潘一煤矿地下水化学空间变化特征与水源识别分析

马 雷，刘思圆，吴蒙蒙

(合肥工业大学资源与环境工程学院，安徽 合肥 230009)

矿井地下水化学特征分析与水源判别对水害防治具有重要的意义。水文地质循环和水岩作用共同作用下，地下水的化学成分随时空变化而改变[1]，水中六大离子不同成分组合和浓度组合反映了不同的含水层地下水水质特征。然而在有水力联系的含水层的水中，离子成分与浓度可以反映出它们之间的内在联系。由此，地下水水化学离子浓度可用来分析地下水化学的演化和追寻地下水补给来源[2-3]，从而判别矿井突水水源。至今，国内外的学者对矿山的地下水化学特征分析和水源判别进行了诸多研究，众多多元统计分析方法广泛应用于地下水化学特征分析，如：主成分分析、因子分析、聚类分析等[4-6]，然而以往研究多将同一个含水层的所有地下水样作为一个类别进行分析，往往对地下水化学在空间上的差异性考虑不足，本文将对直接充水含水层即煤系水在平面上和垂向上的水化学空间分布和变化特征进行分析，研究变化规律，揭示其形成原因。在矿井突水水源判别方面，常用的判别模型有贝叶斯判别模型[7-8]、模糊综合评判[9]、人工神经网络模型[10-12]、Fisher判别模型等模型方法[13]。BP人工神经网络是一种适于处理非线性问题的人工智能系统，而基于地下水化学数据的多含水层的突水水源识别可理解成一种非线性分类识别问题。因此，BP人工神经网络适宜于这类问题的处理。本文应用BP人工神经网络模型判别地下水水样的来源，分析其判别效果，为煤矿突水水源识别提供参考依据。

1 研究区水文地质条件

潘一井田位于安徽省淮南市西北部潘集区，属黄淮冲积平原，为暖温带季风气候，四季分明，雨量充沛。矿区内含煤地层为石炭系上统太原组和二叠系中下部山西组和石盒子组。其中二叠系的山西组和石盒子组为主要含煤地层，石炭系上统太原组薄煤层不可采。二叠系含煤27～42层，平均总厚度39.07m，含可采及局部可采煤层15层，平均总厚度29.68m是本区的主要开采和研究对象。本区主要含水层为石炭系石灰岩含水层(组)、奥陶系石灰岩含水层(组)、煤系砂岩含水层(组)、新生界松散含水层(组)。

新生界松散层孔隙含水层(组)：总体呈北厚南薄的趋势，可分为上、中、下三个含水层组；上部含水层组(简称上含)，厚73.35～115.75m，平均厚86.96m，由东向西增厚，本含水组下段富水性强，与中部含水组有一定的水力联系。中部含水层组(简称中含)：厚40.84～170.95m，厚度由西北向东南变薄。中部含水组之下发育一隔水层，厚3.50～55.53m，平均厚35.80m，全区分布比较稳定。下部含水层组(简称下含)：直接覆盖在煤系及石炭系太原群、奥陶系地层之上，与基岩地层呈不整合接触。厚度变化的总趋势为由东南向西北增厚，平均厚度62.88m。

二叠系砂岩裂隙含水层(组)(简称煤系水含水层)：二迭系砂岩裂隙含水层分布于主要煤层之间，不稳定，各层间为泥岩与煤层间隔，无水力联系。在砂岩露头局部地区，因新生界下含底部缺失粘土而与下含存在弱水力联系。

煤系底板碳酸盐岩溶裂隙含水层(简称灰岩水含水层)：石炭系太原群薄层灰岩岩溶裂隙含水层(组)隐伏于巨厚新生界松散层下，位于煤系地层底板，原始水位标高+26～+28m，单位涌水量0.12～0.19L/(s·m)，渗透系数0.009～0.30m/d，水温32～36℃。奥陶系灰岩岩溶裂隙含水层，位于石炭系太原群地层底板，在潘一井田内最小埋深约350m，原始水位标高+25.11m，单位涌水量0.200L/(s·m)，渗透系数0.053m/d，水温44℃。

2 人工神经网络判别模型概述

人工神经网络(ANN)是模拟生物神经网络的人工智能系统，用非线性处理单元模拟生物神经元，用处理单元之间的可变连接强度来模拟突触行为，大量单元依一定形式连接而成的网络呈现出高维性、自组织性、模糊性和自学习能力。神经网络(Back Propagation，BP)是一种反向传播误差算法进行学习的多层前馈神经网络，是目前研究最多应用最广泛的网络模型之一。BP人工神经网络是一种单向传播的多层前向网络，具有三层或三层以上结构，包括输入层、隐含层(中间层) 和输出层。隐含层是处在输入层和输出层之间的中间层，它的作用是将一类输入模式中与其他类输入模式不相同的特征进行抽取，再将抽取得到的那部分特征传递给输出层，最后输出层对这类输入模式是否与其他输入模式相同而做出判断。每层都有许多类似生物系统神经元的能够执行并行运算的结点组成，各层结点之间没有直接联系，相邻层之间的结点通过权值连接，输入节点数目、输出节点数目及网络层数是由待解决问题本身的特殊性而确定，在解决实际问题中，最关键的问题就是对隐含层层数及隐含层节点数目的确定，一般用试错法。BP 网络的核心是通过一边向后传播误差，一边修正误差的方法来调节网络参数，以实现或逼近所希望的输入输出映射关系。

3 地下水化学特征分析

3.1 水化学类型分析

图1 潘一矿水样Piper分析图

3.2 煤系水水化学成分平面分布特征

3.3 煤系水水化学成分垂向分布特征

图2 沿Ⅴ-Ⅵ线水样点Ca2+和Mg2+ 浓度

图3 沿Ⅴ-Ⅵ线水样点Na++K+和浓度

4 突水水源判别

根据如上分析，在研究区内以新生界下含水、煤系水、灰岩水作为充水水源的判别对象，选取Ca2+、Mg2+、K++Na+、HCO3-、Cl-和SO42-作为判别水源的指标。采用常用的三层结构的BP神经网络，即输入层、隐含层和输出层。输入层节点个数设定为6，使用六大离子作为输入参数(见图4)。输出层节点个数为1，即为代表各含水层的目标输出值V，本例中将新生界上含水、新生界下含水、煤系水和灰岩水的目标输出值分别取为：0.2、0.4、0.6和0.8，则在判别时，将水样带入训练好的网络计算，如果输出值V≤0.3则被判别为新生界上含水，如果0.30.7则被判别为灰岩水。隐含层节点数，根据网络调试情况确定，一般认为，隐含层节点数与求解问题的要求、输入输出单元数多少等有直接的关系。本例经过调试，隐含层节点数设置为8。神经网络训练的目标误差、最大迭代次数和学习率分别设定为5.0×10-4、8 000和0.05。

图4 本文采用的BP神经网络结构图

根据表1的水样，依次将待判样本以外的其他样本作为训练样本，代入网络进行训练，然后利用训练好的网络判别待判样本的来源，得到的输出值与该待判样本所设定的目标输出值进行比较，最接近的目标设定值所对应的含水层即为该水样的水源。判别结果见表2，BP人工神经网络方法判错了11个水样，判别准确率为82.3%。其中8个新生界上含水全部判别正确；17个新生界下含水正确判别4个，正确率为76.5%，2个错判为新生界上含水，2个错判为煤系水；33个煤系水正确判别28个，正确率为84.8%，2个错判为新生界上含水，3个错判为新生界下含水；4个灰岩水仅正确判别2个，1个错判为新生界下含水，1个错判为煤系水，正确率为50.0%。本文还进行了模糊综合评判模型(F统计量定权)对水样数据进行判别分析，模糊综合判别方法判错了15个水样，判别准确率为75.8%。其中8个新生界上含水全部识别正确；17个新生界下含水全部正确识别；33个煤系水正确识别21个，正确率为63.6%，其中，3个错判为新生界上含水，7个错判为新生界下含水，2个错判为灰岩水；4个灰岩水仅正确识别1个，2个错判为新生界下含水，1个错判为煤系砂岩裂隙水，正确率为25.0%。以上判别结果表明，BP人工神经网络有相对较高的判别准确率，对于本例数据人该方法可以正确判别新生界上含水，有可能将新生界下含水错判为新生界上含水和煤系水，将煤系水错判为新生界上含水和下含水，难以有效地判别灰岩水。

表1 地下水主要离子成分数据和BP神经网络判别结果

水源类型Ca2+Mg2+Na++K+HCO-3Cl-SO2-4标准值计算值误差判别层位煤系水521292814084198010058031490606030003煤系水煤系水381109820513966110047437040606000000煤系水煤系水44128082465449069983638280606030003煤系水煤系水2665790839504747194199184180604480152下含水∗煤系水2545693852014783796645182540605700030煤系水煤系水661730865573893110652746510605070093煤系水煤系水1764644884204734993029218950605650035煤系水煤系水301195897536144488987123270605330067煤系水煤系水261182920756364110054574090605960004煤系水煤系水4412679927172488102566134970605930007煤系水煤系水1202671160548212911008285410605830017煤系水煤系水200195116168100373107706110100606030003煤系水煤系水721207117364143092994733500605980002煤系水煤系水301158122054956141244753910606000000煤系水煤系水4411341222381335121015294320605940006煤系水煤系水98237712407793971116524177190606370037煤系水煤系水6413531308011297221283401030606520052煤系水煤系水2401221432512496336157731900606360036煤系水煤系水341365151251265254471132060606200020煤系水煤系水281231160102253355486732470602000400上含水∗煤系水60124317916123381712780830870606750075煤系水煤系水421486181552258468963613200606220022煤系水太灰水670136658642335776103580426310806450155煤系水∗太灰水126387510555013790087510171650807610039太灰水太灰水15432152898688847106146414480804330367下含水∗太灰水1158027009265035093544381079490807140086太灰水

注：六种离子的浓度单位为mg/L；*表示该样本判别错误。

5 结论

(2) 部分煤系水与新生界下含水、灰岩水分水质比较接近，难以通过水质信息对水样来源做出有效判别。

(4)BP人工神经网络方法判别准确率为82.3%，总体上判别效果较好，但有可能将新生界下含水错判为新生界上含水和煤系水，将煤系水错判为新生界上含水和下含水，难以有效地判别灰岩水。

参考文献：

[1] MA L，QIAN JZ，ZHAO WD，et al. Hydrogeochemical analysis of multiple aquifers in a coal mine based on nonlinear PCA and GIS[J]. Environmental Earth Sciences, 2016,75(8):716.

[2] Vanderzalm JL, Jeuken BM, Wischusen JDH, et al. Recharge sources and hydrogeochemical evolution of groundwater in alluvial basins in arid central Australia[J]. Jounal of Hydrology,2011,397(1-2):71-82.

[3] 马雷，钱家忠，赵卫东. 基于GIS的地下水化学类型空间分区方法[J]. 煤炭学报，2012，37(3):490-494.

[4] 曹雪春，钱家忠，孙兴平. 煤矿地下水系统水质分类判别的多元统计组合模型——以顾桥煤矿为例[J].煤炭学报，2010，35(S1)：141-144.

[5] 陈陆望，许冬清，殷晓曦，等. 华北隐伏型煤矿区地下水化学及其控制因素分析——以宿县矿区主要突水含水层为例[J]. 煤炭学报, 2017,42 (4) :996-1 004.

[6] QIAN JZ, WANG L, MA L, et al. Multivariate statistical analysis of water chemistry in evaluating groundwater geochemical evolution and aquifer connectivity near a large coal mine, Anhui, China[J]. Environmental Earth Sciences, 2016,75(9):747.

[7] 陈陆望, 桂和荣, 殷晓曦, 等. 临涣矿区突水水源标型微量元素及其判别模型[J]. 水文地质工程地质, 2010,37(3): 17-22.

[8] 张春雷，钱家忠，赵卫东，等. Bayes方法在矿井突水水源判别中的应用[J].煤田地质与勘探, 2010, 38(4) : 34-37.

[9] 马雷，钱家忠，赵卫东. 基于GIS和水质水温的矿井突水水源快速判别研究[J].煤田地质与勘探，2014，42(2)：49-53.

[10] 倪深海，白玉慧. BP神经网络模型在地下水水质评价中的应用[J].系统工程理论与实践，2000，20(8)：124-127.

[11] 钱家忠，吕纯，赵卫东，等. Elman与BP神经网络在矿井水源判别中的应用[J].系统工程理论与实践，2010，30(1)：145-150.

[12] 尹光志, 李铭辉,李文璞, 等. 基于改进BP神经网络的煤体瓦斯渗透率预测模型[J]. 煤炭学报, 2013, 38(7):1 179-1 184.

[13] 陈红江，李夕兵，刘爱华，等. 用Fisher判别法确定矿井突水水源[J].中南大学学报(自然科学版)，2009，40(4)：1 114-1 120.