采条件多样等特点耦合影响下，其突水致灾机理、矿压显现特征较传统开采条件下更为复杂，导致矿井浅部开采的难度增大，发生突水溃砂事故的几率和风险显著增加。因此，深入分析厚松散层薄基岩下开采时顶板突水的影响因素并确定各因素之间的相互关系已成为松散层下安全开采的重要工作[1-6]。以安全开采为前提，最大限度地回收被松散水体呆滞的煤炭资源，对提高煤炭资源回采率、延长矿井服务年限、提高矿井社会经济效益具有重要的现实意义。

目前，众多学者在松散层下顶板突水致灾因素方面做了大量研究：刘天泉[7]对松散层下煤层开采垮落带、导水裂隙带发育高度进行了研究；姚邦华[8]等利用COMSOL-Multiphysics数值模拟软件研究了薄基岩地质条件下，煤层开采导致顶板破坏高度及工作面涌水量预测；马立强等[9]利用FLAC3D数值模拟软件模拟了薄基浅埋煤层地质条件下，煤层开采顶板覆岩破坏规律；刘伟韬等[10]利用模糊数学理论对煤层开采时顶板突水等级进行了预测。以上研究方式主要分为数值模拟与数学分析方法两类。其中，数值模拟方法模拟方案多且复杂，岩层材料属性与现场差距较大，模拟结果准确性不理想，会影响总体工作进度；而数学分析方法获得的结果往往与现场差距较大，无法满足工程需求。因此，笔者采用BP神经网络算法对厚松散层薄基岩地质条件下煤层开采顶板涌水致灾因素分析及涌水量进行预测。BP神经网络算法[11-14]对求解内部机制复杂的问题具有良好鲁棒性和泛化性，且结构简单、易于实现、学习能力强。

本研究结合厚松散层薄基岩区域矿井生产情况[15-16]，总结出11个影响厚松散层薄基岩下开采矿井突水影响因素；基于模糊数学理论构建了模糊-神经网络模型，选取合理的初始参数，提供充足的学习样本保证神经模型准确度。通过模型学习获取了各影响因素权值，并采用绝对影响系数判断各影响因素对顶板涌水的贡献权重，对各影响因素进行敏感性排序。在此基础上建立厚松散层薄基岩下开采涌水量预测模型，并通过现场实例对模型的准确性加以验证。

图1 厚松散层薄基岩下开采顶板涌水影响因素层次结构模型

1 影响因素分析与预处理

1.1 影响因素分析

收集了山东省新巨龙煤矿、鲍店煤矿等10余个矿井厚松散层薄基岩条件下的工作面参数，通过对各工作面地质条件、开采方法、采动影响下工作面涌水量以及覆岩破坏情况的分析，总结出影响厚松散层薄基岩条件下开采工作面突水的11个主要因素；并将顶板涌水的11个影响因素划分为2类，如图1所示。将厚松散层薄基岩下开采顶板突水现象看作是这11个因素相互作用的结果。其中，煤层开采时，松散层底部含水层厚度、含水层富水性与水压是导致顶板突水的主要危害因素；覆岩破坏带能否波及底部含水层是判定顶板突水可能性的重要依据；松散层底部黏土层与基岩的厚度是决定覆岩破坏带是否可能波及到底部含水层的安全指标，而覆岩破坏带发育高度与采高、埋深、倾角、工作面长度及开采方法等因素存在着密切相关性[2,17]。因此，以上11个因素的相互影响决定了工作面近松散层开采顶板的涌水量等级与突水几率。

1.2 影响因素预处理

在列出的11个影响因素中，有2个定性因素(开采方法、松散层底部含水层富水性)、9个定量因素。首先根据含水层的富水性与不同的开采方法对顶板的扰动程度对含水层富水性、开采方法两个定性因素进行模糊评判，然后根据不同的影响指标将其转化为相应的隶属度。其中，底部含水层富水性根据钻孔出水量划分为5类[13,18]；开采方法根据对顶板的破坏程度划分为4类[19-21]；划分结果如表1。

表1 顶板涌水量定性因素隶属函数

模糊约束集分类描述隶属度底部含水层富水性极弱、弱、中等、强、极强[0.1,0.3,0.5,0.7,0.9]开采方法破坏程度较小、一般、较大、大[0.3,0.5,0.7,1.0]

根据现场收集数据与多年该条件下开采经验确定松散层底部含水层厚度、水压、覆岩破坏带高度、底部黏土层厚度、基岩厚度、煤层倾角、采高、开采深度、工作面长度的隶属函数：

(1)

(2)

(3)

(4)

(5)

根据参考文献[18，19，22]及华北松散层地区矿井现场开采经验将评判突水危害性标准划分为3类：

(6)

式中，h、p、n、j、k、a、m、s、l和Q分别表示松散层底部含水层厚度、水压、覆岩破坏带高度、松散层底部黏土层厚度、基岩厚度、煤层倾角、开采高度、煤层埋深、工作面长度和松散层下煤层开采顶板涌水量。R1～R9分别代表无量纲化处理后各因素的隶属度，T表示突水等级。

2 模糊神经网络模型建立与分析

2.1 模糊神经网络简介

BP神经网络是一种误差反向传播算法学习过程，通过反向传播误差来不断调整网络的权值和阈值，使网络的误差平方和最小，具有强大的非线性映射能力，能够实现从输入到输出的任意非线性映射。模糊理论与神经网络技术相结合而形成的模糊神经网络提高了BP系统的学习能力和表达能力，具有良好的泛化性及鲁棒性。

2.2 模型建立

基于Matlab平台神经网络工具箱建立的神经网络模型包含11个输入层单元，代表影响顶板涌水量的11个主控因素；输出层为1个，表示突水等级；隐含层神经元的个数确定为23个；选用动量及自适应梯度递减训练函数traingdx；步长为0.2；动量因子为0.9；网络初始权值设为固定值；学习速率0.05；期望误差为0.01；最大训练周期100 000；机理函数选定logsig-purelin；性能函数选用加权函数msereg。

通过运行建立的神经网络学习算法可以得到神经网络各神经元之间的关系，若要得到输入因素与输出因素之间的实际联系，即输入因素对输出因素的影响权重，还需要对各因素的权值进行处理，为此引进以下指标对输入因素与输出因素之间的关系进行描述[11-12]。

1) 相关显著性系数

(7)

x=wjk。

(8)

2) 相关指数

Rij=(1-e-y)/(1+e-y) ，

(9)

y=rij。

(10)

图2 模糊神经网络训练误差曲线

3) 绝对影响系数

(11)

式中：i为神经网络输入单元，i=1,……,m；j为神经网络输出单元，j=1,……,n；k为神经网络隐含单元，k=1,……,p；Wki为输入层神经元i和隐含层神经元k之间的权系数；wjk为输出层神经元j和隐含层神经元k之间的权系数，绝对影响系数S就是所要求的权重。

2.3 模糊神经网络训练

影响顶板涌水量各因素数据(表2)；对数据进行无量纲化处理,如表3所示；模型对数据进行学习,其误差变化曲线如图2所示，图2表明该模型学习效果较好，具有较高的准确性。根据学习结果对权值矩阵进行处理，得出影响因素的最终权重，如表4所示；根据各影响因素权重进行敏感性排序，见表5。

表2 学习样本数据

表3 学习数据无量纲化处理

表4 各影响因素贡献权重

表5 各影响因素敏感性排序

2.4 影响因素敏感性分析

根据模型输出的各因素敏感性排序可以看出：影响顶板涌水量变化的主要因素是开采方法及采高，二者权值均大于0.13；其次是基岩厚度、水压及覆岩破坏带高度三者权值均大于0.12；含水层厚度及松散层底部含水层富水性权值分布在0.1～0.12之间；松散层底部黏土层厚度权值分布在0.08～0.1之间；而开采深度、工作面长度及煤层倾角在权值角度来看对顶板涌水量影响不大。总体来说导致厚松散层薄基岩下开采涌水量变化的因素主要是开采方法与松散层底部含水层性质。

现阶段综合机械化采煤工艺是主要趋势。在这一前提下，选取合理的综采方法在一定程度上影响着开采高度的选择，二者共同属于采矿扰动的范畴；底部松散层富水性则是影响顶板涌水量大小的潜在地质因素，富水性越强顶板突水的潜在威胁越大；导致顶板涌水量变化的“导火线”则是覆岩破坏带的高度是否波及到松散层底板含水层，覆岩破坏带属于开采方法与采高共同作用的结果，其能否波及到底部含水层主要是看覆岩破坏带的高度是否大于基岩厚度与底部黏土层厚度之和。从模型学习结果来看，开采深度、煤层倾角、工作面长度对顶板涌水影响较小。因此，采矿扰动与底部含水层的富水性是底板突水的主要“危险源”，基岩跟松散层底部黏土层厚度则是抑制顶板突水的“保护层”，而覆岩破坏带高度则是沟通二者、诱发突水事故发生的“导火线”。

3 模糊神经网络模型验证

3.1 实例验证

为验证模型准确性，选取3组工程实例数据作为验证样本，验证样本及验证结果如表6、7所示。

表6 实例验证样本

表7 验证样本预测结果

3.2 实例验证结果分析

在厚松散层薄基岩条件下进行开采活动时，选取合理的开采方法并确定适当的采高，结合地层构造特点，估算出覆岩破坏带的高度与裂隙发育情况，判断覆岩破坏带是否可以波及到底部含水层并成为顶板涌水的导水通道。在覆岩破坏带不波及到松散层底部含水层时发生顶板突水可能性较小，顶板涌水量少；当覆岩破坏带波及到底部含水层时，若底部含水层富水性较小、水压较低则顶板涌水量可能会增加，但发生顶板突水灾害可能性较低，涌沙几率较小；一旦底部含水层富水性较强产生较大的水压，则煤层顶板涌水量会明显增加，顶板突水几率增大，若覆岩破坏程度较大、裂隙扩展范围较广，则可能诱发溃沙事故。因此，在松散层下煤层开采时，要根据底部含水层的富水性及水压确定合理的采高。一方面，需要选取适当的开采方法确定适宜的采高，另一方面可以留取适当的保护煤柱降低顶板突水的风险，或者从减小底部含水层富水性角度出发，通过井上抽水、井下疏放水方式减小含水层富水性、降低水压，以达到降低顶板突水威胁的目的。

4 结论

1) 结合我国华北地区厚松散层、薄基岩、综合机械化开采工作面涌水特点，在收集大量矿井资料的基础上，总结了11个影响顶板涌水的因素，对底部含水层富水性与开采方法两个定性因素进行了隶属度的细化，并对其他9个因素进行了无量纲化处理。

2) 根据华北矿区典型的厚松散层薄基岩条件下开采矿井实例，建立了模糊神经网络模型，并对其影响因素进行了敏感性排序，结果表明：开采方法、开采高度是影响顶板涌水量的最主要因素；开采深度、工作面长度、煤层倾角则对顶板用水量影响不大。使用该模型对选取的3组数据进行验证，结果表明模型准确度较高。结合矿井多年开采经验分析，导致松散层下开采顶板突水的主观因素是开采方法选取的采高引起一系列采矿扰动，客观因素主要是松散层底部含水层的富水性及基岩的厚度。这两方面因素共同作用确定了松散层下顶板突水情况。在开采近松散层煤层时，选取合理的开采方法、采高是安全开采的前提；结合地层构造特点、煤层赋存情况确定合理的开采方案是煤矿安全的主要保证。

3) 当采煤工作面参数确定时，利用该模型对矿井顶板突水等级预测结果准确度较高；结合地质条件、预测突水等级，可准确的确定出安全回采的采矿方法与开采高度。

由于时间精力有限，文章主要针对厚松散层、薄基岩、综合机械化采煤工艺开采的缓倾斜煤层，对其他地质构造、采煤工艺下煤层适应情况有待进一步研究；后续工作可收集更多数据，对模型进行推广和完善，提高模型精度。

[1]连会青,夏向学,冉伟,等.厚松散层薄基岩浅埋煤层突水溃砂的可能性分析[J].煤矿安全,2015,46(2):168-171. LIAN Huiqing,XIA Xiangxue,RAN Wei,et al.Possibility analysis of water and sand inrush at shallow buried coal seam with unconsolidated formation and thin bedrock[J].Safety in Coal Mines,2015,46(2): 168-171.

[2]张贵彬.厚松散层薄基岩下开采上覆地层变形破坏特征及应用研究[D].青岛:山东科技大学,2014.

[3]汪晓静,解礼科,张建.浅埋煤层顶板突水溃砂防治工程及开采安全性研究[J].煤矿现代化,2015(4):74-76. WANG Xiaojing,XIE Like,ZHANG Jian.Control engineering and research on safety mining of shallow coal seam roof water inrush and sand inrush[J].Coal Mine Modernization,2015(4): 74-76.

[4]WANG F,ZHANG C,ZHANG X,et al.Overlying strata movement rules and safety mining technology for the shallow depth seam proximity beneath a room mining goaf[J].International Journal of Mining Science and Technology,2015,25(1): 139-143.

[5] 唐军,李文,安伯义,等.衰老矿井可持续发展战略决策和实施[C]// 2012煤炭企业管理现代化创新成果集.北京：2013.

[6] 张磊,王坤,陈同文.资源衰减矿井可持续发展规划的思路及对策[J].内蒙古煤炭经济,2014(10):29-30. ZHANG Lei,WANG Kun,CHEN Tongwen.The thought and countermeasure of sustainable development of resource attenuation mine[J].Inner Mongolia Coal Economy,2014(10): 29-30.

[7]刘天泉.露头煤柱优化设计理论与技术[M].北京: 煤炭工业出版社,1998.

[8]姚邦华,魏建平,王登科,等.司马矿薄基岩区顶板突水危险性数值模拟研究[J].安全与环境学报,2014,14(4):137-141. YAO Banghua,WEI Jianping,WANG Dengke,et al.A numerically simulated model on the water-inrush risk under the geo-condition of thin rock-mass with thick-loose bed in Sima coal mine[J].Journal of Safety and Environment,2014,14(4): 134-141.

[9]马立强,张东升,刘玉德,等.薄基岩浅埋煤层保水开采技术研究[J].湖南科技大学学报(自然科学版),2008,23(1):1-5. MA Liqiang,ZHANG Dongsheng,LIU Yude,et al.Aquifer-protective mining technology in shallow coal seam with thin bedrock[J].Journal of Hunan University of Science & Technology (Natural Science Edition),2008,23(1): 1-5.

[10]刘伟韬,李加祥,张文泉.顶板涌水等级评价的模糊数学方法[J].煤炭学报,2001,26(4):399-403. LIU Weitao,LI Jiaxiang,ZHANG Wenquan.An evaluation of roof water inrush grade using fuzzy mathematics method[J].Journal of China Coal Society,2001,26(4): 399-403.

[11]孙明.深井底板突水判别和预测系统开发研究[D].青岛:山东科技大学,2010.

[12]白穆.人工神经网络在农用地分等因素权重确定中的应用研究[D].西安: 长安大学,2007.

[13]赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M].北京:清华大学出版社,1996.

[14]BURGOS J E,GARCA-LEAL.Autoshaped choice in artificial neural networks: Implications for behavioral economics and neuroeconomics[J].Behavioural Processes,2015,114: 63-71.

[15]许家林,朱卫兵,王晓振,等.浅埋煤层覆岩关键层结构分类[J],煤炭学报,2009,34(7):865-870. XU Jialin,ZHU Weibing,WANG Xiaozhen,et al.Classification of key strata structure of overlying strata in shallow coal seam[J].Journal of China Coal Society,2009,34(7): 865-870.

[16]王晓振.松散承压含水层下采煤压架突水灾害发生条件及防治研究[D].徐州:中国矿业大学,2012.

[17]ZHANG G B,ZHANG W Q,WANG C H,et al.Mining thick coal seams under thin bedrock-deformation and failure of overlying strata and alluvium[J].Geotechnical & Geological Engineering,2016，34：1553-1563.

[18]张文泉.矿井 (底板) 突水灾害的动态机理及综合判测和预报软件开发研究[D].青岛:山东科技大学,2004.

[19]国家安全生产监督管理总局.煤矿防治水规定[M].北京:煤炭工业出版社,2009.

[20]房智恒,王李管,熊张友.基于Micromine FLAC3D耦合技术的金属矿采矿扰动影响分析[J].采矿与安全工程学报,2012,29(6):870-875. FANG Zhiheng,WANG Liguan,XIONG Zhangyou.Mining disturbance analysis in metal mine based on Micromine FLAC3Dcoupling technology[J].Journal of Mining & Safety Engineering,2012,29(6): 870-875.

[21]王国法,庞义辉,刘俊峰.特厚煤层大采高综放开采机采高度的确定与影响[J].煤炭学报,2012,37(11):1777-1782. WANG Guofa,PANG Yihui,LIU Junfeng.Determination and influence of cutting height of coal by top coal caving method with great mining height in extra thick coal seam[J].Journal of China Coal Society,2012,37(11): 1777-1782.

[22]王睿,孟召平,谢晓彤,等.巨厚松散层下防水煤柱合理留设及其数值模拟[J].煤田地质与勘探,2011,39(1): 31-35. WANG Rui,MENG Zhaoping,XIE Xiaotong,et al.Waterproof coal pillar reasonable design and numerical simulation under extremely thick unconsolidated strata[J].Coal Geology & Exploration,2011,39(1): 31-35.

(责任编辑：李 磊)

InfluencingFactorsandPredictionofMineWaterInrushDisasterUnderThickUnconsolidatedLayersandThinBedrock

LI Bo1,2, ZHANG Wenquan1,2， MA Lan3

(1.College of Mining and Safety Engineering, Shandong University of Science and Technology,Qingdao,Shandong 266590,China; 2.State Key Laboratory of Mining Disaster Prevention and Control Co-founded by Shandong Province and the Ministry of Science and Technology, Shandong University of Science and Technology, Qingdao, Shandong 266590, China；3.College of Mechanical and Electronic Engineering, Shandong University of Science and Technology,Qingdao,Shandong 266590, China)

TD745

A

1672-3767(2017)06-0039-08

10.16452/j.cnki.sdkjzk.2017.06.006

2016-12-29

高等学校博士学科点专项科研基金项目(20133718110015)

李 波(1992—)，男，山东泰安人，硕士研究生，主要从事矿山灾害预测及防治相关研究. E-mail：lbck2015@163.com 张文泉(1965—)，男，山东潍坊人，教授，博士，主要从事矿山灾害预测及防治相关研究工作，本文通信作者. E-mail：wenquanzhang@163.com