閆鵬程，周孟然*，劉啟蒙, 張開遠，何晨陽

1. 安徽理工大學電氣與信息工程學院，安徽 淮南 232001 2. 礦山地質災害防治與環(huán)境保護安徽省重點實驗室，安徽 淮南 232001 3. 安徽理工大學地球與環(huán)境學院，安徽 淮南 232001

LIF技術與SIMCA算法在煤礦突水水源識別中的研究

閆鵬程1，周孟然1*，劉啟蒙2, 3, 張開遠1，何晨陽1

1. 安徽理工大學電氣與信息工程學院，安徽 淮南 232001 2. 礦山地質災害防治與環(huán)境保護安徽省重點實驗室，安徽 淮南 232001 3. 安徽理工大學地球與環(huán)境學院，安徽 淮南 232001

煤礦突水水源類型的快速識別對于煤礦水害預警防治意義重大。針對傳統(tǒng)水化學方法水源識別耗時較長的問題，提出一種基于激光誘導熒光光譜(LIF)技術與簇類的獨立軟模式(SIMCA)算法的煤礦突水水源快速識別方法。激光誘導熒光光譜技術具有分析速度快、靈敏度高等特點，在激光器的輔助下，熒光光譜儀實時采集熒光光譜，根據(jù)水樣的熒光光譜即可進行水源類型識別，在數(shù)據(jù)庫完備的情況下，只需幾秒即可進行煤礦水源判斷，對于煤礦的水害預警以及災后救援來說意義重大。實驗利用405 nm激光器發(fā)射激光，打入被測水體，得到五種常見突水水樣的共100組熒光光譜，對各水樣的熒光光譜進行光譜預處理。每種水樣使用15組共75組熒光光譜作為預測集，剩余的25組水樣的熒光光譜作為測試集。利用主成分分析(PCA)分別對五種水樣進行建模，而后依據(jù)所建模型進行SIMCA分類。實驗發(fā)現(xiàn)不同水樣的熒光光譜差異明顯，經過Gaussian-Filter預處理后的熒光光譜，在主成分數(shù)為2，顯著性程度α=5%的情況下，利用SIMCA算法進行水樣分類，預測集和測試集的正確率皆為100%。

煤礦突水；水源識別；激光誘導熒光光譜；簇類的獨立軟模式；主成分分析

引 言

瓦斯、煤塵、水、火和頂板災害是煤礦五大災害，根據(jù)“十一五”期間全國煤礦水害事故分析報告，“十一五”期間全國煤礦事故發(fā)生10 339起，死亡人數(shù)16 811人，其中水害事故發(fā)生306起，死亡人數(shù)1 325人。無論是從事故數(shù)量上還是死亡人數(shù)上，水害事故均僅次于瓦斯事故，位居煤礦五大災害第二位[1-3]。水害事故成為威脅煤礦生命財產安全的最主要風險之一，面對水害危害的嚴重性，迫切需要進行水害預警防治工作。煤礦現(xiàn)場工作不僅需要預防、預測突水，也需要在發(fā)生突水后及時對突水來源做出正確判斷，這樣才能對突水采取有效的治理措施[4-5]。

傳統(tǒng)的煤礦突水水源類型識別全部以水化學為基礎，以獲得離子濃度、pH值、電導率等參數(shù)，根據(jù)這些參數(shù)建立水源類型識別模型[6-11]。一般實驗室測量這些參數(shù)需要2 h才能完成，對于煤礦水害預警防治來說，耗時過長。

本文提出使用LIF技術結合SIMCA分類法進行煤礦突水水源類型識別。激光誘導熒光光譜分析具有分析速度快、靈敏度高等特點，在激光器的輔助下，熒光光譜儀實時采集熒光光譜，根據(jù)水樣的熒光光譜即可進行水源類型識別，在數(shù)據(jù)庫完備的情況下，只需幾秒即可進行煤礦水源判斷，對于煤礦的水害預警以及災后急救來說意義重大。在光譜技術日益更新的今天，依據(jù)LIF技術進行煤礦涌水水源類型識別的重點與難點就在于不同水源的熒光光譜的識別。近年來熒光光譜分析技術開始應用在環(huán)境科學、農業(yè)生產等方面，SIMCA算法開始應用在煙葉、油脂鑒別方面[12]。本文將LIF技術結合SIMCA算法應用于煤礦突水水源類型識別尚未見諸任何相關文獻。

1 實驗部分

1.1 材料

選取突水事故較為常見的五種水樣：奧陶系灰?guī)r巖溶水、煤系砂巖裂隙水、煤系灰?guī)r水、第四系沖積層水和老窯水作為實驗對象。于2014年4月15日采集淮南市新集一礦的五種水樣，每種水樣采集20個樣本。所取水樣樣本皆避光密封存儲在棕色玻璃瓶中。

1.2 光譜采集

實驗采用儀器為激光誘導熒光光譜儀(USB2000+美國Ocean optics公司)，設定入射激光波長405 nm，入射激光功率120 mW，檢測熒光光譜范圍400～800 nm，分辨率設定為0.5 nm，積分時間設置為1 s/1 000 nm。為達到實驗的在線測量目的，為下一步的實際應用做準備，實驗探頭采用可浸入式激光激發(fā)熒光探頭(FPB-405-V3廣東科思凱公司)，可直接放入實驗水體進行浸入式接觸測量，而不使用比色皿進行采樣式非接觸測量。為避免背景光影響，熒光探頭與存放水樣樣本的玻璃瓶皆放入暗室進行激光誘導熒光光譜測量。熒光光譜由SpectraSuite軟件采集并記錄。

1.3 光譜模式識別

光譜識別系統(tǒng)由光譜信號的特征提取、光譜信號的標準特征庫和光譜信號的比較識別構成。其分類方法可分為有管理識別方法和無管理識別方法。有管理識別方法需要訓練集，其方法包括：LDA法、K最近鄰法、神經網(wǎng)絡法、SIMCA法和決策樹等方法。無管理識別方法不需要訓練集，其方法有：主成分分析法、最小生成樹法和聚類分析法等。

2 結果與討論

2.1 波長范圍選擇

實驗時對淮南市新集一礦奧陶系灰?guī)r巖溶水(奧灰水)、煤系砂巖裂隙水(砂巖水)、煤系灰?guī)r水(灰?guī)r水)、第四系沖積層水(沖積層水)和老窯水共五種水樣，100個樣本進行光譜采樣，為減小隨機誤差，每個樣本采樣5次，并取平均值，共得到光譜曲線100個，如圖1所示。

Fig.1 Original fluorescence spectra of water samples

為了能夠比較直觀的反映出各水樣的熒光光譜差異，對各水樣20個樣本的光譜數(shù)據(jù)取平均值，得到各水樣的光譜圖如圖2所示。

由圖1和圖2可以看出，五種水樣的光譜總體趨勢分類明顯，但是在400～420和670～800 nm波段，五種水樣的熒光光譜分布趨于一致，分辨度較小，為了減小數(shù)據(jù)處理量，提高運算效率和識別精度，將這兩段波段刪除，只對420～670 nm波段進行數(shù)據(jù)處理。這時每個樣本的數(shù)據(jù)量即從801點降到501點。

Fig.2 Average spectra of water samples

2.2 數(shù)據(jù)預處理

為消除噪聲，減小誤差，以尋找最佳的識別處理方法，對原始光譜進行數(shù)據(jù)預處理。分別采用correlation optimized warping(COW)，median-filter(MF)，gaussian-filter(GF)，moving-average(MA)，standard normal variate(SNV)法對原始光譜進行處理，加上原始光譜，共六種預處理方法。由圖3可以看出，前五種預處理方法的去噪效果良好，基本看不出有何差距，而經SNV法處理的光譜卻出現(xiàn)了較大的噪聲，水樣的光譜分類出現(xiàn)模糊。

2.3 PCA建模

鑒于SNV的預處理效果較差，以原始光譜加另外四種預處理方法處理后的光譜進行PCA建模。實驗隨機選擇五種水樣的15個樣本共75個樣本做為訓練集，剩余五種水樣的5個樣本共25個樣本做為測試集。

Fig.3 Different preprocessing results of spectra

在420～670 nm范圍內，對這75組數(shù)據(jù)進行主成分分析，各預處理方法皆取7個主成分數(shù)，由于第1主成分貢獻度極大，因此建模選擇主成分數(shù)為2，觀察累積貢獻度，如表1所示。由表1可以看出，在主成分數(shù)同為2的情況下，各預處理方法的累積貢獻度皆在99.5%以上，其中原始光譜的累積貢獻度最低，為99.65%，Moving-Average的累積貢獻度最高，為99.86%。因此在主成分數(shù)為2時即可較好的表示原始光譜的數(shù)據(jù)信息。

圖4為各預處理方法訓練集的第1主成分和第2主成分的得分圖。從圖4的各圖中可以看出，五種水樣的聚類效果明顯。橫向對比各圖，在同一坐標系的情況下，COW的聚類效果較差，其次為原始光譜和Median-Filter，聚類效果最好的是Gaussian-Filter和Moving-Average。由各圖也可以看出灰?guī)r水和砂巖水距離最近且皆處于第四象限，而灰?guī)r水、砂巖水、沖積層水距離奧灰水皆較遠。這可以從地質年代進行解釋，灰?guī)r水和砂巖水所處的地層地質年代皆為晚古生代石炭紀，因此其所含物質成分較為接近；沖積層水所處的地層地質年代為新生代第四紀，是地質年代最新的一個紀；奧灰水所處的地層地質年代為早古生代奧陶紀，是所有水樣(除老窯水)中，地質年代最古老的一個紀；老窯水與地質年代無關，它是煤礦開采后遺留的采空區(qū)被地下水或地表水充滿所致，而且由于屬于人工工作區(qū)域，人為的帶入了一些物質成分，因此其水成分構成復雜，這也就造成了各地的老窯水成分相差極大，熒光光譜也各不相同。水樣所處地層的不同造成了其所含物質成分的不同，物質成分的不同在熒光光譜上會反映出一定的差異，差異越大，就造成其在空間上的距離也就越大。

由于奧陶系灰?guī)r巖溶水(奧灰水)與煤系灰?guī)r水(灰?guī)r水)皆屬于石灰?guī)r水，在水化學分析中分辨困難，常造成誤判，而從圖2卻可以看出，兩種水樣的熒光光譜圖分類明顯，從圖4也可以看出兩種水樣的聚類效果明顯，且相距較遠。

Table 1 Contribution rate of different preprocessing models

Fig.4 Score cluster plot of PC-1 and PC-2 with different preprocessing models

2.4 SIMCA分類

在顯著性程度α=5%的情況下，以PCA建模的主成分作為分類模型，用SIMCA法對各水樣進行識別。所建立的預測集及測試集的結果如表2所示。

由表2可以看出，不同方法處理后的熒光光譜，識別效果皆較好。預測集分類錯誤個數(shù)最多只有2個(Median-Filter)，經Gaussian-Filter處理后的預測集分類全部正確；五種預處理方法的測試集分類正確率全為100%。

Table 2 Result of classification

3 結 論

對同一煤礦不同含水層五種水樣的激光誘導熒光光譜數(shù)據(jù)進行分析，依據(jù)光譜曲線特征，舍去部分波段光譜，并對數(shù)據(jù)進行不同方式的預處理，而后分別進行PCA建模和SIMCA分類。由實驗過程可以發(fā)現(xiàn)，Gaussian-Filter的整體表現(xiàn)優(yōu)于其他方法，這也表明首先進行Gaussian-Filter預處理，而后進行PCA建模和SIMCA分類是最佳方法。實驗充分證明了LIF技術結合SIMCA識別法在煤礦水源識別中的可行性。

[1] WU Qiang, GUAN En-tai(武 強, 管恩太). Journal of China Coal Society(煤炭學報), 2006, 31(4): 409.

[2] GAO Jian-ning(高建寧). Safety In Coal Mines(煤礦安全), 2013, 44(3): 156.

[3] ZHAO Shan-shan, SUN Jian-hua(趙珊珊, 孫建華). Safety In Coal Mines(煤礦安全), 2009, ?40(4): 127.

[4] YANG Hai-jun, WANG Guang-cai(楊海軍, 王廣才). Coal Geology & Exploration(煤田地質與勘探), 2012, 40(3): 48.

[5] QIAN Jia-zhong, PAN Jing, ZHAO Wei-dong(錢家忠, 潘 婧, 趙衛(wèi)東). Systems Engineering-Theory & Practice(系統(tǒng)工程理論與實踐), 2011, 31(12): 2425.

[6] LIAN Hui-qing, LIU De-min, YIN Shang-xian(連會青, 劉德民, 尹尚先), Coal Engineering(煤炭工程), 2012, 8: 107.

[7] YAO Jie, TONG Min-ming, LIU Tao(姚 潔, 童敏明, 劉 濤). Safety in Coal Mines(煤礦安全), 2013, 44(2): 29.

[8] LU Jin-tao, LI Xi-bing, GONG Feng-qiang(魯金濤, 李夕兵, 宮鳳強). China Safety Science Journal(中國安全科學學報), 2012, 22(7): 109.

[9] CHEN Hong-jiang, LI Xi-bing, LIU Ai-hua(陳紅江, 李夕兵, 劉愛華). Journal of Central South University(Science and Technology)(中南大學學報·自然科學版), 2009, 40(4): 1114.

[10] ZHANG Yang, MA Yun-dong, WU Hao(張 洋, 馬云東, 吳 浩). Hydrogeology & Engineering Geology(水文地質工程地質), 2014, 41(4): 32.

[11] WEN Ting-xin, ZHANG Bo, SHAO Liang-shan(溫廷新, 張 波, 邵良杉). China Safety Science Journal(中國安全科學學報), 2014, 24(2): 100.

[12] HUANG Yue-hua, FAN Lu, LI Juan(黃月華, 范 璐, 李 娟). Journal of Henan University of Technology(Natural Science Edition)(河南工業(yè)大學學報·自然科學版), 2009, 30(5): 13.

*Corresponding author

Research on the Source Identification of Mine Water Inrush Based on LIF Technology and SIMCA Algorithm

YAN Peng-cheng1, ZHOU Meng-ran1*, LIU Qi-meng2, 3, ZHANG Kai-yuan1, HE Chen-yang1

1. College of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan 232001, China

2. Anhui Provincial Key Lab of Geohazards Prevention and Environment Protection, Huainan 232001, China

3. College of Earth and Environment, Anhui University of Science and Technology, Huainan 232001, China

Rapid source identification of mine water inrush is of great significance for early warning and prevention in mine water hazard. According to the problem that traditional chemical methods to identify source takes a long time, put forward a method for rapid source identification of mine water inrush with laser induced fluorescence (LIF) technology and soft independent modeling of class analogy (SIMCA) algorithm. Laser induced fluorescence technology has the characteristics of fast analysis, high sensitivity and so on. With the laser assisted, fluorescence spectrums can be collected real-time by the fluorescence spectrometer. According to the fluorescence spectrums, the type of water samples can be identified. If the database is completed, it takes a few seconds for coal mine water source identification, so it is of great significance for early warning and post-disaster relief in coal mine water disaster. The experiment uses 405 nm laser emission laser into the 5 kinds of water inrush samples and get 100 groups of fluorescence spectrum, and then put all fluorescence spectrums into preprocessing. Use 15 group spectrums of each water inrush samples, a total of 75 group spectrums, as the prediction set, the rest of 25 groups spectrums as the test set. Using principal component analysis (PCA) to modeling the 5 kinds of water samples respectively, and then classify the water samples with SIMCA on the basis of the PCA model. It was found that the fluorescence spectrum are obvious different of different water inrush samples. The fluorescence spectrums after preprocessing of Gaussian-Filter, under the condition of the principal component number is 2 and the significant levelα=5%, the accuracy of prediction set and testing set are all 100% with the SIMCA to classify the water inrush samples.

Mine water inrush; Source identification; Laser induced fluorescence; Soft independent modeling of class analogy; Principal component analysis

Nov. 20, 2014; accepted Feb. 25, 2015)

2014-11-20，

2015-02-25

國家“十二五”科技支撐計劃重點項目(2013BAK06B01)和國家自然科學基金項目(51174258)資助

閆鵬程，1988年生，安徽理工大學電氣與信息工程學院博士研究生 e-mail: pcyan1988@126.com *通訊聯(lián)系人 e-mail: mrzhou8521@163.com

O657.3

A

10.3964/j.issn.1000-0593(2016)01-0243-05