馬 雷，劉思圓，吳蒙蒙

(合肥工業(yè)大學(xué)資源與環(huán)境工程學(xué)院，安徽 合肥 230009)

礦井地下水化學(xué)特征分析與水源判別對水害防治具有重要的意義。水文地質(zhì)循環(huán)和水巖作用共同作用下，地下水的化學(xué)成分隨時空變化而改變[1]，水中六大離子不同成分組合和濃度組合反映了不同的含水層地下水水質(zhì)特征。然而在有水力聯(lián)系的含水層的水中，離子成分與濃度可以反映出它們之間的內(nèi)在聯(lián)系。由此，地下水水化學(xué)離子濃度可用來分析地下水化學(xué)的演化和追尋地下水補給來源[2-3]，從而判別礦井突水水源。至今，國內(nèi)外的學(xué)者對礦山的地下水化學(xué)特征分析和水源判別進行了諸多研究，眾多多元統(tǒng)計分析方法廣泛應(yīng)用于地下水化學(xué)特征分析，如：主成分分析、因子分析、聚類分析等[4-6]，然而以往研究多將同一個含水層的所有地下水樣作為一個類別進行分析，往往對地下水化學(xué)在空間上的差異性考慮不足，本文將對直接充水含水層即煤系水在平面上和垂向上的水化學(xué)空間分布和變化特征進行分析，研究變化規(guī)律，揭示其形成原因。在礦井突水水源判別方面，常用的判別模型有貝葉斯判別模型[7-8]、模糊綜合評判[9]、人工神經(jīng)網(wǎng)絡(luò)模型[10-12]、Fisher判別模型等模型方法[13]。BP人工神經(jīng)網(wǎng)絡(luò)是一種適于處理非線性問題的人工智能系統(tǒng)，而基于地下水化學(xué)數(shù)據(jù)的多含水層的突水水源識別可理解成一種非線性分類識別問題。因此，BP人工神經(jīng)網(wǎng)絡(luò)適宜于這類問題的處理。本文應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)模型判別地下水水樣的來源，分析其判別效果，為煤礦突水水源識別提供參考依據(jù)。

1 研究區(qū)水文地質(zhì)條件

潘一井田位于安徽省淮南市西北部潘集區(qū)，屬黃淮沖積平原，為暖溫帶季風(fēng)氣候，四季分明，雨量充沛。礦區(qū)內(nèi)含煤地層為石炭系上統(tǒng)太原組和二疊系中下部山西組和石盒子組。其中二疊系的山西組和石盒子組為主要含煤地層，石炭系上統(tǒng)太原組薄煤層不可采。二疊系含煤27～42層，平均總厚度39.07m，含可采及局部可采煤層15層，平均總厚度29.68m是本區(qū)的主要開采和研究對象。本區(qū)主要含水層為石炭系石灰?guī)r含水層(組)、奧陶系石灰?guī)r含水層(組)、煤系砂巖含水層(組)、新生界松散含水層(組)。

新生界松散層孔隙含水層(組)：總體呈北厚南薄的趨勢，可分為上、中、下三個含水層組；上部含水層組(簡稱上含)，厚73.35～115.75m，平均厚86.96m，由東向西增厚，本含水組下段富水性強，與中部含水組有一定的水力聯(lián)系。中部含水層組(簡稱中含)：厚40.84～170.95m，厚度由西北向東南變薄。中部含水組之下發(fā)育一隔水層，厚3.50～55.53m，平均厚35.80m，全區(qū)分布比較穩(wěn)定。下部含水層組(簡稱下含)：直接覆蓋在煤系及石炭系太原群、奧陶系地層之上，與基巖地層呈不整合接觸。厚度變化的總趨勢為由東南向西北增厚，平均厚度62.88m。

二疊系砂巖裂隙含水層(組)(簡稱煤系水含水層)：二迭系砂巖裂隙含水層分布于主要煤層之間，不穩(wěn)定，各層間為泥巖與煤層間隔，無水力聯(lián)系。在砂巖露頭局部地區(qū)，因新生界下含底部缺失粘土而與下含存在弱水力聯(lián)系。

煤系底板碳酸鹽巖溶裂隙含水層(簡稱灰?guī)r水含水層)：石炭系太原群薄層灰?guī)r巖溶裂隙含水層(組)隱伏于巨厚新生界松散層下，位于煤系地層底板，原始水位標(biāo)高+26～+28m，單位涌水量0.12～0.19L/(s·m)，滲透系數(shù)0.009～0.30m/d，水溫32～36℃。奧陶系灰?guī)r巖溶裂隙含水層，位于石炭系太原群地層底板，在潘一井田內(nèi)最小埋深約350m，原始水位標(biāo)高+25.11m，單位涌水量0.200L/(s·m)，滲透系數(shù)0.053m/d，水溫44℃。

2 人工神經(jīng)網(wǎng)絡(luò)判別模型概述

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬生物神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)，用非線性處理單元模擬生物神經(jīng)元，用處理單元之間的可變連接強度來模擬突觸行為，大量單元依一定形式連接而成的網(wǎng)絡(luò)呈現(xiàn)出高維性、自組織性、模糊性和自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)(Back Propagation，BP)是一種反向傳播誤差算法進行學(xué)習(xí)的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前研究最多應(yīng)用最廣泛的網(wǎng)絡(luò)模型之一。BP人工神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，具有三層或三層以上結(jié)構(gòu)，包括輸入層、隱含層(中間層) 和輸出層。隱含層是處在輸入層和輸出層之間的中間層，它的作用是將一類輸入模式中與其他類輸入模式不相同的特征進行抽取，再將抽取得到的那部分特征傳遞給輸出層，最后輸出層對這類輸入模式是否與其他輸入模式相同而做出判斷。每層都有許多類似生物系統(tǒng)神經(jīng)元的能夠執(zhí)行并行運算的結(jié)點組成，各層結(jié)點之間沒有直接聯(lián)系，相鄰層之間的結(jié)點通過權(quán)值連接，輸入節(jié)點數(shù)目、輸出節(jié)點數(shù)目及網(wǎng)絡(luò)層數(shù)是由待解決問題本身的特殊性而確定，在解決實際問題中，最關(guān)鍵的問題就是對隱含層層數(shù)及隱含層節(jié)點數(shù)目的確定，一般用試錯法。BP 網(wǎng)絡(luò)的核心是通過一邊向后傳播誤差，一邊修正誤差的方法來調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，以實現(xiàn)或逼近所希望的輸入輸出映射關(guān)系。

3 地下水化學(xué)特征分析

3.1 水化學(xué)類型分析

圖1 潘一礦水樣Piper分析圖

3.2 煤系水水化學(xué)成分平面分布特征

3.3 煤系水水化學(xué)成分垂向分布特征

圖2 沿Ⅴ-Ⅵ線水樣點Ca2+和Mg2+ 濃度

圖3 沿Ⅴ-Ⅵ線水樣點Na++K+和濃度

4 突水水源判別

根據(jù)如上分析，在研究區(qū)內(nèi)以新生界下含水、煤系水、灰?guī)r水作為充水水源的判別對象，選取Ca2+、Mg2+、K++Na+、HCO3-、Cl-和SO42-作為判別水源的指標(biāo)。采用常用的三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，即輸入層、隱含層和輸出層。輸入層節(jié)點個數(shù)設(shè)定為6，使用六大離子作為輸入?yún)?shù)(見圖4)。輸出層節(jié)點個數(shù)為1，即為代表各含水層的目標(biāo)輸出值V，本例中將新生界上含水、新生界下含水、煤系水和灰?guī)r水的目標(biāo)輸出值分別取為：0.2、0.4、0.6和0.8，則在判別時，將水樣帶入訓(xùn)練好的網(wǎng)絡(luò)計算，如果輸出值V≤0.3則被判別為新生界上含水，如果0.30.7則被判別為灰?guī)r水。隱含層節(jié)點數(shù)，根據(jù)網(wǎng)絡(luò)調(diào)試情況確定，一般認(rèn)為，隱含層節(jié)點數(shù)與求解問題的要求、輸入輸出單元數(shù)多少等有直接的關(guān)系。本例經(jīng)過調(diào)試，隱含層節(jié)點數(shù)設(shè)置為8。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差、最大迭代次數(shù)和學(xué)習(xí)率分別設(shè)定為5.0×10-4、8 000和0.05。

圖4 本文采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

根據(jù)表1的水樣，依次將待判樣本以外的其他樣本作為訓(xùn)練樣本，代入網(wǎng)絡(luò)進行訓(xùn)練，然后利用訓(xùn)練好的網(wǎng)絡(luò)判別待判樣本的來源，得到的輸出值與該待判樣本所設(shè)定的目標(biāo)輸出值進行比較，最接近的目標(biāo)設(shè)定值所對應(yīng)的含水層即為該水樣的水源。判別結(jié)果見表2，BP人工神經(jīng)網(wǎng)絡(luò)方法判錯了11個水樣，判別準(zhǔn)確率為82.3%。其中8個新生界上含水全部判別正確；17個新生界下含水正確判別4個，正確率為76.5%，2個錯判為新生界上含水，2個錯判為煤系水；33個煤系水正確判別28個，正確率為84.8%，2個錯判為新生界上含水，3個錯判為新生界下含水；4個灰?guī)r水僅正確判別2個，1個錯判為新生界下含水，1個錯判為煤系水，正確率為50.0%。本文還進行了模糊綜合評判模型(F統(tǒng)計量定權(quán))對水樣數(shù)據(jù)進行判別分析，模糊綜合判別方法判錯了15個水樣，判別準(zhǔn)確率為75.8%。其中8個新生界上含水全部識別正確；17個新生界下含水全部正確識別；33個煤系水正確識別21個，正確率為63.6%，其中，3個錯判為新生界上含水，7個錯判為新生界下含水，2個錯判為灰?guī)r水；4個灰?guī)r水僅正確識別1個，2個錯判為新生界下含水，1個錯判為煤系砂巖裂隙水，正確率為25.0%。以上判別結(jié)果表明，BP人工神經(jīng)網(wǎng)絡(luò)有相對較高的判別準(zhǔn)確率，對于本例數(shù)據(jù)人該方法可以正確判別新生界上含水，有可能將新生界下含水錯判為新生界上含水和煤系水，將煤系水錯判為新生界上含水和下含水，難以有效地判別灰?guī)r水。

表1 地下水主要離子成分?jǐn)?shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)判別結(jié)果

水源類型Ca2+Mg2+Na++K+HCO-3Cl-SO2-4標(biāo)準(zhǔn)值計算值誤差判別層位煤系水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：六種離子的濃度單位為mg/L；*表示該樣本判別錯誤。

5 結(jié)論

(2) 部分煤系水與新生界下含水、灰?guī)r水分水質(zhì)比較接近，難以通過水質(zhì)信息對水樣來源做出有效判別。

(4)BP人工神經(jīng)網(wǎng)絡(luò)方法判別準(zhǔn)確率為82.3%，總體上判別效果較好，但有可能將新生界下含水錯判為新生界上含水和煤系水，將煤系水錯判為新生界上含水和下含水，難以有效地判別灰?guī)r水。

參考文獻(xiàn)：

[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] 馬雷，錢家忠，趙衛(wèi)東. 基于GIS的地下水化學(xué)類型空間分區(qū)方法[J]. 煤炭學(xué)報，2012，37(3):490-494.

[4] 曹雪春，錢家忠，孫興平. 煤礦地下水系統(tǒng)水質(zhì)分類判別的多元統(tǒng)計組合模型——以顧橋煤礦為例[J].煤炭學(xué)報，2010，35(S1)：141-144.

[5] 陳陸望，許冬清，殷曉曦，等. 華北隱伏型煤礦區(qū)地下水化學(xué)及其控制因素分析——以宿縣礦區(qū)主要突水含水層為例[J]. 煤炭學(xué)報, 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] 陳陸望, 桂和榮, 殷曉曦, 等. 臨渙礦區(qū)突水水源標(biāo)型微量元素及其判別模型[J]. 水文地質(zhì)工程地質(zhì), 2010,37(3): 17-22.

[8] 張春雷，錢家忠，趙衛(wèi)東，等. Bayes方法在礦井突水水源判別中的應(yīng)用[J].煤田地質(zhì)與勘探, 2010, 38(4) : 34-37.

[9] 馬雷，錢家忠，趙衛(wèi)東. 基于GIS和水質(zhì)水溫的礦井突水水源快速判別研究[J].煤田地質(zhì)與勘探，2014，42(2)：49-53.

[10] 倪深海，白玉慧. BP神經(jīng)網(wǎng)絡(luò)模型在地下水水質(zhì)評價中的應(yīng)用[J].系統(tǒng)工程理論與實踐，2000，20(8)：124-127.

[11] 錢家忠，呂純，趙衛(wèi)東，等. Elman與BP神經(jīng)網(wǎng)絡(luò)在礦井水源判別中的應(yīng)用[J].系統(tǒng)工程理論與實踐，2010，30(1)：145-150.

[12] 尹光志, 李銘輝,李文璞, 等. 基于改進BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測模型[J]. 煤炭學(xué)報, 2013, 38(7):1 179-1 184.

[13] 陳紅江，李夕兵，劉愛華，等. 用Fisher判別法確定礦井突水水源[J].中南大學(xué)學(xué)報(自然科學(xué)版)，2009，40(4)：1 114-1 120.