多场多属性信息融合精细定位煤矿导水通道技术研究

任辰锋

(国家能源集团 国神公司黄玉川煤矿，内蒙古 鄂尔多斯 010300)

我国煤炭资源大多赋存条件较为复杂，灾害突出，存在水、火、瓦斯等不安全因素，易引起透水、瓦斯爆炸等地质灾害，其中矿井透水事故是威胁煤矿安全生产的最主要灾害之一，在我国煤矿发生重大安全事故中，透水事故造成的人员伤亡和经济损失较大[1]。因此，煤矿的水害防治工作尤为重要，水害防治工作的关键是导水通道[2]，如何提高导水通道探查和识别的准确性也是煤矿安全生产研究的热点。

煤矿导水通道主要有导水陷落柱、断裂构造等[3]，导水陷落柱是主要的导水通道且危害性较大。目前，国外对煤矿陷落柱的研究较少，对地下空洞、岩溶溶洞的研究较多，国内煤矿陷落柱出现较多，所以针对陷落柱的勘探工作做得比较多、比较全面[4]。探查导水通道常用的技术方法有：三维地震、瞬变电磁、大地电磁、核磁共振等[5]，其中三维地震和电磁法勘探效果较好。各种方法根据现场探查条件和目标体特征具有各自的特点和适用性，但在技术和方法上仍存在一定的局限性，单一勘探方法的二维剖面上难以探查和识别陷落柱等导水通道[6]。

黄玉川煤矿以往地面三维地震勘探中发现多处地质异常体，解释为疑似陷落柱。随着煤矿开采深度和开采强度的增加，这些疑似陷落柱等导水通道构成了严重的煤矿致灾因素[7]，威胁矿井安全生产。由于疑似陷落柱的复杂性、探查方法的局限性和探查精度不高等原因，导致黄玉川煤矿疑似陷落柱等导水通道的空间分布及其富水性的探查不能满足矿井安全生产的需要。本文以黄玉川煤矿X6疑似陷落柱探查为例，在充分分析矿井相关地质资料和对三维地震数据进行精细解释的基础上，结合地震勘探的地震波场和电磁法勘探的电磁场属性特征，提出基于三维地震和瞬变电磁探测多场多属性信息融合精细定位煤矿导水通道技术，为煤矿安全高效开采提供重要保障。

1 三维地震与瞬变电磁法探测

三维地震勘探方法空间分辨率高，可探测陷落柱的大致位置，无法识别陷落柱的富水分布状态；瞬变电磁法勘探对富水区反应灵敏，但由于体积效应，不能准确探测陷落柱的位置和形态[8]。综合地震勘探的地震波场和电磁法勘探的电磁场属性特征，选择三维地震和瞬变电磁法作为黄玉川煤矿X6疑似陷落柱导水通道探查的地球物理方法。

1.1 三维地震探测

在X6测区，三维地震ILN1601线OM9钻孔附近的地震探测成果如图1所示，图中横坐标以OM9钻孔为0点，纵坐标以100m为深度起点。图中对4煤层(绿色虚线)、6上煤层(绿色虚线)、奥灰顶界面(黄色实线)、陷落柱(紫色实线)和断层(红色实线)进行了划分[9]。经分析，陷落柱埋深约350m，到400m深度陷落柱直径约40～70m。

图1 三维地震探测成果

1.2 瞬变电磁法探测

瞬变电磁法X6测区选择过钻孔OM9且互相垂直的A8与8测线的数据进行反演解释。X6测区地形复杂，整体北高南低，南部沟壑较多，多呈南北走向。A8测线的瞬变电磁法反演电阻率断面如图2(a)所示，地层电性由浅到深表现为“低-高”特征[10]，浅部对应第四纪和新近纪的土层，电阻率值较低；中部对应砂砾岩层和煤层，电阻率增加，在横向280～320m，标高870～780m范围内，电阻率为相对横向低阻，具体范围已在图中标出，可能存在导水陷落柱。8测线瞬变电磁法反演电阻率断面如图2(b )所示。该测线经过OM9钻孔，地层由浅至深电阻率值逐渐增加，浅层与第四纪和新近纪的土层对应较好，中部对应砂砾岩层和煤层，深部无明显异常区域。

图2 瞬变电磁探测成果

2 多场多属性信息融合定位导水通道

常规物探方法是利用单一属性、或多种属性单独解释、相互验证的方式来识别地下异常地质体，虽然在一定程度上能够满足勘探要求，但客观存在准确性不高的问题[11]。为进一步精准识别煤矿疑似陷落柱的边界位置和富水性，通过提取三维地震和瞬变电磁探测中对导水陷落柱敏感的属性特征，利用粒子群算法优化的BP神经网络进行多场多属性信息融合技术精细定位导水通道。

2.1 PSO-BP融合算法

BP神经网络(Backpropagation Neural Network，BPNN)是从输入到输出的映射，它具有学习和存储大量输入-输出模式映射关系[12]的强大功能。其工作原理为在网络的训练学习过程中，可以分为信号的正向传播和误差的反向传播。输入信息x(归一化样本数据)通过输入层，逐渐向前传播，经过各个层中的神经元以产生输出，计算实际输出和期望输出之间的误差。误差会向后往输入层传播，所有的神经元会分摊误差，从而反复修正不同层的连接权值和阈值。仅当误差达到或小于设定值时，才允许输出信息。否则，误差将继续向后循环传播到神经网络，直至最终达到设定值要求。

公式如下：

yi=f(neti)

式中，ω为网络的连接权值；θ为阈值；y为网络的输出，结构如图3所示。

图3 神经网络结构

由于BP神经网络的初始权值和阈值是随机给定的，很容易陷入局部极值和算法学习速度缓慢。针对这一情况，采用粒子群算法对BP神经网络的初始权值和阈值进行优化。

粒子群算法(Particle swarm optimization algorithm，PSO)源于鸟群的捕食行为，通过假设无质量粒子来模拟鸟类。粒子只有两个属性，速度和位置，速度表示粒子的移动速度，位置表示粒子的移动方向[13]。每个粒子都有自己的速度，分别在搜索空间中搜索最优解的位置，并记录为当前的个体极值。在行进过程中，将个体极值与整个粒子群中的其他粒子进行交换和共享，以确定在最佳位置的个体作为全局最优解，从而调整自己的轨迹来适应最佳位置[14]。粒子的速度和位置更新公式为：

式中，ω为惯性权值；c1和c2都为正常数，称为加速系数；r1和r2是两个在[0，1]范围内变化的随机数。第d维粒子元素的速度变化范围和位置变化范围分别限制为[Vd，min，Vd，max]和[Xd，min，Xd，max]。迭代过程中，若某一维粒子元素的Vid或Xid超出边界值则令其等于边界值[15]。

2.2 三维地震与瞬变电磁属性提取及融合结构

利用Petrel对地震深度剖面提取多种地震属性值，计算这些属性间的相关系数，对相关系数进行R型聚类分析。结合每个属性的地质意义和相关系数对地震属性特征进行优选，最终优选以下8种相关性较差且相对独立的地震属性作为神经网络的输入特征[16]，即均方根振幅、混沌体、倾角偏差、瞬时频率、吸收衰减、瞬时相位、波阻抗、中值滤波值[17]。选取的8种属性沿煤层的属性值如图4所示，红框为陷落柱的位置，即对应图1中测点-50～50m之间，可以看出在陷落柱范围内，混沌体值增大单峰特征，瞬时相位为增加，陷落柱边界为双峰、陷落柱中心为次高单峰，倾角偏差为震荡增大，其余5个属性值均表现为降低特征，其中均方根和波阻抗降低的特征较明显，易于解释。

图4 陷落柱的地震属性响应关系

瞬变电磁法常用于富水性解释的属性有视电阻率和反演电阻率。陷落柱视电阻率特征曲线如图5所示，由图5可以看出，陷落柱不导水时与正常地层电阻率特征相似，较难分辨；当陷落柱导水后，其视电阻率值先变小，而后增加，为单低峰曲线特征。采用导水陷落柱模型，陷落柱位于测点100～200m之间，进行反演得到电阻率剖面图，如图6所示。由于体积效应，导水陷落柱在剖面图并非呈明显低阻反应，无法圈定导水陷落柱的准确边界，与图2测点240～360m间结果类似。

图5 陷落柱不同含水程度视电阻率对比

图6 含水陷落柱反演电阻率剖面图

上述10种属性组成陷落柱信息融合的属性特征集合。融合时，神经网络分类采用三层BP网络结构模型，即一个输入层、一个隐含层和一个输出层，结构如图7所示。输入层为10个属性，前8个为地震属性，后2个为瞬变电磁(TEM)电阻率属性；隐含层设置13个神经元，输出层输出相应的分类结果。隐含层的激活函数选用sigmoid型函数[18]，输出层的激活函数选用tanh型函数；最大迭代次数为200次；训练目标最小误差设定为0.1；学习速率为0.01。粒子群算法的初始群体规模为20，最大迭代次数为20，惯性权重ωmax=0.9、ωmin=0.4，加速常数c1=1.49445，c2=1.49445，V∈[-1，1]，X∈[-5，5][19]。

图7 陷落柱三层BP神经网络结构

2.3 三维地震和瞬变电磁信息融合测线选择

三维地震的I1601测线与瞬变电磁的A8测线、三维地震的X1376测线与瞬变电磁的8测线均位于陷落柱上方(如图8所示)，测线方位垂直，且均过OM9钻孔，选取这两条剖面AA′和BB′进行信息融合，融合数据的网格大小为4m×5m。地震I1601和X1376的深度剖面如图9所示，瞬变电磁A8和8测线的反演电阻率如图10所示。

图8 信息融合剖面示意图

图9 三维地震剖面

本段地震剖面只能圈定出陷落柱的大致位置(图9中紫色曲线)，无法反映陷落柱富水性。瞬变电磁探测的反演电阻率剖面，在陷落柱位置表现为相对低阻，为含水陷落柱反映，但受体积效应影响，陷落柱的边界较模糊，无法精细圈定富水区范围。为了更有效地利用多场勘探信息，结合三维地震和瞬变电磁数据进行多场多属性信息融合[20]。

2.4 多场多属性信息融合结果分析

提取10种属性数据组成信息融合样本，选取OM9钻孔处的679个数据，标记“1”为“陷落柱含水”，“2”为“陷落柱不含水”，“3”为“无陷落柱的围岩”。随机从样本数据集中选取90%样本数据作为训练样本，对PSO-BPNN神经网络进行训练，训练集的正确率为93.28%(如图11a)；剩余的10%样本数据作为测试样本，输入已经训练好的PSO-BPNN神经网络，计算预测值与真实值间的正确率，得出测试集的正确率为92.75%(如图11b)。

图10 瞬变电磁剖面

图11 含水陷落柱训练集和测试集输出

信息融合结果如图12所示，预测出陷落柱的顶位于360m左右，陷落柱内部深度在360～370m之间存在红色区块，预测为陷落柱不含水部分；370m以下为大片蓝色区块，预测为陷落柱含水部分；陷落柱的水位分界面约在370m。图12中6上煤层370m处对应的陷落柱直径约为25m，6煤层392m处对应的陷落柱直径约为30m，预测直径随深度的增加而增大。

图12 多场多属性信息融合预测结果

3 工程验证

结合上述分析预测，对疑似陷落柱进行钻探验证，验证情况如图13所示。其中，补9、补10孔在煤层底板下发生钻孔涌水，涌水量分别为69m3/h与96m3/h，钻孔揭露破碎带水平距达11m以上，岩心破碎，水蚀痕迹明显，不同层位的岩石杂乱堆积，推测该构造为一隐伏于6上煤之下的岩溶陷落柱，该陷落柱裂隙带已波及至6上煤，致使顺煤层钻孔补1、补2、补4孔出水，可判定该陷落柱导水，充水水源来自奥灰含水层。其中补9号钻孔61.4～77.4m全部为破碎带，补9号倾角-31°，推算垂深27.1m处，即埋深约392m的6号煤层处陷落柱直径约为27.4m。符合多场多属性信息融合预测结果，验证了该方法可以准确的探测矿区陷落柱的空间形态和富水性。

图13 疑似陷落柱钻探验证图

4 结 论

本文以黄玉川煤矿X6疑似陷落柱探查为例，提出基于三维地震和瞬变电磁探测多场多属性信息融合精细定位煤矿导水通道技术，结合地质资料及钻孔工程探测，验证了该方法精细探查陷落柱的准确性，得出以下结论：

1)基于三维地震和瞬变电磁探测的多场多属性信息融合应用于黄玉川煤矿疑似陷落柱的探查取得良好的效果，能够有效的探查陷落柱的发育范围，准确的探查陷落柱的含水性。

2)通过提取三维地震和瞬变电磁探测中对导水陷落柱敏感的属性特征，利用粒子群算法优化的BP神经网络进行多场多属性信息融合技术精细定位导水通道，可以对导水陷落柱进行准确识别定位，解决了常规物探方法无法实现导水陷落柱位置、形态和水分布状态的全面识别且存在误差的问题。