李雪佳 ，王 健 ，李 鵬 ，屈世甲 ，張 羽 ，馮黎莉 ，于 振

（1.國能神東煤炭集團有限公司，陜西 榆林 719315；2.天地（常州）自動化股份有限公司，江蘇 常州 213015）

據(jù)國家統(tǒng)計局核算，2021 年全年，我國原煤產(chǎn)量約41.3 億t，煤炭消費量占能源消費總量的56%，依然是我國重要的能源資源。但是，持續(xù)大量的煤炭開采已嚴重破壞了礦區(qū)的地下原始巖層結構，導致礦井涌水量快速增大；據(jù)統(tǒng)計：2014—2019 年，我國因煤炭開采產(chǎn)生的礦井總水量高達288.09 億m3，而且大部分直接外排至地面，造成水資源的大量流失和浪費[1-2]。

煤礦地下積水采空區(qū)的建設和實施，為更好地利用礦井地下水資源提供了技術手段。通過煤礦開采過程中遺留的保護煤柱及人工建設的防水密閉，圍繞采空區(qū)建設封閉積水區(qū)域，避免地下水直接外排至地面，造成資源浪費和環(huán)境污染，同時也在很大程度上為礦區(qū)工業(yè)用水和生活用水提供了保障[3-5]。

針對上述難點問題，國內外眾多學者進行了深入的研究：①在防水密閉受力分析研究方面：李雨萌等[6]通過相似模擬實驗集合數(shù)值模擬方法，將標準煤樣以固定時間周期性浸水處理，得出標準煤樣隨浸水時間增加的一般性能變化規(guī)律；王文才等[7]研究了防水密閉與保護煤柱銜接處在孔隙水的軟化作用下力學性能變化情況，總結出孔隙裂縫中的水分在一定程度上增強了防水密閉的抗壓強度，為銜接材料選擇提供參考依據(jù)；②在防水密閉穩(wěn)定性研究方面：楊奪等[8]重點對防水密閉和保護煤柱的工藝措施進行了詳細分析，提出了以防滲為目標的施工方案和工藝參數(shù)，為保障地下積水采空區(qū)安全運行提供可行性方案；陳陽[9]對鄂爾多斯煤礦地下水庫工程中混凝土、黏土及磚墻結構的3 種不同類型的擋水壩體進行了三維有限元滲流計算分析，評估了礦區(qū)已建地下水庫防水密閉防滲措施效果的可靠性；③在監(jiān)控預警層面研究方面：曹志國等[10]采用系統(tǒng)工程理論系統(tǒng)給出地下積水采空區(qū)安全運行的關鍵因素，論述了安全監(jiān)控系統(tǒng)總體架構；顧大釗[11]通過對神東礦區(qū)地下積水采空區(qū)的實踐應用，給出針對地下積水采空區(qū)安全監(jiān)控系統(tǒng)組成模塊，并對各模塊功能和技術指標進行詳細的闡述，為地下積水采空區(qū)安全監(jiān)控系統(tǒng)標準制定和實施提供了參考。

綜上所述，煤礦地下積水采空區(qū)監(jiān)測和預警大多停留在試驗和數(shù)值分析的理論階段，尚無具體的監(jiān)測措施和數(shù)據(jù)分析技術[12]。為了保障地下積水采空區(qū)的穩(wěn)定運行，結合地面水壩監(jiān)測技術[13-15]，提出了煤礦地下積水采空區(qū)防水密閉安全評價方法研究，對人工防水密閉進行應變、應力及滲壓監(jiān)測、數(shù)據(jù)分析和預測評價研究，實現(xiàn)煤礦地下積水采空區(qū)的安全穩(wěn)定運行。

1 方案設計及預測

1.1 監(jiān)測方案

井下煤炭回采過程中，因煤層厚度及底板高度差異，造成采空區(qū)高度起伏較大。結合石圪臺礦雙巷掘進特點，在回風巷和進風巷之間的聯(lián)絡巷建設人工防水密閉，因低點防水密閉承受的水壓較大，在井下復雜時空變化過程中，造成防水密閉受力及滲壓狀態(tài)不明，給井下安全生產(chǎn)帶來潛在風險[16-17]。

參照國家能源集團神東煤炭集團有限責任公司《神東礦區(qū)煤礦積水采空區(qū)安全技術標準》第8.8 節(jié)“監(jiān)測監(jiān)控”部分的要求：井下積水采空區(qū)監(jiān)測監(jiān)控設計應遵循“在積水采空區(qū)低洼處的煤柱和防水密閉墻內安裝應力應變計、基巖變位計、微震解調儀等傳感器，對防水密閉墻墻體與圍巖的相對位移，特別是接觸縫的位置”的原則。

為此，通過滲壓計（LS1、LS2、RS1、RS2）監(jiān)測人工壩體及保護煤柱銜接處滲壓參數(shù)，實時了解保護煤柱內部水體流動壓力情況。滲壓計布置工藝參數(shù)：人工壩體兩側相鄰煤柱距底板0.5、1 m；鉆孔深4 m，鉆孔直徑60 mm。鉆孔應力計布置工藝參數(shù)：鉆孔直徑46 mm，鉆孔深3.5 m。傳感器布置圖如圖1。

圖1 傳感器布置圖Fig.1 Sensors layout diagram

1.2 安全分級

GRNN 以非線性回歸分析為研究基礎，PNN法以貝葉斯最小風險準則為理論依據(jù)。設隨機變量x和y的 聯(lián)合概率密度函數(shù)為f(x,y)， 已知x的監(jiān)測值為X， 則y相 對X的條件均值為：

式中：Y?(X)為 輸出值Yi的加權平均。

每個輸出值Yi的 權重因子為相應的監(jiān)測值Xi與X之間的Euclid 距離平方的指數(shù)，判斷光滑因子σ大小，確定Y?(X)預測輸出效果。

通過數(shù)據(jù)收集，并根據(jù)GRNN 模型訓練部分監(jiān)測值，對輸出結果創(chuàng)建PNN 網(wǎng)絡進行分類驗證，確定各級別預測準確率，評價分析結果。

2 防水密閉安全評價

2.1 GRNN 交叉驗證預測

以石圪臺礦31205 積水采空區(qū)3#密閉墻作為研究對象，統(tǒng)計2022 年5 月23 至28 日期間的表面應變計（B1、B3）、鉆孔應力計（LY）和滲壓計（LS1）監(jiān)測值，每組各400 個數(shù)據(jù)。

利用每組監(jiān)測值的前300 個數(shù)據(jù)作為訓練數(shù)據(jù)，其余100 個數(shù)據(jù)作為預測數(shù)據(jù)。B1、B3 及LY作為輸入矩陣，LS1 作為輸出矩陣；設置光滑因子σ范圍為0.1～1.0，間隔步長為0.1 增長；采用十折交叉驗證法進行網(wǎng)絡訓練；利用循環(huán)迭代邏輯，判定均方差的大小，得出訓練模型效果 σ。

由訓練效果可知：光滑因子 σ在由0.1 逐漸增加的過程中，判定的均方差變化較為明顯；其中，σ=0.2時，均方差最小為0.81×10-5，此時GRNN網(wǎng)絡訓練效果最優(yōu)。GRNN 網(wǎng)絡預測效果如圖2。

圖2 GRNN 網(wǎng)絡預測效果Fig.2 GRNN network prediction effect

由圖2 可知： σ值越小，網(wǎng)絡訓練的逼近性越強；反之，網(wǎng)絡對樣本訓練的逼近過程就越平滑，但相應的誤差也逐漸增大。另外，GRNN 網(wǎng)絡模型預測的100 個數(shù)據(jù)結果較為穩(wěn)定，絕對誤差基本控制在1%以內，誤差超過0.01 的預測數(shù)據(jù)僅存在3 個，說明該模型預測準確率較高；同時，以BP 神經(jīng)網(wǎng)絡模型對滲壓預測誤差進行對比，分別從平均值、中位數(shù)及方差3 個參數(shù)判定2 種模型的優(yōu)劣性，對比結果發(fā)現(xiàn)：GRNN 模型預測結果的3 個參數(shù)都普遍小于BP 模型，說明GRNN模型的預測效果優(yōu)于BP 神經(jīng)網(wǎng)絡模型的預測效果。GRNN 與BP 優(yōu)劣對比結果見表1。

表1 GRNN 與BP 的優(yōu)劣對比結果Table 1 Comparative results of GRNN and BP

由表1 可知：同時對預測數(shù)據(jù)進行三維映射成圖分析，單一參數(shù)預測數(shù)據(jù)映射成圖存在互補關系，與模型組合預測數(shù)據(jù)的發(fā)展趨勢符合實測數(shù)據(jù)變化情況，結果表明：此類GRNN 模型在非線性映射能力具有高度的容錯性和魯棒性。

2.2 PNN 法分類評價

以GRNN 滲壓預測結果的100 個indices 數(shù)據(jù)作為基礎，一共分10 類，數(shù)字相同表示對應的行數(shù)為一類。

在對多因素的滲壓預測進行深入分析后，以改良的三比值法為基礎，建立基于PNN 的分類模型，B1、B3、LY 為改良三比值法數(shù)值，滲壓計為分類的輸出；使用前90 個數(shù)據(jù)作為PNN 訓練樣本，后10 個樣本作為驗證樣本，進一步對GRNN的indices 數(shù)據(jù)進行評價分析。PNN 訓練后訓練數(shù)據(jù)網(wǎng)絡的分類效果圖如圖3。

圖3 PNN 訓練后訓練數(shù)據(jù)網(wǎng)絡的分類效果圖Fig.3 Classification rendering of PNN training data network after training

由圖3 可知：將90 個訓練數(shù)據(jù)作為輸入代入已經(jīng)訓練完成的PNN 網(wǎng)絡中，對數(shù)據(jù)進行自動分類判別，分類結果中發(fā)現(xiàn)只有3 個樣本數(shù)據(jù)判斷錯誤，分別是樣本編號第36、第53 和第83 的滲壓預測數(shù)據(jù)；同時結合訓練后的誤差圖可知：分類結果與訓練后的誤差相對應，在誤差圖中也僅有3 個樣本數(shù)據(jù)存在分類誤差較大，總體評價準確率為96.7%；同時以剩余的10 個樣本數(shù)據(jù)進行驗證。PNN 網(wǎng)絡預測效果圖驗證結果如圖4。

圖4 PNN 網(wǎng)絡預測效果圖Fig.4 PNN network prediction effect

由圖4 可知：用剩余10 個滲壓預測樣本數(shù)據(jù)進行驗證時，僅存在2 個數(shù)據(jù)判定錯誤，說明通過GRNN 模型預測的數(shù)據(jù)，PNN 仍可進行有效的判定驗證及評價，可用來進行更多樣本的分類評價研究。

將上述理論及分析結果應用于現(xiàn)場，并搭建和開發(fā)相關監(jiān)測系統(tǒng)，目前系統(tǒng)已穩(wěn)定運行約6個月，針對防水密閉的監(jiān)測數(shù)據(jù)的運行均為正常；同時對防水密閉的風險等級進行分級預警，結果顯示：5 月26 日預警正常，未出現(xiàn)異常風險判定，現(xiàn)場應用可靠。

3 結 語

1）以石圪臺礦監(jiān)測數(shù)據(jù)為基礎，采用GRNN模型對滲壓數(shù)據(jù)進行預測，應用交叉驗證和循環(huán)迭代方法，預測結果絕對誤差不超過0.01 的有97%；同時與BP 神經(jīng)網(wǎng)絡模型進行對比分析發(fā)現(xiàn)，GRNN 模型預測效果優(yōu)于BP 模型。

2）采用PNN 法對GRNN 預測結果共10 類100個數(shù)據(jù)進行分類驗證，訓練樣本準確率為96.7%，預測樣本也僅有2 個數(shù)據(jù)判斷錯誤，因此，PNN仍可對GRNN 預測分類數(shù)據(jù)進行驗證，可為后續(xù)分級預警提供研究基礎。

3）結合現(xiàn)場應用結果，此類模型方法具有較好的安全評價效果，系統(tǒng)監(jiān)測數(shù)據(jù)正常，運行可靠，具有可實際應用性。