基于神经网络算法分析和预测低渗透性含水层矿坑涌水对地下水位的影响

王利军

（安徽省水利水电勘测设计研究总院有限公司，安徽 合肥 230008）

0 引言

矿坑涌水由于开采水平较深，周围地下水均向开采点汇流。低渗透性含水层矿涌水由于渗透性低，短时在开采点附近会造成很大垂向水头梯度，远离开采点的地下水位影响微弱，在这个阶段建立二维或三维数值模拟模型来刻画矿坑用水对地下水位的影响非常困难[1]。随着矿区持续开采，地下水水头线会逐渐趋于平稳，此时可以用传统的数值模拟模型来预测矿坑用水对地下水位的影响[2]。但低渗透性含水层用于构建数值模型的关键水文地质参数渗透系数的确定由于试验过程不易控制，误差较大，造成模型精度不高，很多学者致力于研究确定低渗透性含水层渗透系数的方法，而限于模型精度鲜有人研究矿坑涌水量对地下水位的影响。低渗透性含水层地下水位变化规律的掌握对矿区周边地下水位的预测有很大帮助，也有助于掌握该区域地下水资源量的变化规律，对地下水资源的保护起指导作用[3-5]。

基于BP 算法的神经网络通过多个具有简单处理功能的神经元的复合作用，使网络具有非线性映射能力，并通过信息的正向传递与根据误差的逆向修改网络权重的过程来调整参数，来实现输入和输出之间的映射关系，具有广泛的实用性[6]。地下水位受采矿等生产活动的影响，很多学者采用VisualModflow 来进行数值模拟计算，但低渗透性含水层矿区水文地质参数用常用的方法很难准确得出，水文地质条件边界概化也较为困难，水位变化表现出非线性特征[7]。利用BP 算法来预测矿坑涌水量在水文地质学中已有一些成功应用案例，这些案例涌水量的预测值和实测值相对误差较小，效果好[8]。也有学者利用BP 算法来建立地下水位监测网，该模型需要大量的水位监测孔数据，模型迭代时间长，没有预测功能[9-11]。

1 研究方法数据来源

1.1 数据来源

张庄铁矿数据降雨资料采用当地水文测站与地下水水位监测资料、地质环境监测站实测数据以及安徽省霍邱县霍邱站降雨数据。过程中部分月份缺失的采用周边测站进行插值完成，地下水水位监测资料采用霍邱县冯井镇小围村浅层与深层地下水监测井，矿坑涌水采用张庄铁矿生产过程中实测的矿井涌水数据。

1.2 研究方法

建立BP 神经网络模型。本文将矿区水位的影响因素作为BP 神经网络模型的输入。浅层和深层孔隙水水位作为输出，建立地下水位预测模型。

第一步：数据预处理。收集矿区降雨量、蒸发量、涌水量数列，以及矿区逐年开采水平、水文地质参数。模型以2018—2019 年逐月数据作为研究样本。

第二步：确定模型结构。本研究确定降水量、蒸发量以及涌水量三个影响因素作为输入变量，深层及浅层地下水位作为两个输出变量，构建BP 神经网络。隐藏层层数及其神经元个数可由纠错法及经验公式确定。

第三步：模型训练。模型取2018 年1 月到2019年2 月为训练期，设置了BP 神经网络中的学习速率、动量及其他参数的取值范围，通过前向传播误差值，从而更新权值及阈值，不断对模型进行优化训练。应用公式为：，其中xij为第i 项指标第j 个数据，xmax和xmin分别为原始数据中的最大值和最小值。本文确定降水量、蒸发量以及涌水量三个影响因素，为探究深层和浅层地下水位的响应关系，构建了BP 神经网络。由于深层和浅层地下水位相差过大，为避免二者之间误差的相互影响，寻求最佳拟合结果，故本文针对深层孔隙水、浅层孔隙水，构建了两个BP 神经网络模型。

第四步：模型验证。该研究以2019 年3—8 月作为验证期，通过计算模型预测数据与实测数据的相对误差判断模型的优劣，得出较优的模型。

2 案例分析

2.1 张庄铁矿矿坑涌水特征分析

张庄铁矿矿区位于淮河二级阶地，海拔高度+24.1～+35m，相对高差11m 左右，地形总体平坦稍有起伏，东高西低。铁矿床位于霍邱岩群变质岩系吴集岩组，含矿层的下部主含矿带，矿床的围岩属下元古界周集组（Ar3z）的上部，为各种片岩和片麻岩组成。矿床为隐伏型矿床，矿体的埋藏较深。张庄铁矿采取竖井地下开采方式，开采顺序为自下而上，采矿方法为空场嗣后充填法。本区地下水的形成与分布受多种因素控制，其中以岩性为基础，构造和地貌起控制作用，气象、水文是影响地下水形成的重要因素。霍邱铁矿区广泛分布第四系，砂性土发育，为孔隙水赋存提供了良好的空间。区内河漫滩和一、二级阶地地形较平坦，为大气降水渗透提供了有利条件。基岩各含水岩组及其上覆的古风化带含水岩组，其间无隔水层存在，通过裂隙可发生一定的水力联系，铁矿埋藏于当地侵蚀基准面及地下水位之下，矿区内无大的地表水体，第四系上部普遍见很厚粘土层，透水性差，地表水和地下水之间水力联系较弱。矿坑直接充水因素为基岩裂隙带。

张庄铁矿床埋藏于当地侵蚀基准面之下，地表水体与地下水之间水力联系弱，主要充水岩层富水性弱，构造破碎带富水性弱，地下水补给来源一般，第四系覆盖层较厚，第四系与下伏基岩水力联系微弱，铁矿矿坑涌水为基岩裂隙水充水为主的矿床。

2.2 水位变化阶段划分及特征

降雨量监测数据采用霍邱县霍邱站降雨资料（图1），第一年10 月—第二年4 月为枯水期，该时间段内降雨量占全年降雨量不足15%，5—9 月为丰水期，降雨量超过了全年降雨量的85%。地下水水位数据采用霍邱县冯井镇小围村浅层孔隙水（井深50.00m）与深层孔隙水（井深150.70m）观测孔2018 年1 月—2019 年12 月监测结果表。

图1 霍邱站降雨量监测数据图

通过实测的数据分析，降雨量与浅层地下水水位存在一定的滞后性，受水文地质条件的影响，考虑上覆补给过程较为缓慢，矿坑涌水与含水层水位变化存在较为明显的规律，随着矿山开采过程中的疏干排水，导致上覆浅层地下水水位与深层地下水水位呈现下降趋势，从监测数据来看（见图2 和图3），2018 年1 月—2020 年2 月深层地下水水位的降深变幅为3.5m，浅层的水位降深变幅为2.5m，二者均呈现下降趋势，浅层波动范围小于深层降升的幅度，深层降升趋势明显。

图2 浅层孔隙水位监测结果图

图3 深层孔隙水位监测结果图

2.3 矿坑涌水量预测模型

因矿山的建设和开发活动，干扰了地下水圈的自然运动规律，矿坑涌水与地下水水位变幅一方面考虑客观存在的气象水文、地形地貌以及水文地质条件，同时结合矿山开采方案，对降雨量、矿涌水以及各含水层水位变幅之间关系进行研究分析。由于模拟内矿区开采水平没有变化且短期内水文地质参数变化较小，故模型未将其作为影响因素代入计算。在浅层深层孔隙水水位预测模型中，m 值为3，通过反复试错，隐藏层设置两层，第一层设置12 个神经元，第二层设置3 个神经元，为最优结果。训练结果如图4 和图5 所示。

图4 浅层孔隙水水位实测值和预测值对比图

图5 深层孔隙水水位实测值和预测值对比图

如图4 和图5 所示，模型以降雨量、蒸发量、矿坑涌水量为输入量，分别对浅层孔隙水和深层孔隙水水位进行了模拟，以2018 年1 月—2019 年2 月的实测值进行数据模拟，建立数学模型，预测2019年3—8 月的孔隙水水位，并与实测值进行对比，比较得到浅层孔隙水水位相对误差最大月份为13.7%，深层孔隙水水位相对误差最大月份为0.5%。

3 结果与讨论

神经网络模型类比传统的解析法计算矿区水位，神经网络模型预测水位以降雨量、蒸发量、矿坑涌水量为输入量，而解析法要使用矿井涌水量、含水层渗透系数、含水层厚度、影响半径、引用影响半径、引用半径等数据才能得出结果，这些数据需要大量的地质试验才能得到，神经网络法预测水位更简便。本文根据多组数据输入，通过多次试错，建立神经网络模型，对矿开采后低渗透性含水层的水位进行预测，预测值和实测值误差较小，浅层孔隙水水位相对误差最大月份为13.7%，深层孔隙水水位相对误差最大月份为0.5%。通过建立的神经网络模型，可用于指导后续矿山开发利用过程中地下水水资源量的分析与利用，同时也为类似矿山开采过程中地下水分析与预测提供参考依据■